基于油液-振动多维特征与PSO-LSTM的齿轮箱磨损状态监测

针对单独从振动特征、油液特征对齿轮箱进行磨损状态监测存在特征维度单一、准确率低的问题，提出基于油液-振动多维特征与粒子群优化算法-长短时记忆神经网络(PSO-LSTM)的齿轮箱磨损状态监测算法。对铁谱图像进行预处理，提取磨粒浓度特征、磨粒个数特征，对振动信号进行小波阈值去噪，并提取时域特征，得到油液振动十四维特征作为LSTM模型的输入；采用粒子群优化算法对LSTM模型进行参数寻优。实验验证：使用油液振动十四维特征的PSO-LSTM模型的识别准确率要优于单独使用振动和油液特征的PSO-LSTM模型，PSO-LSTM模型对于油液振动十四维特征数据的识别准确率全面优于未经优化的LSTM模型。     

基于特征向量提取和SVM分类器的课堂人脸识别研究

针对课堂考勤时人脸角度、表情变化和人脸部分遮挡导致人脸识别算法识别不准的问题,本文提出一种基于特征向量提取和SVM(SupportVectorMachine)分类器的人脸识别方法。其中,深度神经网络模型经过三元组损失函数(tripletloss)优化可以提取人脸图像在欧氏空间的特征向量,将特征向量输入SVM分类器进行训练,利用训练好的SVM分类器可进行人脸识别。在实际课堂考勤实验中,本文提出的人脸识别方法在人脸角度、表情变化和人脸部分遮挡的情况下人脸识别准确率能达到92.68%。     

非负自编码网络基于部分特征表示的变工况滚动轴承状态识别

为获取数据基于部分特征表示及提升稀疏性,在深度网络中嵌入非负约束,并提出基于非负约束自编码深度网络的滚动轴承状态识别方法。堆栈多个自编码器以及分类层,构建状态特征自学习与状态识别一体化模型。以轴承振动信号时频幅值谱作为网络输入,采用嵌入非负约束限制的无监督逐层预训练和有监督微调算法实现模型优化。深度网络逐层自编码提取数据内在特征,非负约束和加噪编码提升了深度网络的基于部分特征表示能力,并降低了工况变化、噪声干扰等因素影响。将所提方法分别应用于两类滚动轴承的振动数据分析,对时变工况下4种不同状态轴承以及恒定工况下8种不同状态轴承的平均识别准确率分别为97.99%和97.32%,其中保持器不同磨损程度轴承平均识别准确率为95.64%,同时所提方法在不同加噪情况下表现出良好抗噪能力。     

构建多尺度深度卷积神经网络行为识别模型

为了减化传统人体行为识别方法中的特征提取过程,提高所提取特征的泛化性能,本文提出了一种基于深度卷积神经网络和多尺度信息的人体行为识别方法。该方法以深度视频为研究对象,通过构建基于卷积神经网络的深度结构,并融合粗粒度的全局行为模式与细粒度的局部手部动作等多尺度信息来研究人体行为的识别。MSRDailyActivity3D数据集上的实验得出该数据集上第11~16种行为的平均识别准确率为98%,所有行为的平均识别准确率为60.625%。结果表明,本方法能对人体行为进行有效识别,基本能准确识别运动较为明显的人体行为,对仅有手部局部运动的行为的识别准确率有所下降。     

人体姿态估计及在康复训练情景交互中的应用

情景交互式康复训练和效果评估需求患者主要关节的三维空间位置,已有的人体姿态估计方法需要患者佩戴多种传感器或光学标志,可能影响运动和导致心理不适。同时,Kinect自带的骨骼绑定算法在人体被部分遮挡时可能无法识别或误识别。为此,提出一种基于OpenPose和Kinect的三维人体姿态估计方法,并创新应用到康复训练中。首先描述了将OpenPose算法得到的二维关节点坐标与Kinect获得的深度数据融合获得三维关节点坐标的方法;再通过霍特双参数指数平滑法对关节点运动轨迹进行平滑和预测;接着介绍了应用该方法研制基于ROS的渐进式康复训练情景交互的方法。实验表明只需一台Kinect就可捕捉人体关节点的三维坐标,使用方便、实时性好。训练获得的三维姿态数据可用于康复效果评估。     

