基于时频图与双通道卷积神经网络的轴承故障识别模型

采用传统的信号处理方法难以从轴承振动信号中提取能全面准确反映轴承运行状态的故障特征,并且实际工程中采集的数据量难以满足深度学习方法的要求(需要较大数据量),针对这些问题,提出了一种基于时频图与双通道卷积神经网络(CNN)的轴承故障识别模型(方法)。首先,基于样本熵和峭度,构造了新的目标函数,利用灰狼优化算法(GWO)对变分模态分解(VMD)方法进行了参数优化,当目标函数达到最小值时,得到了其最优参数组合;然后,使用经过参数优化后的变分模态分解(VMD)方法对轴承信号进行了处理,将处理后得到的模态分量进行了平滑伪Wigner Ville分布(SPWVD)计算,累加其计算结果后,最终得到了轴承的时频图;其次,利用连续小波变换(CWT)直接对原始信号处理得到了时频图;最后,将采用两种方式得到的时频图分别作为双通道CNN的输入,对网络进行了训练,由CNN提取了其时频图特征,并对轴承故障进行了识别分类和诊断。实验结果表明：采用该方法在轴承故障实验中得到的准确率为99.69%,在10次实验中的平均准确率达到了99.61%,相比于单通道CNN和支持向量机(SVM)等方法,该方法有着更高的准确率和更出...     

基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、 S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明：对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为：短时傅立叶变换、 S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。     

图像识别中的卷积神经网络应用研究

传统图像识别方法存在自适应能力弱的问题,如果待识别对象存在较大残缺或者其他外在噪声干扰,模型则无法获得理想结果.最早在图像处理中成功应用的深度学习是人工智能中非常重要的部分.在图像处理中,带有卷积结构的多层网络的卷积神经网络被加拿大教授及其小组成员提出并优化.在其过程有了突破性发展的情况下,利用卷积神经网络完成了图像识...     

多卷积神经网络融合的滚动轴承故障识别方法

针对滚动轴承故障,提出了一种多卷积神经网络融合的滚动轴承故障识别方法.采集滚动轴承在不同状态下的振动信号,利用短时傅里叶变换得到二维时频谱图.基于二维时频谱图的数据结构设计得到二维卷积神经网络、一维时域卷积神经网络、一维频域卷积神经网络,利用这三个卷积神经网络的输出结果构建全连接神经网络进行融合.利用引导聚集集成学习方...     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

基于卷积神经网络的自动压铆对位系统

由于钣金件在加工过程中受力变形弯曲,使压铆圆孔图像识别困难及分类错误,影响了机器视觉的识别效率与准确度.据此,依次使用基于卷积神经网络的圆孔分类和基于霍夫变换的圆检测算法,设计了一种自动压铆对位系统.检测结果表明:1)在经过1 5000次神经网络迭代训练后,交叉熵损失处于0.58以下,平均分类准确率达97％;2)铆接点...     

基于FPGA与卷积神经网络的零件识别系统北大核心CSCD

针对工业领域零件生产线分拣系统存在识别速度慢、准确率较低的问题,设计了基于FPGA与卷积神经网络的零件识别系统。采用FPGA作为硬件平台,采集零件图像,对图像进行预处理,读取Hu不变矩作为零件形状特征,将该特征作为卷积神经网络的输入,实现不同零件类型的自动识别,完成了系统硬件和软件的设计。实验表明系统检测的平均准确率为98.24%,速度为875 ms/次,对光照和姿态有较强的鲁棒性,在生产线零件分拣系统应用中有一定的推广价值。     

基于卷积神经网络的异步电机故障诊断

由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。     

浅层卷积神经网络融合Transformer的金属缺陷图像识别方法

针对金属缺陷识别领域中传统深度学习方法存在参数量多、计算量大的问题,提出了一种浅层卷积神经网络融合Transformer模型的金属缺陷识别方法。利用浅层卷积神经网络学习图像局部信息与位置信息,通过Transformer学习图像全局信息,同时引入通道注意力模块SE关注重要特征通道,实现缺陷图像识别。通过引入公开缺陷数据集验证该方法的有效性,同时利用自建缺陷超声数据集验证所提方法的通用性。实验结果表明,在中小规模数据集上,该方法通用性较强,能够对金属缺陷图像进行有效识别。     

