基于矩阵乘积态的机械故障诊断方法研究

在机械故障诊断中,针对传统神经网络处理高阶数据难度大、网络参数多、耗费大量计算资源的不足,提出了一种基于矩阵乘积态的张量网络故障诊断方法。通过输入高阶张量故障数据到矩阵乘积态故障诊断模型中,将高阶张量表示为多个低阶张量,从而简化数据结构和参数量。为了验证该方法的有效性,将其应用在齿轮的故障诊断中,并与传统的卷积神经网络故障诊断模型进行对比。同时,验证了键维度对模型准确率的影响。结果表明：所提模型的键维度会影响模型准确率,键维度为16的模型准确率高于键维度为8的模型准确率;该模型在减小数据复杂度的同时,还可以识别不同故障类型,准确率达到90%,比传统的卷积神经网络故障诊断模型性能更好。     

基于集成数据驱动方法的焊接接头疲劳寿命预测模型

文中基于集成数据驱动方法 (临界合成少数过采样技术、极端梯度提升算法、深度卷积神经网络)建立了一种新型疲劳寿命智能预测模型.其中，临界合成少数过采样技术用于疲劳性能数据库的数据增强，极端梯度提升算法实现疲劳寿命影响因素的权重分析，深度卷积神经网络作为模型框架用于理解疲劳寿命及其影响因素之间的多重非线性关系.根据不同技术组合的分析，发现权重分析和数据增强均有利于预测精度的提高，前者效果优于后者.并通过与其他新颖预测模型的对比，验证了所提出的方法的预测准确度和稳定性.     

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络（CNN-LSTM）相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络（CNN）、长短时记忆神经网络（LSTM）进行对比实验。结果表明：所提方法CNN-LSTM有着较高的预测准确度。     

基于能量流和仿真的压铸机能耗建模与评估北大核心

针对压铸机能耗高、能量利用率低的问题,提出一种基于能量流和仿真的压铸机能耗模型,研究压铸机能耗特性与重要工艺参数对系统能耗的影响;针对压铸机能耗等级评估周期长、成本高的问题,提出一种基于能耗模型仿真测算压铸机能耗等级的新方法。分析压铸机的能量流特性,根据其能耗分布规律和能量守恒原理,构建压铸机能耗计算模型;采用AMESim与C语言联合仿真,建立压铸机液压系统能耗仿真模型,研究压铸机不同增压压力与不同快压射速度对系统能耗的影响;仿真得出压铸机能耗数据,并按相关标准评估压铸机的能效等级。研究结果显示合开模过程能效较高,有用功约占总能耗的50%;压射过程能效较低,有用功约占总能耗的21%,快速压射阶段瞬时功率非常高;增压压力与快速压射速度变化均对压射机构能耗影响较小;仿真测算出的压铸机能效等级与实测结果接近,比能耗误差为8%,显示提出模型与方法具有较好的准确性与可行性。     

基于卷积神经网络的网络节点异常数据检测方法

异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题,提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据,并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数,构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征,解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试,结果表明该方法具有很好的检测性能和较高的可靠性     

基于多尺度卷积神经网络的轴承剩余寿命预测

针对滚动轴承剩余寿命难预测的情况,在分析了轴承原始信号特征提取困难的基础上,提出了基于多尺度卷积神经网络的轴承剩余寿命预测方法。该方法将原始振动加速度信号作为输入,依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块这4部分进行处理,最后输出预测的剩余寿命。同时提出了一种新型的改进均方误差作为网络的损失函数,取得了较好的效果。通过对轴承寿命预测实验的测试数据进行预测分析,该方法能够有效的预测轴承的剩余寿命。     

基于多尺度1DCNN的滚动轴承故障诊断

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明：该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

基于1DCNN-BiLSTM的端到端滚动轴承故障诊断方法

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题,提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征,并在卷积层后引入批正则化层,以消除数据的不规则性对权重优化的影响,并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力,通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后,通过滚动轴承试验数据对文中方法进行验证。结果表明：与传统方法相比,文中方法不仅训练速度更快,而且故障诊断准确率也大幅提高。     

基于LMNN的航空发动机维修等级决策

针对航空发动机维修等级之间界限模糊、决策准确度较低的问题,提出一种基于大间隔近邻（LMNN）算法和K近邻算法的发动机维修等级决策方法。首先以发动机历史维修数据为基础,通过大间隔近邻算法获取变换矩阵;再利用变换矩阵将发动机监测数据映射到最优的特征空间;最后采用K近邻算法以优化后的数据为训练样本建立决策模型,对发动机下发时的状态进行评估确定其维修等级。采用某型航空发动机的状态参数和维修等级数据验证了该方法的有效性,其决策准确度高于常用的支持向量机模型和神经网络模型。     

