面向数据不平衡的卷积神经网络故障辨识方法

针对因不同故障的样本数目不平衡造成卷积神经网络(convolutional neural network,简称CNN)对少数类样本识别准确率偏低的缺陷,采用将一种最小最大化目标函数融入卷积神经网络结构的对策,提出一种适用于故障数据不平衡的最小最大化目标函数卷积神经网络(min-max objective CNN,简称M...     

多分类SVM的代价敏感加权故障诊断方法

为了在支持向量机(support vector machine,简称SVM)中合理引入代价敏感机制来降低故障误诊断的代价,提出一种多分类SVM的代价敏感加权故障诊断方法。该方法通过对多分类SVM的硬判决得票矩阵进行代价敏感加权,将故障误诊断的代价作为权重融入SVM的硬判决,并分析硬判决的得票数和得票权重,从而构造出各故障的概率分配,最终实现多分类故障的SVM代价敏感加权诊断及概率输出。实验结果表明,多分类SVM代价敏感加权处理的诊断结果更趋向于高代价故障,所提方法能够有效降低故障误诊断的代价。     

基于代价敏感方法的智能制造故障诊断

在设备故障诊断过程中,数据集中正负分类样本数量相差较为悬殊等数据不平衡问题会导致诊断准确率降低。为减少由于正负类样本不均衡而导致的误判,提高设备故障诊断准确率,提出一种代价敏感方法。该方法借助Boosting方法,通过多次概率采样生成多个模型,并确定每个模型的权重。其中采样的概率取决于代价调整值,所提方法在每一个迭代过程中根据上一次迭代的结果对代价调整值进行调整。通过实验,并与其他方法进行对比,结果表明与采用固定的代价敏感值及非代价敏感方法相比,提出的方法具有更好的表现。     

基于卷积神经网络的机械故障诊断方法综述

深度学习善于从海量的数据中挖掘越来越抽象的特征并具有良好的泛化能力,受到了越来越多的研究人员的关注,而卷积神经网络(Convolutional Neural Network,CNN)则是其深度学习中一种经典而广泛应用的结构,在计算机视觉、目标检测、自然语言处理、语音识别等领域成效卓越。在详细分析机械系统故障诊断的现状和需求的基础上,首先介绍了CNN的典型结构,然后从数据输入类型、网络结构设计、迁移学习等方面对CNN在机械故障领域的应用进行了归纳总结,研究CNN应用的深层次特征提取与可视化等问题,最后,分析机械故障诊断中存在的困难,并展望了CNN在机械故障诊断领域应用中待研究解决的若干问题。     

基于深度学习的癫痫脑电不平衡分类方法

癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义.由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的.针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法.首先,为防止不同类别数据之间界限模糊,使用Borderline-SMOTE算法对1/3训练集做平衡处理;之后,设计了金...     

结合证据理论的代价敏感加权故障诊断

为了在故障诊断中合理引入代价敏感机制来降低故障误诊断的代价,提出了一种结合证据理论的代价敏感加权故障诊断方法。该方法通过误诊断代价矩阵获取各故障模式误诊断的危害度,赋予不同的代价权重,并对证据理论的概率分配函数进行代价加权,将故障误诊断的代价作为权重合理融入诊断结果,从而实现了代价敏感机制在故障诊断中的有效应用。实验结果表明,结合证据理论的代价敏感加权处理能够使得故障诊断结果更倾向于高代价故障,所提方法可以有效降低故障误诊断的代价。     

一种基于多通道卷积神经网络的小齿轮轴裂纹诊断方法

分析现有轨道车辆小齿轮轴故障诊断的技术特点,提出一种基于多通道卷积神经网络的小齿轮轴裂纹诊断方法。对轨道车辆电机输出端附近的振动加速度信号进行短时傅里叶变换,得到二维时频复数矩阵。将二维时频复数矩阵拆解成多通道后,压缩到统一大小,输入到CNN中训练获得诊断模型。通过小齿轮轴实测信号验证了本文方法的有效性与泛化能力,诊断精度高达98%,优于单通道二维时频矩阵变换后输入到CNN模型。该方法为小齿轮轴裂纹故障诊断提供了新途径。     

基于代价敏感直推式学习的故障诊断方法

针对故障诊断领域存在的不考虑误诊断代价以及提出泛化能力强的诊断规则难等问题,提出了一种代价敏感直推式学习故障诊断方法。基于Kolmogorov算法随机性理论和代价敏感学习最小期望误分类代价准则提出了代价敏感直推式分类机制,并在此基础上设计了用于故障诊断的CsTCM-kNN算法。通过旋转机械轴系故障代价敏感诊断实验,验证了该方法能够有效地降低误诊断代价,且保证较高的诊断准确率。     

基于一种高精度卷积神经网络的框架结构模型故障诊断研究

框架结构健康检测和故障诊断是机械工程和土木工程等学科中十分重要的科学问题,能够准确诊断出框架结构的故障是保证框架结构健康工作的基本前提.为了提高噪声条件下的框架结构故障诊断精度,对现有的 TICNN(convolution neural networks with training interference)模型进行了...     

基于卷积神经网络的物流货物图像分类研究

基于卷积神经网络(CNN)针对物流环境下货物的图像分类问题进行了研究.首先,在实际物流环境下收集了13种货物的ROI图像,并通过每隔10°旋转的方式来扩充数据集以防止过拟合现象的发生;然后,在考虑了实际硬件条件的情况下构建了轻量级CNN,并进行了基于自建数据集的训练,训练实验发现,轻量级CNN模型具有很快的收敛速度并在验证集取得了100％的准确率;最后,研究了旋转对货物图像分类性能的影响,并进行了可视化分析,验证了CNN对旋转操作基本不具备一致性.     