基于VMD形态梯度谱与BAS-RF的变压器绕组松动诊断

为有效提取变压器振动信号中的绕组状态信息,提出一种基于变分模态分解（variationalmode decomposition,简称VMD）、形态梯度谱的特征提取,采用天牛须搜索算法优化随机森林（beetle antennae searchrandom forest,简称BAS-RF）识别绕组松动状态的诊断方法。首先,将实测变压器振动信号经VMD分解得到若干个模态分量;其次,计算多个尺度的形态梯度谱以形成初始特征样本集,为防止维数灾难,使用主成分分析法对初始特征样本集进行降维处理;最后,利用天牛须搜索算法对随机森林中决策树的个数和树的深度进行寻优以构造分类器模型,实现对变压器绕组松动状态的识别。实验结果表明,该方法能有效提取变压器绕组松动故障特征信息,且具有优良的抗噪性能,构建的BAS-RF模型具有较高的识别准确率和识别速度。     

基于足底压力的不规范深蹲姿势识别

深蹲被称为力量训练之王,但不正确的姿势会对人体产生不可逆转的伤害。 提出了一种利用足底压力来检测常见不 正确的蹲姿的方法。 使用带 8 个压力传感器的鞋垫收集了 1 组正确蹲姿和 4 组常见错误蹲姿的数据,提出了对这些连续蹲 姿数据进行分割的算法,并对压力云图进行了分析。 然后设计了 3 组深度神经网络作为分类器,分别是引入注意力机制的 长短期记忆网络( att-LSTM) 、长短期记忆网络(LSTM)和卷积神经网络(CNN) 。 实验结果表明,3 组模型的测试准确率分别 为 90. 2% 、83. 0% 和 79. 8% 。 结果表明,采用引入注意力机制的 LSTM 作为分类算法是一种有效的蹲姿检测方法。     

基于模糊小波极限学习机的刀具磨损状态识别

刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型.     

融合卷积块注意力模块和Siamese神经网络的人脸识别算法

针对传统人脸识别方法识别性能较差,基于深度学习的方法在非限制条件下识别较为困难,人脸特征区分性弱,识别精度容易受到姿势、表情等方面影响的问题,提出了一种引入卷积块注意力模块的孪生神经网络模型结构。该结构是基于孪生神经网络（Siamese neural network）的基础框架进行改进的,在框架中引入改进的VGG11＿BN模型进行特征提取。该模型是在VGG11结构的基础上引入批归一化（Batch Normalization,BN）技术,在原模型结构的基础上,提出引入CBAM混合注意力机制的特征提取网络;最后,针对目前亚洲人的人脸识别训练较少的情况,采用更加符合亚洲人脸特征的CASIA-FaceV5数据集进行识别训练。实验结果表明：本文算法在人脸识别方面的准确率达到了96.67%,并且在CAS-PEAL-R1人脸数据集上比SRGES,VGG11+siamese算法的准确率分别提升6.05%,6.7%。该算法可以在多因素影响下更好地进行人脸识别验证,具有良好的稳定性。     

模拟初级视觉皮层增强CNN神经网络结构的稳定性

针对卷积网络模型的稳定性能较差,对抗训练方法会使得网络结构过于复杂并占用大量运算资源的问题,提出了一种基于人体视觉神经系统生物特征的卷积神经网络模型改进方法（VVNet）。在卷积神经网络的基础上,融合人体视觉的结构特征,在不增加网络层数或保持准确率不变的情况下,提高神经网络面对噪声干扰的稳定性。在数据集Cifar10上对3种不同神经网络模型（VVNet,VOneNet以及原网络模型）进行测试。实验结果表明,使用VVNet网络模型、VOneNet网络模型和原始的网络模型DenseNet121对四类图像（噪声图像、模糊图像、遮挡图像和饱和曝光图像）的分类准确率进行对比,验证了提出的VVNet网络结构对不同类型图像的分类准确率几乎不变,在使用对抗样本情况下,VVNet网络结构的图像分类准确率提高了约10%。与深度学习网络相比,基于人体视觉系统结构的网络能够在保持准确率的同时有效地提高神经网络的稳定性,并具有可移植性。     

