基于红外图像的ISSA-BP神经网络机载电路板芯片故障诊断

针对传统红外图像的机载电路板芯片故障诊断法诊断率低且无法诊断动态故障的问题,本文提出了一种基于红外温度数据的改进麻雀搜索算法优化BP神经网络（Improved sparrow search algorithm-Back propagation neural networks, ISSA-BPNN）机载电路板芯片故障诊断方法。首先,提取红外热像仪采集的电路板芯片温度数据,建立电路板芯片升温过程中静态、动态、统计特征的特征模型;然后,利用Sine混沌映射初始化麻雀种群分布,利用Levy飞行策略改进发现者种群位置更新公式,将改进后的麻雀搜索算法优化BP神经网络的权值参数;最后,将温度特征模型输入到ISSA-BP神经网络进行训练和测试,从而完成电路板芯片故障诊断。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,该方法在电路板不同工况下综合故障诊断率达到97.84%。     

基于红外的TPA和IAOA BiLSTM电路芯片故障诊断

为了提高电路芯片故障诊断准确率,超参数设置的效率以及特征提取效率,提出一种基于时间模式注意力机制(TPA)的改进算数优化算法(IAOA)优化双向长短期记忆网络(BiLSTM)的电路故障诊断方法。首先,利用IAOA搜寻BiLSTM的最优超参数组合,提高模型诊断精度;然后使用TPA提取重要特征并分配权重,改善模型特征提取能力;最后,将红外摄像仪采集的红外温度数据输入到最优诊断模型中,实现电路芯片故障诊断。实验采用0～30 V可调稳压电源电路进行验证。结果表明,该模型对电路芯片故障诊断准确率高达9827,可实现对电路芯片的高准确率故障诊断。     

基于红外温度序列的电路板故障诊断研究

电路板红外温度序列包含了丰富的故障类别信息,充分利用其局部与全局特征可以提高电路板故障诊断的准确率。为此,文中提出了一种由特征提取网络(Features Extraction Network,FEN)与关系学习网络(Relationship Learning Network,RLN)并行构成的可综合利用温度序列局部特征及特征间关系的电路板故障诊断模型。其中,FEN基于多尺度膨胀卷积(Multi-scale Dilated CNN,MDCNN)残差结构搭建,可在不增加训练参数的前提下构建多层次感受野,学习温度序列不同范围的空间特征;RLN基于嵌入长短期记忆网络的注意力机制(Long Short-Term Memory hybridized with Attention,LSTMwAtt)结构搭建,通过控制温度序列信息传递来学习特征重要性并分配权重,挖掘不同位置特征间的相关性。实验结果显示,所提模型在两个自建电路板温度序列测试数据集上的诊断性能优于同类型的FCN、MFCN、LSTM和LSTM-FCN,故障诊断准确率分别达到91.15%和96.27%,可实现对电路板故障的高准确率诊断。     

基于卷积融合字典的电路板红外图像去噪研究

由于红外图像存在噪声,电路板芯片定位困难,因此基于红外图像的机载电路板故障诊断方法在实际应用中诊断效果并不理想。针对此问题,本文在卷积稀疏编码和字典学习的基础上,提出了一种基于卷积融合字典学习的航电系统电路板红外图像去噪算法。首先,并行融合改进卷积稀疏编码结构和离散余弦变换字典形成复合初始化字典,以有效提取电路板红外图像特征;接着,建立稀疏特征矩阵,更新红外图像特征原子;最后,将稀疏特征系数带入算法对模型进行训练和测试,完成电路板红外图像的去噪重构。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,与K SVD和卷积网络去噪方法相比,本文算法在图像视觉效果,输出PSNR和SSIM方面更具优势,具有更好的去噪效果。     

基于红外热图的机载电路板故障模式诊断研究

作为一种新型的非接触式检测方法,基于红外热成像技术的机载电路板故障模式诊断方法受到越来越多的关注.本文针对传统基于红外热图的电路板故障检测算法中存在的缺陷,提出一种结合红外图像分割、热阻网络、支持向量机SVM(Support Vector Machine)与D-S证据理论的故障检测算法.首先,通过红外图像分割完成目标芯片区域温度提取,应用热阻网络模型对目标区域温度信息进行优化;其次,提取温度信息特征向量分别输入对应的初级SVM诊断模块,输出各故障模式的加权基本概率分配值BPA(Basic Probability Assignment);最后,应用D-S证据理论对各证据体加权BPA进行数据融合,输出融合后的故障诊断结果.实验结果表明,本文算法加强了有效证据体对诊断结果的正面影响,削弱了无效证据体的负面影响,大幅度提高了机载电路板故障模式诊断准确度.     

