基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点，传统的方法难以较好地实现旋转机械故障诊断。近年来，基于深度学习的故障诊断算法发展迅速，其中，卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注，但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断，在经典卷积神经网络结构的基础上，引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法，构造了一种新型的、高效的空洞卷积神经网络（Atrous Convolution-Convolutional Neural Network,AC-CNN），并基于该模型进行了旋转机械故障诊断实验。实验结果表明，提出的故障诊断模型分类准确率可达99%以上，对比其他神经网络方法具有明显优势。     

基于大数据算法模型的电力运维故障诊断方法研究

文章研究了一种基于大数据的深度学习模型,将其应用于电力运维故障诊断设备中。该模型通过整合卷积神经网络（Convolutional Neural Networks,CNN）和递归神经网络（Recurrent Neural Network,RNN）,可以快速且精准地诊断电力设备故障,从而提高电力系统的可靠性和运行效率。     

基于多通道卷积的电梯异常振动故障诊断

电梯是人们生产生活的必要工具,其振动与电梯安全运行密切相关。目前电梯的故障诊断方法缺乏对于电梯运行数据的充分利用,难以准确地找到导致电梯异常振动的原因。针对这一问题,提出了一种多通道一维卷积神经网络的电梯异常振动故障诊断方法,该方法充分利用了电梯的振动数据信息。首先,通过经验模态分解将振动信号分解为多个固有模态函数信号,从而获得多重互补的故障特征作为多通道输入;然后,构建多通道一维卷积神经网络,进行多通道信号特征融合提取,实现对多种电梯异常振动的准确分类。使用电梯动力学模型得到多种电梯导轨异常的仿真数据,用所提方法针对实验仿真数据进行训练和验证,结果表明所提方法模型具有良好的收敛能力与鲁棒性能,并且具有较好的分类精度。     

基于CNN-BiGRU网络的CPM调制指数识别

连续相位调制(Continuous Phase Modulation,CPM)作为一类频带利用率高的非线性数字调制信号,在移动通信和卫星通信领域都有着广泛的应用前景.针对目前低信噪比下CPM信号的调制参数识别困难的问题,提出了一种卷积神经网络级联双向门控循环网络(Convolutional Neural Network...     

基于混合神经网络的图像复原方法

针对传统图像复原方法对先验知识的依赖性问题,提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络（Convolutional Neural Network）与BP神经网络组成。首先,通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系,再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后,通过训练BP神经网络实现图像复原。实验表明,该方法具有较高可行性,在小尺度的模糊核上的复原效果优于现有方法。     

基于卷积神经网络的植物叶片分类

回顾近年来国内外植物叶片分类的研究进展,指出传统方法存在的缺陷。简述卷积神经网络在图像分类的优势,为了简单高效地对植物叶片进行识别,提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的植物叶片识别方法。在Swedish叶片数据集上的实验结果表明,本算法识别正确率高达99.56%,显著优于传统的叶片识别算法。     

基于CNN-RVM的输电杆塔外破振动识别方案

针对现有杆塔状态检测方案缺乏外破振动识别的现状,提出了一种基于深度学习模型的杆塔外破振动识别技术。首先获取外破条件下的输电杆塔外破振动信号和不同风激励条件下的输电杆塔振动信号,应用延时嵌陷技术对振动信号预处理,将原始信号转为二维形式后送入卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,并采用相关向量机(Relevance Vector Machine, RVM)分类器实现振动模式识别;通过多次实验,确定CNN的最佳参数,再利用softmax分类器和梯度下降法对CNN的权值和阈值进行调整,最终得到高精度识别结构。仿真结果表明,提出的CNN-RVM识别模型在三种振动条件实验中准确率都高于99%,相比于国内外现有其它振动识别方案,具有高精度和高效率的优点。     

基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法

针对工业领域中故障诊断数据存在时序性和夹杂强噪声的特点导致的收敛速度慢以及诊断精度低的问题,提出了一种基于改进一维卷积和双向长短期记忆（1DCNN-BiLSTM）神经网络融合的故障诊断方法。该方法包括故障振动信号的预处理、特征的自动提取以及振动信号的分类。首先,采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理;其次,构建1DCNN-BiLSTM双通道模型,将处理后信号输入双向长短期记忆（BiLSTM）神经网络模型和一维卷积神经网络（1DCNN）模型两个通道,从而对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取;然后,针对信号夹杂强噪声的问题,对压缩与激励网络（SENet）模块进行改进并将其作用于两个不同的通道;最后,输入全连接层将双通道提取的特征进行融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验,结果表明改进后的SENet模块同时作用于1DCNN通道和stacked BiLSTM通道,1DCNN-BiLSTM双通道模型在保证快速收敛的情况下有最高诊断精度96.87%,优于传统单通道模型,有效提高了机械设备故障诊断效率。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

航发喘振智能化故障诊断模型研究

针对航空发动机的喘振故障严重影响飞机安全运行的问题，提出了一种基于深度学习的航发喘振智能化故障诊断模型。结合喘振的生成机理对航空发动机传感器数据进行喘振故障分析，采用基于滑动窗口的数据预处理算法构造数据集和标签集；集成卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆(Long-Short Term Memory, LSTM)网络，设计出针对航发喘振故障诊断的深度神经网络模型(1D-CLSTM);在所构建的数据集上，对所提模型与当下流行的深度神经网络进行比较。实验结果表明，所提模型对喘振故障分类的F1分数(F1＿score)、召回率(Recall)和精确度(Precision)分别达到了96.45%、95.48%、97.46%,优于其它网络模型。所提模型在时序信号处理与旋转机械智能化故障诊断方面有着较高的应用和推广价值。