密集遮挡条件下的步态识别

步态识别算法主要依赖行人目标的时序轮廓进行特征提取和判别。在实际应用中行人具有结伴行走的特点，轮廓提取易受到其他行人的遮挡和干扰，大幅降低了步态识别算法的精度。为提高人员密集遮挡严重的场景下步态识别算法的鲁棒性，提出一种基于无序序列的深度步态识别算法。首先在Casia-B数据集的基础上进行仿真，建立遮挡情况下的目标轮廓仿真数据集，用于对算法进行遮挡鲁棒性验证；其次，提出基于随机二值膨胀的数据增广方法，同时通过理论和实验论证了HPP(Horizontal Pyramid Pooling)结构在步态识别问题中的局限性，提出退化水平金字塔结构DHPP，利用DHPP结构、CoordConv方法和联合训练裁剪方法的配合，在深度特征中增强绝对位置信息的感知能力，提升算法遮挡鲁棒性的同时减少目标特征表达维度。实验结果表明，所提方法对于步态识别的鲁棒性提升效果明显。     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

基于三维深度卷积神经网络的车间生产行为识别

传统的依赖视频监控的人员行为管理方式费时且易产生疏漏,难以适用复杂的生产制造环境,为了实现更加有效的人员行为管理,针对生产车间工作人员行为识别与智能监控问题,提出一种基于人体骨架信息的生产行为识别方法。基于三维深度视觉传感器采集人体骨架关节位置数据,用标准化重构方法对骨架关节数据进行归一化处理,合成人体行为的时空特征RGB图像。在此基础上构建深度卷积神经网络模型,进行时空域的生产行为识别。最后通过CUDA GPU加速环境下面向MSR-Action3D数据集和自建验证数据集NJUST3D进行实验验证,说明所提方法具有较高的准确率和实用价值。     

基于轴箱振动与动力学模型驱动的高速列车车轮失圆状态识别方法

针对高速列车车轮失圆识别难以兼顾效率与精度问题,提出一种基于轴箱振动与动力学模型的高速列车车轮失圆状态智能识别方法。首先,利用静态检测设备采集车轮非圆原始数据,提出一种数据增强技术构建车轮非圆增强数据集。其次,将增强数据集输入至高速列车车辆—轨道耦合动力学模型,获取车轮不同失圆状态下轴箱振动样本集。最后,通过构建恰当结构与配置参数的一维卷积神经网络(1-dimensional convolutional neural network,1-DCNN),可对轴箱振动信号进行自适应特征提取,实现对车轮失圆状态的智能识别分类。结果表明：提出的车轮失圆状态智能识别方法能实现正常车轮、多边形车轮、擦伤车轮、随机非圆化车轮与局部缺陷车轮5类车轮失圆状态的智能分类,准确率达99.2%(标准差为0.05),且单个样本平均识别耗时为0.4 ms。结合现场试验,所提方法对实测轴箱振动具有较好识别能力,测试精度为95%。与经典的SVM和BP神经网络相比,1-DCNN模型具有更高的识别准确度。     

