堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率     

基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于深度学习的大规模图像高效识别算法研究（英文）

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS-PEAL-R1大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于计算机智能的深度信念网络的组合电力负荷预测方法（英文）

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力。利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低     

基于计算机智能的深度信念网络的组合电力负荷预测方法

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力.利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低.     

基于蚁群算法与神经网络的机械故障诊断方法

为解决柴油机故障诊断这一复杂问题,提出了一种基于智能互补融合的智能诊断方法.采用蚁群算法(ACA)对反映运行工况的特征参数进行属性约简,剔除不必要的属性.根据约简结果,建立了基于径向基函数(RBF)神经网络的故障诊断系统.网络的训练对比结果表明,基于蚁群算法的约简处理简化了输入神经网络的数据维数,提高了网络的训练效率和故障分类准确性.     

基于集成迁移学习的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命(RUL)预测中自动故障边界识别精度不足与构建的健康因子单调性和趋势性不够理想的问题:提出一种基于集成迁移学习的滚动轴承剩余寿命预测方法。首先,利用源域数据协助标记不足的目标域数据训练具有不同激活函数的多个深度信念网络(DBN),选用预测精度最佳的DBN识别故障边界;其次,将经过训练的DBN作为特征提取器迁移到目标域,利用主成分分析(PCA)将提取的特征进行降维构建轴承健康因子,通过集成策略构建集成的健康因子;最后,采用长短时记忆神经网络作为预测模型。采用XJTU-SY滚动轴承数据集进行验证表明,提出的方法能够有效地识别故障边界和构建的健康因子更好地反映退化趋势,同时提高剩余寿命预测准确度。     

定模动辊机电系统动力学智能优化方法

定模动辊成型是一种变截面渐进成型方法,依赖定模动辊成型装备实现高强度金属板材变截面渐进成型。定模动辊成型装备运动平稳性与构件成型质量密切相关,因此以加速度幅值最小为目标函数,考虑定模动辊成型装备伺服电机、传动装置、辊模机构与成型板材的机电系统动力学优化,是机电装备设计理论研究的新课题。采取深度强化学习方法,应用深度确定性策略梯度算法对定模动辊成型装备进行优化。结果表明:该算法适用于机电系统动力学优化,具有科学意义和工程应用价值。     

基于Adam-DBN网络的行星齿轮箱故障诊断方法研究

随着现代机械装备的复杂化,传统的故障诊断方法难以满足表征设备间的复杂映射关系,且在如今大数据背景下面临着维数灾难的问题。文章结合深度置信网络以及梯度优化算法提出了一种基于梯度优化深度置信网络(Adam-DBN),通过数据验证选取最优梯度优化算法对深度置信网络的的梯度算法进行调优。搭建模拟实际工况的行星齿轮箱实验台,通过实验台采集所得数据构成数据集对方法进行验证。实验表明文中提出的方法能够有效提高DBN网络的收敛速度与训练精度,同时具有较高的故障识别准确率。     

深度学习在故障诊断中的应用综述

阐述了深度学习在故障诊断和图像分析、语音识别和文本理解等领域的应用;介绍卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络4种典型的深度学习模型;综述近几年深度学习在故障诊断中的模型选择、学习算法和实际应用等方面的研究新进;探讨深度学习在故障诊断中的理论分析、特征提取、优化训练和研究拓展等。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

基于CLPSO-IDBN的风电机组轴承故障诊断

针对风电机组轴承故障诊断时的数据特征复杂难以提取，故障诊断准确率低，耗费时间长等问题，提出一种综合型学习粒子群算法(comprehensive learning particle swarm optimization, CLPSO)与改进深度置信网络(improved deep belief network, IDBN)相结合的故障诊断方法。首先在DBN内部添加了迭代误差阈值优化策略构建IDBN,大大减少了训练时间；然后利用CLPSO算法优选IDBN网络结构，运用具有最优结构的IDBN模型从原始信号中提取故障特征，识别轴承的故障类型。仿真实验结果表明，CLPSO-IDBN算法模型具有更高的准确率以及在相同情况时更少的训练时间，在训练集和测试集上的诊断准确率分别达到了98.28%与97%,并且可以平均节省约30%的训练时间，与4种其他方法相比较，证实了新方法的有效性与准确性。     

