基于一维卷积神经网络的钻杆故障诊断

为了在钻杆故障早期诊断出钻杆的故障类型,提出一种基于一维卷积神经网络的钻杆故障诊断模型,对模型的结构和参数进行详细地设计与分析. 参考现有的卷积神经网络模型,结合钻杆的工作特性以及感受野的原理,设计模型的卷积层和池化层的层数、卷积核的大小以及滑动步长. 该模型省去了对故障信号特征提取的过程,比先前的钻杆故障诊断有更高的诊断准确率. 该模型在不同转速工况下和不同土质工况下均具有较强的适应性和抗噪能力.     

基于1D-RSCNN的嵌入式轴承故障实时检测

针对传统故障诊断模型参数多,训练、检测时间长,抗噪性差,不适用于在线实时诊断的问题,提出了基于残差连接和一维可分离卷积(1D-RSCNN)的滚动轴承故障诊断方法,构建了由Jetson Nano和信号采集电路组成的嵌入式系统.利用一维可分离卷积和全局平均池化对模型尺寸进行压缩,改善传统卷积的运算效率;通过宽卷积核,残差网...     

基于1D-CNN的齿轮3D振动信号故障诊断方法

为了解决从齿轮一维振动信号提取故障特征不全面的问题,提出一种基于一维卷积神经网络（one-dimensional convolutional neural network,1D-CNN）的齿轮3D振动信号故障诊断新方法。首先,提取原始三维振动信号各维的时域特征;其次,利用一维卷积神经网络（1D-CNN）模型进行特征选择;最后,将选择后的特征进行重组,重组特征作为1D-CNN故障诊断模型的输入实现故障分类操作。结果表明,利用提出的故障诊断方法,诊断准确率显著提高。模型的结构简单,训练速度快,能够快速实现故障诊断。     

面向电力变压器油中溶解气体的卷积神经网络诊断方法

油中溶解气体分析法（Dissolved Gas Analysis,DGA）是判断变压器内部故障的重要方法之一。针对传统基于浅层的机器学习方法在变压器故障诊断中存在的特征提取和泛化能力方面的不足,提出了一种基于卷积神经网络的变压器故障诊断方法。利用网络中的卷积层对油中溶解气体进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行提取。通过实验研究了卷积核数目、卷积核大小、池化层、网络深度对模型诊断性能的影响。通过混淆矩阵、ROC曲线和PR曲线对比分析了卷积神经网络模型、支持向量机(Support Vector Machine,SVM) 模型、BP神经网络(Back Propagation Neural Network,BPNN)模型。实验结果表明,卷积神经网络模型的诊断性能更为优秀。     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

声发射与混合维深度融合的滚动轴承智能诊断

针对滚动轴承早期及复合故障难以准确诊断的问题,提出一种基于声发射与混合维深度特征融合的滚动轴承早期故障智能诊断模型,该模型可自适应捕获滚动轴承早期故障特征并自行诊断.首先,将滚动轴承早期原始声发射信号经连续小波变换转化为二维时频图.接着,分别将上述一维、二维数据输入以卷积神经网络(CNN)构建的1D-CNN与2D-CNN智能诊断模型框架,并提出采用基于特征金字塔网络的深度融合算法融合模型的低层与高层特征,同时以全局平均池化层代替全连接层抑制模型过拟合现象.试验结果表明,提出的方法具有更高的准确率、稳定性与鲁棒性.     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断

针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题,本文提出了一种稳定抗噪声故障诊断神经网络(SAFDNN)模型.该模型采用原始振动数据信号作为输入,首先使用卷积神经网络(CNN)进行数据信号特征提取,然后利用双向长短期记忆(BiLSTM)充分提取数据信号的序列特征,接着添加注意力机制进行特征融合以自...     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

声振信号联合1D-CNN的大型电机故障诊断方法

针对复杂运行环境下大功率电动机故障诊断准确率不高、算法泛化能力差的问题,提出一种声振信号联合一维卷积神经网络(1D-CNN)故障诊断方法.首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波(7～20 kHz),叠加低频振动信号(7 kHz内)形成频带更完整的电动机状态表征信息.再对经过滤波提纯处理后的信息进行重叠式数据扩容,获取1D-CNN训练所需大量数据.最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化(local response normalization,LRN)和核函数去相关性改进1D-CNN模型结构,降低抽油机正负半周工况波动对电动机诊断准确性的影响.诊断结果表明:声振信号联合分析的卷积神经网络故障诊断总体诊断准确率达到了97.75%,泛化能力好,与传统的电动机故障诊断方法相比优势明显.     