基于模型约束的人体姿态视觉识别算法研究

针对移乘服务机器人对人体姿态识别高精度性的要求,以及现有的人体姿态识别方法在关节遮挡情况下识别精度低的问题,提出了一种基于模型约束的人体姿态识别算法,以解决移乘操作前机器人系统对人体关节空间坐标的精确提取。首先采用OpenPose算法识别彩色图像中未遮挡关节的像素坐标,通过对RGB-D相机的彩色图像与深度图像进行对齐,将关节像素坐标转换为3D坐标。然后依据人体模型相关参数以及未被遮挡关节坐标计算与之相连接的被遮挡关节的空间坐标,用于提高遮挡关节的识别精度。实验结果表明,所提出的算法在关节未遮挡时识别精度为92%,在关节遮挡时达到了90%。单帧计算平均用时约为190 ms,满足移动服务机器人操作的实时性要求。     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

BGA焊球视觉检测算法及系统设计

为了实现对BGA焊球的自动检测,建立了自动视觉检测系统。对系统所采用的焊球特征进行提取及缺陷识别,基于高斯混合模型的分类器对检测算法进行研究。根据焊球的形状和尺寸特征设计了焊球缺陷识别和分类算法,并以锡多、锡少和毛刺缺陷为例,分析典型缺陷的识别算法。以焊球形状的圆度和特征区域的面积等特征参数为评价标准,构建二维特征空间。在二维特征空间线性组合的基础上,构建基于高斯混合模型的分类器。构建了训练样本集,并对该分类器进行训练,根据训练结果并结合应用实际修正了模型,并采用测试集对该分类器进行测试验证。实验结果表明,焊球缺陷检测算法的准确度为97.06%,漏判率为0%,检测可靠度为100%。该视觉检测系统满足了工程运用中对识别准确度、稳定性、可靠性等方面的要求。     

基于深度图像的零件识别及装配监测

针对机械产品装配中零件和装配体的识别、监测问题,提出一种基于深度图像和像素分类的装配体零件识别及装配监测方法。首先构建装配体深度图像标记样本集,包括合成标记样本集和真实标记样本集;然后提取深度差分特征,利用随机森林分类器对深度图像的像素进行分类,获取像素预测图像;最后通过对比像素预测图像和颜色标签图像对装配体各零件进行识别,并对比待测状态像素预测图像和正确装配像素预测图像,实现对装配过程的监测。为了提高边缘像素点的分类准确率,引入边缘因子。实验结果表明,该方法不但准确率高,而且兼具一定实时性和鲁棒性,在装配维修诱导、装配监测和自动化装配领域具有一定应用价值。     

双阶段帕金森病语音聚类包络卷积稀疏迁移学习算法

帕金森病(PD)语音识别算法研究对于其及时诊疗具有重要意义,但现有PD语音识别算法面临小样本数据量问题挑战。针对问题,本文提出双面双阶段均值聚类包络和卷积稀疏迁移学习算法。在双阶段学习方面,首先基于源数据集训练多组卷积核,然后通过中间集得到最优卷积核并对目标集进行编码。在深度样本聚类包络方面,首先设计迭代均值聚类算法构建深度样本空间;然后进行样本特征同时选择并训练分类器模型;最后对不同样本空间的分类结果进行融合。实验选取代表性的PD语音数据集进行验证。实验结果表明,本文算法创新部分有效,与10多个经典和最新相关文献算法相比取得了显著改进,准确率达97.8%。此外,本文算法的时间复杂度不高,满足临床应用要求。     

基于深度学习方法的航空发动机寿命预测模型

为提高航空发动机剩余寿命（remaining useful life,简称RUL）预测能力,构建了一种注意力机制与长短期记忆网络（long short-term memory,简称LSTM）融合的深度学习模型。首先,分析多元高维的运行参数与RUL之间的协方差相关性,实现数据降维,优化模型权重;其次,利用运行参数的时序退化特性提高模型的回归预测效果。在NASA发动机数据集上实验的均方根误差（root mean square error,简称RMSE）范围为[4.83,13.66],与卷积神经网络（convolutionneuralnetworks,简称CNN）、LSTM和双向长短期记忆网络（bi-directionallongshort-term memory,简称Bi-LSTM）方法相比,极大地提高了预测的准确度,实现了超前预测。合并样本的方法提高了模型的泛化性,对不同类型的发动机RUL预测具有指导意义。