基于SO-LSTM的立柱液压系统故障诊断方法研究

针对目前无法快速、准确地诊断矿用立柱液压系统故障等问题,在建立仿真模型分析单一故障机制的基础上,基于优化算法提出多种故障诊断方法。将立柱物理模块与立柱液压系统模块相结合,建立立柱液压系统仿真模型;基于Simulink分析单一故障的影响,基于蛇优化LSTM神经网络建立诊断模型;最后,根据实际数据进行模型的实例验证。结果表明：蛇优化LSTM模型对液压立柱故障仿真数据识别率达到99.5%,对液压立柱故障真实数据识别率达到97%,与模型仿真数据的预测精度仅相差2.5%,预测精度较高,达到了预期目标。     

基于对抗自编码模型的高速泵异常检测北大核心

针对传统大型旋转机械健康状态评估中过分依赖人工经验和对复杂信号的处理通用性较差的问题,基于对抗自编码模型提出一种误差阈值异常检测方法。直接利用设备振动信号进行特征提取与运行状态建模,利用正常状态下设备的振动状态数据建立分布模型;通过深度学习的方式学习振动数据的内在特征,并引入误差阈值作为故障预警的决策准则,实现设备运行状态的高效评估;以一台高转速离心泵为测试对象验证所提方法。结果表明:对抗自编码模型对异常数据的判断准确率能达到100%,该方法能够基于监测数据对旋转设备运行状态进行有效检测;相比于传统自编码神经网络,该方法的诊断准确度和精度大幅提高。     

数字孪生驱动的数控车床主传动系统故障诊断研究

数控车床主传动系统是机床的核心部件,其一旦发生故障会造成加工质量甚至作业安全问题。数字孪生技术能降低故障诊断的难度,但目前研究仍存在物理实体到虚拟实体转换效率低和神经网络过拟合问题。为了解决上述问题,提出一种基于数字孪生和正则化BP神经网络的故障诊断方法。建立数控车床主传动系统数字孪生模型,通过OPC UA通信完成了物理实体和虚拟实体间孪生数据的交换,对比分析正则化改善过拟合问题的4种方法,构建了丢弃法正则化BP神经网络故障诊断模型。通过对比不同信噪比下BP神经网络、丢弃法正则化BP神经网络和卷积神经网络的损失函数和预测准确度,验证了诊断模型的可行性和算法的适用性。     

基于改进的残差收缩网络的带钢表面缺陷识别北大核心

为解决传统视觉带钢识别无法自主提取图像特征,准确率会受到图像质量的限制等问题,提出了一种改进的深度残差收缩网络带钢缺陷表面质量缺陷识别方法。首先,利用数据增广的方法:旋转和翻转对数据集进行数据扩充;其次,建立残差收缩网络带钢缺陷识别模型,并且使用LeakyReLU激活函数替换原有的激活函数ReLU;再次,利用Adamax对残差收缩网络进行训练过程优化,减少资源的使用效果以及提高缺陷识别的准确率;最后,通过多次实验,然后取识别准确度的平均值。结果表明,带钢缺陷识别方法的准确度可以达到98.88%,优于传统的SVM、卷积神经网络、残差网络以及改进的残差收缩DRESN-CS。     

基于多源数据融合的半导体晶片CMP抛光材料去除率预测

目的 对半导体晶片抛光过程中的工艺参数、耗材使用量、抛光垫状态参数等多源数据预处理后进行数据融合,建立材料去除率(MRR)预测模型,为实现半导体晶片抛光加工工艺的决策和处理奠定基础。方法 研究晶片抛光加工中的数据特点及数据融合需求,提取数据集中每个晶片加工过程中的统计特征并生成新数据集,同时引入邻域特征以应对晶片加工过程中动态因素对材料去除率的影响。提出基于深度自动编码器的多源数据融合及材料去除率预测方法。设计深度自动编码器参数,优化深度自动编码器的损失函数从而增强深度自动编码器对强相关性特征变量的重建。基于深度自动编码器进行多源传感器信号融合,降低数据维度。使用超参数搜索算法优化BP神经网络超参数,利用BP神经网络方法将融合后的数据进行半导体晶片抛光过程中的材料去除率预测。结果 采用PHM2016数据集对模型进行验证,均方误差MSE达到7.862,相关性R²达到91.2%。结论 基于多源数据的融合模型能有效预测MRR,可以对半导体晶片CMP工艺过程的智能决策与控制起到良好的辅助作用。     

