基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于数字孪生和卷积神经网络的变压器故障诊断

为了满足电力系统中变压器对故障诊断的实时性、高精度、误差小等要求,提出了一种基于数字孪生的CNN变压器故障诊断方法。论文根据变压器的机理模型和数据模型建立基于数字孪生的故障诊断模型,将特征气体作为1D-CNN网络中的输入,经过卷积层和池化层训练、优化模型,进行故障诊断。实验结果表明,论文提出的故障诊断模型的正确率和效率表现更优,结合数字孪生技术,能够保障电力系统的安全可靠运转。     

基于卷积神经网络多层特征提取的目标识别

目标识别一直是人工智能领域的热点问题. 为了提高目标识别的效率,提出了基于卷积神经网络多层特征提取的目标识别方法. 该方法将图像输入卷积神经网络进行训练,在网络的每个全连接层分别进行特征提取,将得到的特征依次输入到分类器,对输出结果进行比较. 选取经过修正线性单元relu函数激活的低层全连接层作为特征提取层,比选取高层全连接层特征提取的识别率高. 本文构建了办公用品数据集,实现了基于卷积神经网络多层特征提取的办公用品识别系统. 选择AlexNet卷积神经网络模型的relu6层作为特征选取层,选择最优训练图像数量和最优分类器构建系统,从而证明了该方法的可行性.     

基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数...     

基于卷积神经网络特征提取的莴苣生长无损监测

基于计算机视觉的莴苣生长无损监测对莴苣的种植管理有重要的意义。彩色图像包含的纹理、色泽等信息与莴苣生长参数密切相关。以往的研究包括基于人为设计的特征结合机器学习算法估计生长参数,以及通过卷积网络估计生长参数。该文设计了一种结合卷积神经网络和机器学习模型的二阶段算法,用于莴苣的生长参数无损估计。生长参数包括叶片鲜重(LFW)、叶片干重(LDW)、植株高度(H)、植株直径(D)和叶面积(LA)。算法的第一阶段训练卷积网络自动从图像中提取特征,第二阶段基于卷积网络提取的特征,利用集成机器学习算法Stacking(随机森林,深度森林)估计生长参数。实验结果表明,相比直接使用卷积网络估计,设计的二阶段算法能显著降低误差,在五个生长参数上的归一化均方误差(NMSE)分别为2.25%,2.61%,1.63%,0.84%,3.18%,估计值与真实值的决定系数(R²)为0.955 2,0.957 8,0.892 1,0.884 4,0.936 2。通过引入深度图,使用3D卷积网络从彩色图和深度图的组合中提取特征,高度(H)的估计准确度能进一步提高(NMSE:1.27%,R^...     

基于Teager能量谱和卷积神经网络的滚动轴承故障诊断

在智能制造环境下,针对滚动轴承在变负载驱动环境下特征提取难、故障诊断准确率低的问题,提出基于Teager能量谱和卷积神经网络的滚动轴承故障诊断方法.将不同负载驱动下的多种故障振动信号,通过计算Teager能量算子之后进行快速傅里叶变换,绘图得到Teager能量谱图,形成数据集.使用数据集训练改进的卷积神经网络,得到滚动...     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。     

基于反卷积特征提取的深度卷积神经网络学习

在深度卷积神经网络的学习过程中,卷积核的初始值通常是随机赋值的.另外,基于梯度下降法的网络参数学习法通常会导致梯度弥散现象.鉴于此,提出一种基于反卷积特征提取的深度卷积神经网络学习方法.首先,采用无监督两层堆叠反卷积神经网络从原始图像中学习得到特征映射矩阵;然后,将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始图像进行逐层卷积和池化操作;最后,采用附加动量系数的小批次随机梯度下降法对深度卷积网络微调以避免梯度弥散问题.在MNIST、CIFAR-10和CIFAR-100数据集上的实验结果表明,所提出方法可有效提高图像分类精度.     