结合WGAN GP与CNN SVM的滚动轴承故障红外诊断

针对实际工程应用中由于滚动轴承故障状态出现的时间很短而导致数据集不平衡难以采用深度学习算法进行故障诊断的问题,提出了一种基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN GP)和基于支持向量机分类的卷积神经网络(CNN SVM)相结合的滚动轴承故障红外诊断方法。从红外热像图中构建不平衡数据集,通过采用WGAN GP对不平衡数据扩充以达到数据集均衡,之后将CNN SVM模型应用于数据集,提取样本深度特征完成故障分类。实验表明,WGAN GP与CNN SVM相结合的模型在不平衡数据集下表现良好,相较于其他模型有更好的故障诊断能力,并且在故障分类阶段的用时可减少1689以上。     

基于改进脉冲耦合神经网络的电路板红外图像分割

电路板红外图像发热芯片区域准确分割是电路板故障诊断的关键步骤,但灰度不均匀、目标区域多、辐射噪声大使电路板红外图像的准确分割变得较为困难。针对这一问题,本文提出一种改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)红外图像分割模型。首先,调整传统PCNN的模型结构,将图像梯度信息作为输入信号增加到模型输入域;其次,基于最大似然估计原理,推导出链接系数β的动态调整方法;最后,在脉冲发生域引入边缘约束算法,防止邻域神经元误捕获,增强目标区域的可分割性。实验结果表明,改进模型能够有效降低背景及辐射噪声影响,准确分割出不同类型电路板红外图像目标芯片区域,在视觉效果、区域一致性和对比度方面均优于已知的Ostu、K-means和传统PCNN模型,分割性能得到明显增强。     

基于时空特征的恶意加密流量检测

加密技术保护了用户的隐私,但也使得恶意攻击可以隐藏一定的攻击特征,增加了检测难度。针对传统的检测方法存在的对于加密字段无法进行有效检测和过于依赖专家经验难以建立对应特征库等缺点,提出了一种不依赖专家经验、自动提取数据的时空特征的恶意加密流量检测方法 CNN-MHGRU。基于网络流量的数据结构,结合卷积神经网络（Convolutional Neural Networks,CNN）和门控循环单元（Gate Recurrent Unit,GRU）的时空特征提取能力,并加入多头注意力机制,使得GRU能够更好地处理长序列数据之间的联系。在公开数据集上进行二分类和多分类实验,CNN-MHGRU模型的准确率分别达到99.92%和92.98%,在对未知恶意加密流量二分类检测实验中准确率达到了99.89%,在整体上均优于实验对比模型。     

基于MIV和BRBP神经网络的电路板红外诊断方法

针对BP神经网络对于海量数据训练及多维数据训练收敛困难的问题,在使用增加动力项、自适应学习速率等方法的基础上,引入均值影响度算法(MIV)构造了贝叶斯正则化反向传播(BRBP)神经网络,以此提高电子线路板红外故障诊断算法的效率。利用红外测温方式,获取了不同室温及运行状态下电路板中21个元器件温度数据。将此21个参数作为故障诊断模型的初始输入变量,经过MIV算法简约为12个参数输入至BRBP神经网络,进行故障评估和诊断。结果表明:相对于传统的BRBP神经网络,本文设计的基于MIV和BRBP神经网络模型诊断方法极大简化了数据训练的数据量并解决了数据收敛的困难,因此效率更高,用时更省。     

细粒度鱼类疫病图像识别算法模型

通过肉眼识别鱼类疫病依赖于诊断人员的经验，疫病数据存在类间差距较小与识别效率低等细粒度问题。由于Transformer缺乏卷积神经网络（CNN）的归纳偏差，需要大量的数据进行训练；CNN对全局特征提取不足，泛化性能较差等问题限制模型的分类精度。基于特征图对所有像素的全局交互建立算法模型，提出一种基于CNN与Vision Transformer相结合的鱼类疫病识别模型（CViT-FDRM）。首先，搭建鱼类疫病的数据库FishData01；其次，利用CNN提取鱼类图像细粒度特征，采用Transformer模型自注意力机制获取图像全局信息进行并行训练；然后，采用组归一化层将样本通道分组求均值与标准差；最后，采用404张鱼类疫病图像进行测试，CViT-FDRM达到97.02%的识别准确率。在细粒度图像开源数据库Oxford Flowers上的实验结果表明，CViT-FDRM的分类精度优于主流的细粒度图像分类算法，可达95.42%，提高4.84个百分点。CViT-FDRM在细粒度图像识别方面可达到较好的效果。