小样本药用玻璃瓶缺陷生成方法及应用

目的 为了克服药包玻璃瓶缺陷样本不足带来的缺陷检测模型精度不准的问题,提出改进StyleGAN2-ADA的缺陷样本生成方法,提升模型鲁棒性。方法 首先,基于StyleGAN2-ADA算法,在无缺陷图像集上训练网络模型并作为骨干。其次,在骨干网络上添加缺陷感知残差块,生成缺陷掩码,在少量的缺陷图像数据集上训练网络模型操纵掩码区域的特征,模拟缺陷图像生成过程,合成缺陷图像。最后,采用YOLOv7检测网络验证该样本生成方法的效果。结果 实验结果表明,该方法在大量正常图像和少量缺陷图像基础上生成逼真且多样性的缺陷图像,应用该缺陷样本合成方法丰富数据集后,西林瓶缺陷检测平均准确率（mAP）达到97.3%,较原始数据集合和StyleGAN2-ADA算法分别提高了33.1%和4.1%。结论 该图像生成方法可以在少量缺陷样本下生成高质量的缺陷图像,优化不均衡数据集,增强模型训练的稳定性,提高药用玻璃包装产品的质量和合格率。     

非完备数据集下的标准自学习数据增强滚动轴承故障诊断方法

滚动轴承的智能故障诊断是设备安全、高效运行的重要保障。然而,非平稳的运行工况使采集到的训练数据集呈现不完备的特点,导致基于数据驱动的模型仅能从中学习到极为有限的诊断知识,致使诊断准确率大幅下降。针对此问题,以生成扰动样本扩充原始数据集的完备性为目的,提出了标准自学习数据增强故障诊断方法。该方法包含标准自学习和数据增强两个训练步骤,将一维卷积神经网络的训练过程看作模型自学习出评判扰动样本的标准,基于此标准,采用样本参数化与模型数据化方法生成扰动样本。两步骤交叉进行,不仅能生成扰动数据、增强数据集完备性,同时能获得非平稳工况下的故障诊断模型。此外,通过研究不同数据生成次序的样本差异,发现所提方法在生成数据时,通过数据生成距离与方向的随机性叠加,保证了生成样本的多样性。实验结果表明所提方法在不完备的训练数据集下对非平稳工况样本的诊断具有有效性和优越性。     

基于多尺度重建和约束聚类的海冰变化检测算法

针对多时相合成孔径雷达(Synthetic Aperture Radar, SAR)图像在海冰变化检测中存在的固有斑点噪声问题,提出基于多尺度重建和约束聚类的海冰变化检测算法。首先,为了抑制斑点噪声,使用多尺度超像素重建方法生成差分图像,并利用局部空间同质信息增强边缘。然后,将两阶段中心约束模糊C均值聚类算法和并行策略相结合,以约束图像预分类过程中聚类中心的错误漂移。最后,在分类阶段将双树复小波变换引入卷积神经网络中构成卷积小波神经网络(Convolutional-Wavelet Neural Network, CWNN),并通过虚拟样本生成方法生成新样本,以缓解模型训练中样本有限的问题。在2个常规数据集和1个海冰数据集上的实验结果证明了该方法的有效性和鲁棒性,对海冰变化检测的准确率达98.50%。     

基于混合裁剪失衡数据增强与SwinNet网络的滚动轴承故障诊断

针对在滚动轴承故障诊断领域中存在的故障样本较少,健康样本丰富所导致的故障类别失衡问题以及环境中存在噪声与人为噪声标签干扰等问题,提出了一种基于混合裁剪失衡数据增强与SwinNet网络相结合的故障诊断模型(fault diagnosis model combining mixed-cutout imbalance data augmentation and SwinNet, SwinNet-MCIDA)。首先,借鉴图像分类数据增强方法,利用混合裁剪失衡数据增强算法对失衡类别的数据进行裁剪、混合处理生成新的故障样本来增加样本量,构造出增强数据集,然后对增强数据集进行小波变换转换成时频图像,将所得图像输入到卷积神经网络与Swin Transformer编码器相结合的SwinNet网络模型中,进行特征提取和故障分类,从而实现滚动轴承故障的高效诊断。试验结果表明,该文所提出的SwinNet-MCIDA故障诊断方法不仅可以很好地解决滚动轴承故障诊断领域故障类别失衡问题,而且也可以很好地应对故障数据中存在环境噪声问题与人为噪声标签干扰问题。     