基于时域信号特征和卷积神经网络的模拟电路故障诊断算法

模拟电路是现代电子技术的基础,及时识别与定位电路故障是保证系统正常工作的重要环节。针对此类工程问题,提出一种基于时域信号特征和卷积神经网络(CNN)的模拟电路故障判断算法。首先采集对象电路的激励输入和输出响应信号,经过处理后成为1^*N或2^*N的时域信号序列输入CNN中,端到端实现从原始输入时域信号到故障识别期望输出的映射。实验仿真和实测结果表明,与经过信号预处理的频谱图+CNN和小波包变换+反向传播(BP)神经网络算法相比,该算法对结构性电路故障的识别正确率明显提高,在参数变化型电路故障的识别效果上总正确率相差不到1个百分点,但对于电路正常的判断正确率由93%提高到97%,避免出现某一具体故障正确率很低的情况,总体性能优于对比算法。该算法能够准确快速地识别和定位模拟电路中的结构性故障和参数变化型故障。     

基于卷积神经网络的显著性检测

显著性检测在图像处理领域应用广泛,当前显著性检测主要有自底而上与自顶而下及一些相关或改进算法,它们各有优势和缺陷。提出了一种基于卷积神经网络的显著性检测算法,利用卷积神经网络在图像处理方面强大的功能提取图像特征,进行特征融合,最后得到显著性图,用于显著性检测。将本文方法与传统的显著性检测方法进行对比,发现本文方法效果显著。     

A Compact Convolutional Neural Network Augmented with Multiscale Feature Extraction of Acquired Monitoring Data for Mechanical Intelligent Fault Diagnosis

Considering all the monitoring data of bearings until failure, very few data are acquired when the bearings are faulty. Such circumstance leads to small faulty sample problem when an intelligent fault diagnosis method is applied. A deep neural network trained with small samples cannot be trained completely, and tends to overfit, which results in poor performance in practical application. To solve this problem, a compact convolutional neural network augmented with multiscale feature extraction is proposed in this paper. Multiscale feature extraction unit is introduced to extract features at different time scales without adding convolution layers, which can reduce the depth of the network while ensuring classification ability and alleviating the overfitting problem caused by the network being too complicated. Besides, a specially designed compact convolutional neural network synthetically analyzes the multiscale features. By combing these two tricks, the proposed neural network can extract more sensitive features with a relatively shallow structure, which increases classification accuracy under small samples. Dropout technique is also used to prevent the network from overfitting. Effectiveness of the proposed method is verified by three bearing datasets. Experiments show that this network can achieve competitive results with limited training samples even with different load and mixed rotating speed.     

多级神经网络的轴承故障诊断研究

针对工业生产中轴承故障发生率高、危害大、不易察觉等问题,提出一种由改进的感知器、动态路由算法和随机优化算法集成的多级神经网络故障诊断模型。通过随机等间隔无重复采样的方式对轴承振动信号数据库进行扩充,并根据故障类型做好对应标签;通过改进的多层感知器提取故障特征,由动态路由算法对所提取特征进行预测分类,进而由损失函数得出分类误差,在误差反向传播中由自适应学习速率算法筛选学习速率,并由随机优化算法（Adam）更新权值以优化网络模型。最后进行轴承故障分类的数值仿真实验,结果表明该故障诊断模型能实现高精度轴承故障诊断与分类。     

Fault Diagnosis Based on the Fuzzy‐Recurrent Neural Network

A fuzzy‐recurrent neural network (FRNN) has been constructed by adding some feedback connections to a feedforward fuzzy neural network (FNN). The FRNN expands the modeling ability of a FNN in order to deal with temporal problems. A basic concept of the FRNN is first to use process or expert knowledge, including appropriate fuzzy logic rules and membership functions, to construct an initial structure and to then use parameter‐learning algorithms to fine‐tune the membership functions and other parameters. Its recurrent property makes it suitable for dealing with temporal problems, such as on‐line fault diagnosis. In addition, it also provides human‐understandable meaning to the normal feedforward multilayer neural network, in which the internal units are always opaque to users. In a word, the trained FRNN has good interpreting ability and one‐step‐ahead predicting ability. To demonstrate the performance of the FRNN in diagnosis, a comparison is made with a conventional feedforward network. The efficiency of the FRNN is verified by the results.     

基于深度特征聚类和RNN的电网故障诊断

针对传统方法难以利用大量时序数据和无标签数据对电网进行故障诊断的问题,提出了基于深度特征聚类和循环神经网络(RNN)的电网智能故障诊断方法.该方法首先利用卷积神经网络搭建起特征提取器来提取时序数据的高层特征,然后对提取的特征进行半监督聚类,为无标签样本获得对应的标签,从而可以确定无标签样本所属的故障类别并加以利用;然后...     

