基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法

针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题,利用卷积神经网络拟合强化学习中的 Q 函数,通过 Q?learning 算法学习策略实现故障诊断,提出了基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法。对振动信号进行连续小波变换得到时间尺度矩阵,构建出环境状态空间,实现智能体与环境间的交互;用 CNN 拟合 Q?learning 中的 Q 函数得到深度 Q 网络,将环境返回的状态输入到深度 Q 网络中学习故障数据具体的状态特征表示,并据此表征学习策略,智能体采用 ε?贪婪方式决策出动作,利用奖励发生器对动作进行评价;通过智能体与环境间不断交互学习以最大化 Q 函数值,得到最优策略实现故障诊断。这种方式融合了深度学习的感知能力和强化学习的决策能力,从而有效提高了诊断能力。通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。     

基于人工神经网络的动力学参数辨识法

针对传统最小二乘法辨识动力学模型精度不高的问题,结合深度学习方法,提出了一种基于人工神经网络的动力学参数辨识方法。使用线型整流单元(ReLU)作为神经网络的激活函数,使用RMSProp算法对神经网络权值进行迭代,使用Dropout方法防止过拟合。采用有限项傅里叶级数轨迹作为激励轨迹,对采集到的数据进行标准化处理及滤波处理。最后,对算法得到的模型进行比较验证。结果表明,本文提出的方法相对于传统方法有较高的精度,不需要对摩擦力进行建模,能够更好地应用于机器人模型控制系统。     

基于中心损失-改进卷积自编码器的滚动轴承半监督故障诊断

当前基于深度学习的旋转机械故障诊断技术，凭借其强大的逐层加工和内置特征变换功能受到广泛关注，然而传统用于故障诊断的深度网络需要大量标签数据，且诊断结果依赖于标签的数量和准确性。为此，提出一种基于中心损失-改进卷积自编码器(center loss-improved convolutional auto-encoder, CL-ICAE)的半监督故障诊断方法。该方法首先利用连续小波变换将故障信号转换为时频图，细化故障特征表征；之后构建改进的卷积自编码器网络结构，并引入批量归一化(batch normalization, BN)和Dropout,在特征提取阶段防止过拟合；之后在分类阶段，通过将中心损失(center loss)引入Softmax损失函数，构建联合损失函数，使故障特征实现类内距离更小，特征差异更大，进一步提高分类精度。最后，将所提方法通过凯斯西储大学轴承数据集和轴承故障试验平台进行验证，结果表明在少量标签样本情况下，均可实现有效的故障诊断，提升诊断准确率。     

改进生成对抗网络及其在结构非线性模型修正中的应用

提出改进生成对抗网络（Generative Adversarial Network，GAN）并在结构非线性模型修正中成功应用。在改进的GAN中，通过引入代理模型的方式，增强网络判别器对非线性结构各节点响应关系特征的学习能力；为避免传统GAN存在的梯度消失问题，使用跳跃连接和密集连接等方式加强网络层之间的信息交流，并且通过引入组合目标函数，构建模型输入响应与输出参数之间的映射关系实现网络训练。在进行结构非线性模型修正时，结构的动力响应作为网络模型的输入，训练好的GAN模型能够根据输入数据的特征，输出非线性模型参数的最优值，从而实现结构非线性模型修正。通过对地震荷载作用下的12层钢筋混凝土框架结构进行数值模拟，验证了方法的可行性，并通过对比基于卷积神经网络的非线性模型修正结果，验证所提方法的优越性；最后进一步结合地震荷载作用下的悬臂铝梁振动台实验，验证了该非线性模型修正方法的可靠性。     

基于细菌觅食决策和深度置信网络的滚动轴承故障诊断

在利用深度置信网络进行滚动轴承故障诊断时,网络结构的设置不仅影响诊断的结果,还影响计算效率。为提高滚动轴承故障诊断的准确率,提出基于细菌觅食决策和深度置信网络的滚动轴承故障诊断方法。该方法利用采集的样本数据对深度置信网络进行训练,以构造细菌觅食决策算法的适应度函数,通过计算各个细菌的适应度来衡量模型的优劣。由于细菌觅食决策算法具有并行搜索能力,能有效选取深度置信网络各隐节点数、学习率、动量等参数,生成合适的分类器提高滚动轴承故障诊断的准确率。实验中,与SVM(Support Vector Machines)、BPNN(Back Propagation Neural Network)、KNN(k-Nearest Neighbor)等方法做比较,所提方法对滚动轴承故障诊断的准确率达到97.83%,能更加高效、准确的识别滚动轴承故障。     