认知储备在大脑老化中的研究进展

阿尔兹海默症（Alzheimer's disease,AD）一经发现难以逆转,早期诊断对延缓AD的病程发展非常重要.虽然深度卷积网络近年来在图像识别领域有着大量突出的表现,但将从自然图像中训练得到的二维经典的深度网络直接运用到三维的结构磁共振影像（structural magnetic resonance imaging,sMRI）上进行AD疾病状态的分类还存在一些问题.基于194例AD、123例晚期轻度认知障碍（late mild cognitive impairment,LMCI）与105例正常老化（normal control,NC）的sMRI,运用特征迁移学习的方法,从经典的深度卷积模型——AlexNet中提取各阶段受试者的图像特征,并对所提特征进行三维重组,再运用最大池化、主成分分析等方式降维,并运用向前序列选择方法对各分类组进行特征选择,最后运用支持向量机建立分类模型,实现AD、LMCI与NC的分类.在AlexNet的三、四、五层卷积层,AD与NC的分类准确率分别为89.93%、91.28%、87.25%,AD与LMCI的分类结果分别为80.77%、76.92%、78.21%,NC与LMCI的分类结果分别为72.46%、75.45%、73.65%.结果证明,通过经典卷积网络获得的特征,经过三维重组,能够较好地对AD实现分类.

     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征...     

Fault Diagnosis for Rolling Bearings with Stacked Denoising Auto-encoder of Information Aggregation

信息融合型的层叠去噪自动编码器的轴承故障诊断研究

张利，高欣，徐骁

（辽宁大学 信息学院，沈阳 110036）

创新点说明：

1）针对轴承故障信号的复杂性，提出了融合性的层叠去噪自动编码器，其主要方法在于综合了隐藏层结点的信息，对每一个结点的输入信息进行加权，从而更好的包含特征信息。

2） 利用主元分析法的立体抽象形式，进行特征信息的表达比二维更易发掘。

3）利用证据理论，对不同的信息进行融合表达。

研究目的：

主要针对轴承故障信号的敏感特征不易发觉而提出一种信息融合型的去噪自动编码器方法。

研究方法：

在研究中采用西储大学的轴承数据进行测试，研究的对象包括正常，内圈，外圈以及滚动故障的4种类型数据。

其中，考察的指标为:转速，负载量，直径，采样单元。如下表所示:

基于深度学习的机械轴承故障智能诊断

智能故障诊断对于提高智能制造的可靠性具有重要意义。基于深度学习的故障诊断方法在工业领域已经取得了很大的成功,但是不同的模型提取的特征存在一定的差异。针对数据特征提取不全面等问题,提出一种基于深度学习的融合网络模型(CLOD)。首先通过傅里叶变换对故障信号进行时频分析,得到时频谱样本,然后将样本送入经过LSTM模型和改进的CNN模型融合后的卷积网络模型(CLOD)中训练学习,最后通过更新网络参数来提高模型性能,实现轴承故障精确智能诊断。与传统方法比较,CLOD在保证准确率的基础上,极大的增加了模型的拟合速度和稳定性。     

卷积神经网络的优化在车牌号识别上的运用

通过与传统神经网络对比,分析了利用卷积神经网络(CNN)进行车牌号图像识别中的特征提取过程,提出了优化卷积和池化的过程来提高算法的收敛速度和准确率。运用Py Charm环境建立了改进后的车牌号识别模型,并通过实验验证了其正确性与识别速度。通过BP神经网络、传统Le Net-5 CNN和改进后的CNN对相同的字符集进行对比分析实验,得出了改进后的CNN模型的优势。