基于注意力多通道卷积ON-LSTM的APU剩余寿命预测

针对飞机辅助动力装置状态监测数据纬度高、数据量大等特点,提出一种基于注意力机制和多通道卷积ON-LSTM的剩余寿命预测方法.首先利用一维卷积神经网络对传感器参数进行局部特征提取;其次利用ON-LSTM能够学习序列长期依赖的优势,对传感器参数进行时序特征提取;再次通过注意力机制确定各参数的权重,准确预测APU的剩余使用寿...     

基于神经网络和证据理论的样本预测方法

为了满足某些特殊领域的预测精度需求,提出一种基于神经网络和证据理论的样本预测方法。该方法通过统计学中的数据集Iris花的样本特征进行仿真验证。首先,构建神经网络直接训练和测试样本,获得89.33%的识别率;其次,利用遗传算法优化神经网络的初始权值和阈值后再对样本进行训练和测试,获得94.66%的识别率;最后,结合数据融合中的证据理论进一步把识别率提高到97.33%。实验表明,该方法具有较高的预测精度。     

基于预处理与卷积神经网络的塑件划痕检测

为了在复杂的随机化纹理背景下准确地检测出塑件划痕缺陷,克服传统图像检测方法需要较多的启发式信息和人为设计特征的弊端,提高检测方法的适应性和实用性,以塑件划痕缺陷为研究对象,采用一种结合图像预处理与卷积神经网络的检测方法对塑件划痕进行检测。该方法首先通过简单的图像预处理将输入图像转变为基本特征图,然后利用卷积神经网络自动提取图像的特征,实现对塑件划痕的检测。试验结果表明,该方法对塑件划痕识别正确率达到98.37%,高于基于BP神经网络方法31.87%;对塑件划痕图像的识别正确率大于99%,在工业生产环境下具有较好的适应性,有一定的应用意义。     

基于全连接卷积神经网络的铸造缩松缩孔缺陷快速预测

在预测铸造缩孔、缩松缺陷时引入机器学习,采用具有针对性的数据预处理方式处理铸造工艺数据,同时采取多模态的数据输入方式增加数据维度,并使用全连接卷积神经网络对铸造缩孔、缩松缺陷进行快速计算。通过对某轴承座铸件进行分析,验证了该方法的有效性。相比于数值模拟方法,该方法具备较高的精度,同时可大幅缩短铸造缩孔、缩松缺陷的计算时间。     

基于RS_RBFNN的钛合金焊接接头疲劳寿命预测

建立了基于RS与RBF神经网络集成的钛合金焊接接头疲劳寿命预测模型(RS_RBFNN),该模型首先基于熵的连续属性离散化算法离散化疲劳数据并应用遗传算法约简疲劳寿命评价指标;基于最小约简指标提取焊接结构疲劳寿命分类判别规则以及对RBF神经网络进行训练;最后使用粗糙集理论判别与规则库匹配的检验样本疲劳寿命等级,使用RBF神经网络判别不与规则库任何规则匹配的检验样本疲劳寿命等级.基于钛合金疲劳试验数据的实证分析结果表明,RS_RBFNN模型容错性较好、精度较高,对钛合金焊接结构疲劳寿命预测具有一定的实际指导意义.     

基于多信息融合与GRU的轴承剩余寿命预测

为解决单一传感器信号易受干扰且能提取的退化信息有限，导致轴承剩余寿命预测精度低的问题，提出一种基于双通道信息融合与门控单元(GRU)神经网络的轴承剩余寿命预测方法。进行轴承寿命试验时，在振动传感器采集信号的基础上增加声发射传感器，弥补单一信号易受干扰的缺点；使用卷积神经网络自动挖掘出包含轴承退化信息的特征，避免传统算法过分依赖专家判断的弊端；通过归一化处理对信息进行融合；最后使用这些数据训练GRU神经网络，利用训练好的门控单元神经网络预测高铁牵引电机轴承的剩余寿命。结果表明：相比单通道数据，双通道数据训练出的门控神经网络模型的预测结果更为准确；门控单元神经网络相比长短时记忆神经网络有更高的轴承寿命预测精确度。