基于随机Dropout卷积神经网络的人体行为识别方法研究

为进一步提高卷积神经网络在训练样本较少时的泛化能力,使其能更好地应用于视频中人体行为的识别问题,本文将随机Dropout应用于卷积神经网络模型的分类器阶段.该方法可以在网络训练过程中随机选择"冻结"一定比例神经元,使每次网络更新时神经元的连接次序发生变化,由此网络权值的更新不再依赖于有固定关系隐含节点的共同作用.在Weizmann数据集上进行实验,将加入随机Dropout的卷积神经网络与未加入的进行比较,发现加入随机Dropout的网络在各类行为识别上均取得了较高的识别率,可以有效防止过拟合.     

融合注意力机制的改进DBN变工况齿轮箱故障诊断方法

针对齿轮箱在交变工况下运行时导致的故障模式难以识别、分类精度降低的问题,提出融合注意力机制的改进深度置信网络(DBN)变工况齿轮箱故障诊断方法。为解决齿轮箱单一时、频域特征反应故障信息不全面、异常不敏感问题,提取时域、频域、小波包时频域特征形成高维特征集。利用深度置信网络具有的贪心学习优势分别对其进行挖掘,同时结合注意力机制自适应对描述齿轮箱状态有效的特征给予更多“注意”,从而提高齿轮箱故障诊断精度。引进余弦损失函数降低深度置信网络对不同工况振动强度的敏感性,从而减轻网络拟合负担、提高泛化能力。齿轮箱变工况故障诊断试验结果表明,所提方法有效提高了变工况下齿轮箱故障诊断精度,同时具有很好的泛化能力。     

基于改进卷积神经网络的滚动轴承智能故障诊断研究

卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。     

骨导语音库的建立与骨气导语音的互信息分析

首先设计了适用于骨导语音增强的语料采集方案,采集了1 320句涵盖音节全面的语料,并制定了相应的录音规范;其次介绍了骨导语音库建立的意义,说明了语音库建立的实施方案,建成了由40个说话人录制的包括气导语音和骨导语音各8 000句的语音库;然后在对比骨导语音与气导语音声学特性的基础上,分析了骨气导语音在高频和低频的互信息量,为骨导语音的增强提供了理论依据;最后基于现阶段的研究及文中构建的语音库对今后的研究做出展望。     

基于深度压缩感知的语音增强模型

随着压缩感知的深入研究,压缩感知在语音增强方面的应用也备受关注。针对传统压缩感知语音增强算法中存在的不足,将压缩感知与深度学习结合构建名为基于深度压缩感知的语音增强模型(Speech Enhancement based on Deep Compressed Sensing, SEDCS)。基于压缩感知原理使用编解码模型代替压缩感知中语音信号稀疏过程,使用卷积神经网络代替测量矩阵实现语音信号观测降维过程,通过联合训练的方式实现语音增强。实验结果表明：该模型能够完成语音增强任务,并且与现有的压缩感知语音增强算法相比,该模型能取得较好的语音增强效果;相比利用深度学习的语音增强算法,该模型虽性能一般,但在模型泛化性能和测试阶段的增强时间效率上有一定提升。     

不依赖于子波的声波多尺度全波形反演方法

伴随着油气勘探目标复杂性的日益增加,对速度场建模和成像方法都提出了更高的要求。声波介质下的全波形反演方法是现阶段精度最高的速度场建模方法,在复杂介质速度场建模方面具有一定的应用前景。然而,传统的波形反演方法对地震子波的准确性具有较高的依赖性,并且在地震数据主频较高的情况下难以得到有效的反演结果。为此,基于声波方程,通过修改维纳滤波器,通过利用参考道构建滤波器,提出了一种不依赖于子波的全波形反演方法,能够有效避免波形反演对子波的依赖性。由于滤波器目标子波选取较为自由,该方法可以与多尺度反演策略有机结合,实现频率由低到高的递进反演,能够进一步提高反演的稳定性。理论分析和模型试算证明,采用不依赖于子波的多尺度反演方法能够有效避免子波提取问题,在子波错误的情况下可以得到准确的反演结果,并且能够在保证反演稳定性的基础上提高反演精度,反演效果优于传统的波形反演方法。     