深度学习对抗网络生成单人跳跃荷载

现有单人跳跃荷载模型通常基于周期性或平稳性假定,从实验数据中人工提取脉冲特征、动载因子和接触率等特征参数来建立,特征参数的选择主观性强。深度学习理论能够自动分析和提取样本特征,进而生成全新的样本。这其中,生成式对抗网络(GANs)的出现极大地提高了生成样本的质量。因此,通过综合条件GANs和带有梯度惩罚的Wasserstein-GANs,提出了模拟单人跳跃荷载的GANs模型。该模型的生成器具有5个全连接层和1个一维卷积层,判别器则具有5个全连接层,并拥有大量频率丰富的实测单人跳跃荷载样本。经过一百万次训练后,生成器可以生成与真实样本非常相似的高质量样本。通过比较生成样本与真实样本的平均功率谱密度和单自由度响应,验证了所提出的GANs模型可用于生成单人跳跃荷载。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法.首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习...     

基于全连接神经网络的压铸件质量预测算法

目的 针对复杂压铸制造过程中高精度监控和质量预测问题,构建全连接神经网络,以提高压铸件缺陷分类和预测的准确性及高效性。方法 提出了一种基于全连接神经网络的算法,用于压铸件的质量预测。以汽车发动机下缸体为研究对象,先通过压铸岛采集关键工艺数据,后通过异常值处理和数据归一化进行数据预处理,再采用最小冗余和最大相关性的启发式算法（MRMR）进行特征处理,选出对压铸件质量影响较大的5个参数,该算法以3个压射速度、真空度、动模流量为输入层参数,以铸件质量为输出层参数。最后确定该算法的结构及各个参数,进行模型的训练与构建,并与不同算法进行性能比较。结果 与传统的决策树、SVM算法相比,该算法在相同数据集的分类和预测性能方面均更优,表明全连接神经网络在预测压铸缺陷方面具有优势。结论 该算法在实际应用中具有很大的潜力,证明全连接神经网络在预测能力和精度方面具有优势,可以为数据分类和预测提供更好的解决方案。     

高精度自适应的四边形网格重建

提出了海量数据点集的四边形网格重建算法。首先根据精度要求简化数据点,按一定规则连接相邻的简化数据点生成多边形网格,对网格中高斯曲率较大的顶点进行局部细分提高其精度,然后对多边形网格进行整体细分使其全部转化为四边形网格,最后分裂度较大的顶点对其进行优化。实验结果表明,算法对拓扑结构较为复杂的海量数据点集的四边形网格重建是行之有效的。     

数据集不均衡下的设备故障程度识别方法研究

在机械故障诊断中,由于故障样本难以收集且数量远远少于正常样本,即产生数据集不均衡问题。这将导致传统的分类算法如支持向量机(SVM)在处理不均衡分类问题时对少数类样本(故障样本)的分类准确率过低。加权支持向量机(C-SVM)算法是一种处理样本集不均衡问题的常用算法,可以在一定程度上改善少数类样本的分类准确率。但是在故障程度相近时会导致样本间距过小,加权C-SVM算法对这类故障样本的识别精度不理想。为提高数据集不均衡下故障程度相近样本的分类准确率,采用二叉树结构与加权C-SVM相结合的方法,综合考虑样本类间距离、类内距离和不均衡程度,优化二叉树结构。结果表明,该算法能够有效处理样本距离过近的不均衡数据集分类问题,从而提高了故障程度相近样本的分类准确率。     

数据缺失下的短时交通流预测

在实际交通数据收集过程中,采集设备故障、维修等问题均易导致采集到的交通数据存在一定的缺失。针对交通数据缺失情况下的交通流预测问题,本文提出了一种基于生成式对抗网络的短时交通流预测模型。该模型由生成网络和判别网络两部分组成。其中,生成网络由全连接层和门控循环单元(GRU)构成,以编码-解码的形式完成对未来交通状态的预测输出;判别网络由多层全连接层构成,通过Wasserstein距离的计算完成对真假样本的有效判断。实验结果表明,本文提出的模型不仅适用于不同比例数据缺失下的短时交通流预测,而且其预测表现优于其他对比模型。