Deep convolutional tree-inspired network: a decision-tree-structured neural network for hierarchical fault diagnosis of bearings

The fault diagnosis of bearings is crucial in ensuring the reliability of rotating machinery. Deep neural networks have provided unprecedented opportunities to condition monitoring from a new perspective due to the powerful ability in learning fault-related knowledge. However, the inexplicability and low generalization ability of fault diagnosis models still bar them from the application. To address this issue, this paper explores a decision-tree-structured neural network, that is, the deep convolutional tree-inspired network (DCTN), for the hierarchical fault diagnosis of bearings. The proposed model effectively integrates the advantages of convolutional neural network (CNN) and decision tree methods by rebuilding the output decision layer of CNN according to the hierarchical structural characteristics of the decision tree, which is by no means a simple combination of the two models. The proposed DCTN model has unique advantages in 1) the hierarchical structure that can support more accuracy and comprehensive fault diagnosis, 2) the better interpretability of the model output with hierarchical decision making, and 3) more powerful generalization capabilities for the samples across fault severities. The multiclass fault diagnosis case and cross-severity fault diagnosis case are executed on a multicondition aeronautical bearing test rig. Experimental results can fully demonstrate the feasibility and superiority of the proposed method.     

基于自归一化神经网络的电弧故障检测方法

电弧故障是电气火灾的重要原因.低压线路发生串联电弧故障时,回路电流波形的时域特征与正常工作状态类似,采用传统的特征提取方法无法完整表达时域信号的全部数据特征,限制了电弧故障的特征表达能力,导致检测结果的误报率和漏报率较高.针对此问题,提出基于自归一化卷积神经网络的电弧故障检测方法.该方法将采集到的不同种类负载的电流时间...     

A new automatic convolutional neural network based on deep reinforcement learning for fault diagnosis

Convolutional neural network (CNN) has achieved remarkable applications in fault diagnosis. However, the tuning aiming at obtaining the well-trained CNN model is mainly manual search. Tuning requires considerable experiences on the knowledge on CNN training and fault diagnosis, and is always time consuming and labor intensive, making the automatic hyper parameter optimization (HPO) of CNN models essential. To solve this problem, this paper proposes a novel automatic CNN (ACNN) for fault diagnosis, which can automatically tune its three key hyper parameters, namely, learning rate, batch size, and L2-regulation. First, a new deep reinforcement learning (DRL) is developed, and it constructs an agent aiming at controlling these three hyper parameters along with the training of CNN models online. Second, a new structure of DRL is designed by combining deep deterministic policy gradient and long short-term memory, which takes the training loss of CNN models as its input and can output the adjustment on these three hyper parameters. Third, a new training method for ACNN is designed to enhance its stability. Two famous bearing datasets are selected to evaluate the performance of ACNN. It is compared with four commonly used HPO methods, namely, random search, Bayesian optimization, tree Parzen estimator, and sequential model-based algorithm configuration. ACNN is also compared with other published machine learning (ML) and deep learning (DL) methods. The results show that ACNN outperforms these HPO and ML/DL methods, validating its potential in fault diagnosis.     

Fault diagnosis of axial piston pumps with multi-sensor data and convolutional neural network

Axial piston pumps have wide applications in hydraulic systems for power transmission. Their condition monitoring and fault diagnosis are essential in ensuring the safety and reliability of the entire hydraulic system. Vibration and discharge pressure signals are two common signals used for the fault diagnosis of axial piston pumps because of their sensitivity to pump health conditions. However, most of the previous fault diagnosis methods only used vibration or pressure signal, and literatures related to multi-sensor data fusion for the pump fault diagnosis are limited. This paper presents an end-to-end multi-sensor data fusion method for the fault diagnosis of axial piston pumps. The vibration and pressure signals under different pump health conditions are fused into RGB images and then recognized by a convolutional neural network. Experiments were performed on an axial piston pump to confirm the effectiveness of the proposed method. Results show that the proposed multi-sensor data fusion method greatly improves the fault diagnosis of axial piston pumps in terms of accuracy and robustness and has better diagnostic performance than other existing diagnosis methods.     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

神经网络在异步电机转子故障诊断中的应用

本文利用BP神经网络对异步电机转子的几种主要故障类型进行诊断,提取异步电机转子振动频谱分量,经归一化处理后作为训练样本,代入网络进行学习,通过输出的数据即可判定故障类型,并用新的样本对训练好的网络进行了检验,取得了较好的结果.     

一种基于BP神经网络模拟电路故障诊断新方法

模拟电路故障诊断就是一个模式分类识别问题。本文提出了一种新的模拟电路故障特征向量提取方法——分布节点电压和电流的组合信息作为模拟电路的故障特征向量,应用BP神经网络改进算法进行模拟电路故障诊断,实验证明所提出的方法是可行的。也是很有价值和潜力的。     

免疫神经网络在故障诊断中的应用

利用生物免疫学的原理,将神经网络和免疫算法结合起来,形成免疫神经网络,并应用于电液伺服阀的故障诊断中.结果表明,免疫神经网络能够以较小的网络规模实现对多种故障模式的准确识别,具有高效率、容错性能好和强大的自适应能力.