河流截面流量与速度水位关系的拟合研究

基于声学多普勒流速剖面仪测得的不同水位河流截面的平均流速,研究了走航式宽带声学多普勒流量测量系统中,流量与速度水位关系的拟合表达式。采用窄深矩形截面和梯形截面流速分布模型,结合声学多普勒流速剖面仪求得不同水位下的平均流速值,在MATLAB平台下,对两种不同截面中流量与速度水位关系进行了拟合,并求得均方根误差检验拟合的精度。仿真结果表明:通过走航式宽带声学多普勒流量测量算法求得的河流截面流量,与由流速分布模型求得的流量真值间的误差,满足单次流量测验允许的误差要求,表明给出的流量与速度水位关系拟合公式能够较好地表现河流截面的流量变化趋势。对于天然明渠流量推算具有重要的参考价值。     

以简正波解为初始场的抛物方程算法应用于深海声传播预报

在深海中,环境参数不仅在深度上起伏变化,在水平方向上也会因内波、涡旋、锋面、洋流等现象而发生变化。对于深海声传播的预报,仍是一个值得进一步探讨的问题。简正波方法具有物理意义明确、但仅适用于水平方向环境参数不变的波导的特点,而抛物方程方法能够便捷地处理与深度、距离有关的声速、地形等环境,但其解缺乏清晰的物理意义。采用简正波解为抛物方程法的初始场,利用Ram随距离逐步递推的数值方法计算整个海域的声能量,计算存在涡旋等复杂海洋环境下的声传播特点。结果表明,该方法不仅可以计算各种环境条件下的各阶简正波的传播特点以及能量变化,而且便于深入地分析深海环境中各阶简正波的耦合特点与能量变化,计算效率大大提高且具有很高的准确性。可以作为浅海和深海中高、低频传播的通用模型。     

超声切削加工的声系统阻抗匹配问题研究

匹配电路作为超声发生器的电系统与声系统的传输纽带,其设计的好坏决定了整个超声加工系统的工作性能。基于实验,分析了匹配电路元件的不同连接方式对声系统性能的影响;提出了基于最小功率点与能量传输效率综合最优的匹配方式与原则,并验证了此种匹配方式能大幅提升切削加工的稳定性。为同类超声加工工艺的匹配电路参数的选取和声系统性能优化提供了依据。     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

强干扰环境下声源可视化重建方法的研究进展

准确识别噪声源是机电产品噪声控制的关键,其中,近场声全息和波束形成是两种常用的声源可视化重建方法,分别适用于近场低频和远场高频声源重建的情况。传统的声全息和波束形成方法基于自由场假设,即适用于目标声源辐射声与干扰噪声之间的信噪比大于10 dB的情况。然而很多机电产品的噪声测试只能在工作现场进行,不满足自由场条件。为此,从声学传播方程和信号处理两个方面出发,回顾了强干扰环境下声源可视化重建方法的研究发展历程,评点了每种方法的特点和适用范围。重点介绍了强干扰环境下的近场声全息方法,包括声场分离法和逆块传递函数法。另外,还介绍了混响环境下的声源重建方法以及基于信号处理的信号噪声分离方法。最后,讨论了强干扰环境下声源重建有待解决的问题及其发展趋势。     

舰船尾流侧向声检测方法

舰船尾流声检测是水下航行体实现自动搜索、跟踪、攻击水面舰艇目标的最有效途径之一,当前工程应用和相关研究主要集中于从尾流下方实施的顶视声尾流检测方法.为了进一步研究水下航行体新型尾流检测技术,提高尾流自导性能及抗干扰能力,研究了舰船尾流的侧向声散射检测方法.分析了舰船尾流的几何特性和声特性,进行了实验室模拟尾流的气幕声散...     

互相关函数步长影响超声波评价涂层应力的实验研究

以声弹效应理论为基础,结合力学拉伸实验,采用表面超声波法对涂层应力进行评价,并在互相关函数法的基础上计算应力引起的信号间时间延迟.结果表明:当涂层试样处于弹性变形范围内时,随着应力的增加,表面超声波在涂层中的传播速度逐渐变大,而当拉伸应力达到一定值使得涂层内部出现微裂纹时,随着应力的增加,伴随着裂纹的扩展超声波波速会出...     

多线函数法在曲线拟合中的应用研究

为了研究某些现象的发展趋势,需要用到各类曲线拟合方法,如多项式趋势模型、对数趋势模型等。基于多面函数法原理提出了多线函数法,应用于曲线拟合。为了验证该方法的可行性,在MATLAB平台开发程序对某铁路中线进行拟合计算,通过与多项式拟合方法在各种条件下的实验对比,证明多线函数法具有精度高、计算简单等优点,是一种优秀的曲线拟合方法。