基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法

针对卷积神经网络(CNN)应用于焊缝探伤图像识别时,目标区域占比小,局部信息冗余,激活函数小于零时出现硬饱和区导致模型对输入变化较敏感、网络参数难以训练的问题,采用超像素分割算法(SLIC)和改进的ELU激活函数构建CNN模型进行焊缝探伤图像缺陷识别. 首先,在CNN模型中使用ELU激活函数,在缓解梯度消失时对输入噪声产生更好的鲁棒性,同时,利用SLIC算法对图像像素进行像素块处理的特点,增大焊缝探伤图像中感兴趣区域的占比,降低局部冗余信息,提高模型在训练过程中的特征提取能力. 通过对焊缝探伤图像感兴趣区域提取并与所述CNN模型进行对比试验. 结果表明,该方法在焊缝探伤图像特征提取、训练耗时及识别准确率方面较传统卷积神经网络有更好的表现.     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于改进多任务学习网络的零样本故障诊断

多任务学习网络结构和参数冗余、网络规模过大，导致网络实时性差的问题；无法获取元件的部分或者全部故障类型样本，导致零样本问题。针对上述问题，提出一种基于元学习优化的轻量化多任务学习网络。为了提高实时性，利用MobileNetV3轻量化网络构建具有多个子任务诊断网络的轻量化多任务学习网络模型；研究了跨元件零样本问题，利用模型无关(MAML)元学习方法，对轻量化多任务学习网络的训练方式进行优化，构建基于元学习优化的轻量化多任务学习网络；最后，从不同微调步数和测试任务数角度，测试了所提网络的诊断性能。通过齿轮和轴承多元件的实测故障分析可知，所提方法可以实时高精度地解决多任务故障诊断问题和跨元件零样本问题。     

基于滑动窗口-KL散度和改进堆叠自编码的轴承故障诊断

针对风力发电机组的发电机轴承故障诊断问题,提出基于滑动窗口-KL散度和改进堆叠自编码的深度学习网络故障诊断模型。采用改进的变学习速率的堆叠自编码器进行发电机轴承温度状态重构。利用滑动窗口-KL散度算法进行发电机轴承的故障诊断,诊断结果与欧氏距离和3σ准则故障诊断结果进行对比。结果表明:采用滑动窗口-KL散度算法进行故障诊断准确率高、误报率低。     

基于改进卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断过程中,难以提取细微故障特征的问题,文章提出一种基于改进卷积神经网络的滚动轴承故障诊断方法。该方法首先在特征值提取过程中,采用了多尺度卷积核并联的方式,对滚动轴承振动信号提取了更多的故障特征细节;然后在特征值降维、去噪处理过程中,采用了leaky_relu激活函数,解决了部分神经元处于抑制状态的问题;最后在分类识别过程中,针对多层全连接计算复杂的问题,采用了全局平均池化代替部分全连接。通过滚动轴承不同损伤程度、不同故障位置的诊断实验,证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性。     

多深度学习模型决策融合的滚动轴承故障诊断

针对滚动轴承故障诊断中单一传感器信息的不全面性、单一网络模型的不确定性,提出了基于多深度学习模型决策融合的滚动轴承故障诊断方法。首先,利用深度卷积网络(CNN)和层叠降噪自动编码器(SDAE)分别对两个振动传感器信号进行自适应特征提取,经softmax初步分类。接着将两个网络的输出结果利用D-S证据理论进行融合,得到最终诊断结果。实验结果表明,利用该方法对滚动轴承进行故障诊断正确率达到95.63%,相比CNN正确率提高了5.49%,相比SDAE正确率提高了10.42%,验证了该方法的有效性。     

改进PSO-BP网络在故障诊断中的应用

针对油田抽油机井故障诊断方法较落后的问题,提出一种基于改进PSO-BP网络的故障诊断系统.神经网络权值的训练采用改进的PSO算法,克服了BP学习算法收敛速度慢、易陷入局部极值的缺点.将该网络用于抽油机井的故障诊断,并与传统BP模型的故障诊断结果进行比较.结果表明:基于改进PSO-BP的故障诊断方法正确率达96%以上,可以在更短的时间内、用更少的迭代次数达到精度要求,为设备检修提供了可靠的依据.     

变工况下采煤机故障诊断的迁移学习方法

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异（MMD）作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明：振动信号经小波变换和图像增强处理后,能有效凸显故障特征;利用实验台小样本微调权值,能有效实现采煤机故障诊断的模型迁移。