基于神经网络的绝缘子故障诊断

绝缘子是高压架空输电线路的关键部件之一,受到导线自重、雷电、风力、冰雪、粉尘污染等因素的影响,易造成绝缘子掉串、断裂、污秽等故障.上述故障容易导致电网跳闸等停电事故,进而造成巨大的经济损失,因此,对输电线路中绝缘子故障诊断具有重要意义.通过对故障绝缘子图像的特征分析,研究了基于神经网络技术实现绝缘子多种故障的自动分析与识别方法.主要根据图片的特征找出特征向量,采用附加动量与自适应速率相结合的改进型BP算法建立神经网络,实验证明改进方法有较高的识别率.     

基于单列多尺度卷积神经网络的人群计数

单张图片和监控视频中的人群计数问题在近年来受到了越来越多的关注。尺度的变化和人群遮挡等问题,导致人群计数是一项十分具有挑战性的任务,但是深度卷积神经网络被证明能有效地解决这一问题。文中提出了一种单列多尺度的卷积神经网络,该网络提供了一种数据驱动的深度学习方法,能够理解各种不同的场景,并能进行精确的计数估计。该网络模型主要由作为二维特征提取的前端与中端,和用来还原密度图的后端组成。其中,使用堆叠池代替最大池化层,在不引入额外参数的前提下增加了模型的尺度不变性。网络模型前端采用部分VGG-16结构;中端采用FME(特征聚合模块),用来打破不同列之间的独立,以更好地提取多尺度特征信息;后端采用3列5层的不同扩张率的空洞卷积,在保持分辨率不变的情况下增加感受野,生成更高质量的人群密度图,并引入一种相对人数损失,以提升稀疏密度人群情况下模型的性能。该模型在两个最具挑战性的人群计数数据集上都取得了很好的效果。实验结果表明,在公开人群计数数据集ShanghaiTech的两个子集和UCF_CC_50上,该方法的平均绝对误差(MAE)和均方误差(MSE)分别是66.2和103.0、8.7和13.4、251.0和329.5,性能比传统人群计数方法更好。与其他模型相比,该模型拥有更高的精度和更好的鲁棒性,对稀疏人数图像有着更好的计数效果。     

基于RBF神经网络观测器飞控系统故障诊断

为了解决非线性系统采用解析方法进行故障诊断困难的问题,利用神经网络可逼近任意连续有界非线性函数的能力,提出了一种基于RBF神经网络观测器的故障检测与诊断方法,并详细论述了该故障诊断方法的构造原理。以含有非线性项的飞行控制系统的作动器模型为例,仅作动器的输入输出可测量,通过构造RBF神经网络观测器来拟合作动器系统模型,逼近其在正常情况下的输出。最后在飞控系统的闭环控制环境下,对作动器的三种典型故障进行了计算机仿真诊断,结果表明故障诊断方法是有效的。     

基于图卷积神经网络的中文实体关系联合抽取

现有实体关系联合抽取方法未充分考虑中文句子中实体关系的复杂结构特征,为此,提出一种基于图卷积神经网络（GCN）的中文实体关系联合抽取方法。在双向长短时记忆网络抽取序列特征的基础上,利用GCN编码依存分析结果中的语法结构信息,借鉴改进的实体标注策略构建端到端的中文实体关系联合抽取模型。实验结果表明,该方法的F值可达61.4%,相比LSTM-LSTM模型提高了4.1%,GCN能有效编码文本的先验词间关系并提升实体关系抽取性能。     

基于特征融合卷积神经网络的SAR图像目标检测方法

针对合成孔径雷达图像目标在背景复杂、场景较大、干扰杂波较多情况下检测困难的问题,设计一种层数较少的卷积神经网络,在完备数据集验证其特征提取效果后,作为基础特征提取网络使用。在训练数据集中补充复杂的大场景下目标训练样本。同时设计一种多层次卷积特征融合网络,增强对大场景下小目标的检测能力。通过对候选区域网络和目标检测网络近似联合训练后,得到一个完整的可用于不同的复杂大场景下SAR图像目标检测的模型。实验结果表明,该方法在SAR图像目标检测方面具有较好的效果,在测试数据集中具有0.86的AP值。