基于卷积神经网络的铁谱磨粒智能识别研究

针对传统的计算机磨粒识别方法对相似度高的严重滑动磨粒和疲劳磨粒存在识别过程复杂、识别准确率低等问题,提出利用卷积神经网络(Convolution Neural Network,CNN)自动提取铁谱磨粒图像的特征,再将提取到的特征传入全局平均池化层和新的全连接层进行训练分类的铁谱磨粒智能识别方法。试验显示,基于卷积神经网络模型Inception-v3+1FCL和迁移学习方法可以有效地对严重滑动磨粒和疲劳磨粒进行分类识别,准确率高达89. 35%。     

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。     

基于图卷积神经网络的电路板装配故障反演方法

现阶段电路板装配故障信息不能有效反演至设计师,导致设计制造迭代效率无法提升。文中提出了一种基于图卷积神经网络的电路板装配故障反演方法,首次将电路板的电路结构作为非欧结构数据进行研究,提出了电路板电路结构的图化方法和批量双模型图卷积相似度算法以解决电路板装配故障反演问题。算法主要流程包括：将目标电路板和待检测电路板群拼接,形成训练集、验证集和测试集,送入第一模型,依次由图卷积神经网络层、全连接层和softmax层对图节点进行分类,并利用准确率、召回率和F1值评估第一模型;随后将完整数据送入第二模型,利用余弦相似度得出目标电路板装配故障器件点和待检测电路板群器件点的相似度评分,并将量化结果推荐到电路板设计师完成辅助设计。实验结果表明,该方法能够对电路板相似故障提出有效的反演设计建议。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

基于时空图小波神经网络的手部动作识别方法

根据车间人员操作监控的需要,文中研究了一种基于深度学习的新方法——时空图小波神经网络（ST-GWNN）。该算法对图小波卷积进行参数化,以降低每层图卷积层的参数复杂度,并采用一阶切比雪夫多项式逼近图小波卷积;分离多项式阶数 K 与邻接节点阶数之间的关系,固定多项式阶数,通过调整超参数 s 来改变邻域范围,从而识别更多复杂的手部动作。实验结果表明,文中提出的ST-GWNN在动作识别中的识别率优于目前常用的时空图卷积神经网络,并且能够充分利用动作的时空关联性。     

基于增强迁移卷积神经网络的机械智能故障诊断

现有的基于深度迁移学习的智能诊断方法通常对源域和目标域特征对齐来减少两者分布差异,没有考虑源域类别决策边界对目标域特征匹配的影响,针对此不足,提出了一种增强迁移卷积神经网络(Enhanced transfer convolutional neural network,ETCNN)来改进机械设备在变工况下的诊断精度和泛化...     

基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法.采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类.为提高所提方法的鲁棒性,采用带...     

基于小波变换和模糊神经网络的人脸图像识别方法

提出了小波变换技术和模糊神经网络技术相结合的人脸识别方法。小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。模糊神经网络具有很强的分类能力,并且可以运用神经网络的学习算法。实验表明,二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

基于卷积神经网络的制孔出口毛刺预测方法

受深度学习理论的启发,对使用卷积神经网络预测航空装配制孔质量进行研究。以工艺参数(制孔转速、进给、每转进给)与主轴电流信号为网络输入,以制孔出口毛刺高度为预测目标,在实验基础上,分析了激活函数、目标优化算法、卷积核个数、卷积层层数、卷积窗口大小和学习率等对制孔出口毛刺卷积神经网络预测模型的影响,并通过启发式算法确定了最优的网络设置。研究结果表明,制孔出口毛刺预测平均相对误差为9.34%,实验集测试预测相对误差在15%以内,优于传统理论建模30%左右的预测相对误差。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。