基于一维卷积神经网络的模拟电路故障诊断

模拟电路是工业电子设备的重要组成部分,一旦发生故障可能造成严重的财产损失和人员伤亡。传统的模拟电路故障诊断方法主要依赖于复杂的信号处理技术和专家经验,只适用于特定场景。本文提出一种基于一维卷积神经网络的故障诊断方法,可以直接从原始时间序列信号中提取故障特征,不依赖于信号处理技术和专家经验。为了减少模型参数,避免出现过拟合,采用全局平均池化层取代传统卷积神经网络的全连接层。实验结果表明,相比传统方法,本文提出的方法能够有效提取深度故障特征,具有更高的诊断准确率和更稳定的分类性能。     

基于SWT与改进卷积神经网络的轴承故障诊断

针对传统轴承故障诊断依赖专家经验且存在时频特征提取效果不佳,导致故障诊断效率和精度较低的问题,提出一种基于同步压缩小波变换（SWT）与改进卷积神经网络（CNN）的轴承故障诊断模型（SICNN）。首先,将一维的非平稳轴承振动信号通过SWT转换为高频率表达的二维时频图像,作为卷积神经网络的输入;然后,引入SRM对提取的特征进行风格池化与融合,调整卷积通道合适的特征权重,提高重要特征的关注度进而提高网络的表征能力;最后,通过Softmax层输出故障诊断结果。为了验证所提出的模型性能,使用凯斯西储大学采集的轴承数据集开展实验。结果表明,该模型故障诊断准确率可达到99.88%,与其他传统方法相比,具有良好的可行性和收敛性能,实践层面应用价值较高。     

应用GhostNet卷积特征的ECO目标跟踪算法改进

为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量,采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法.首先,采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征,运用全局平均池化对卷积特征下采样增加特征对图像的表征能力;其次,将卷积特征与手工特征插值后,与当前滤...     

基于CS-LSTM-attention的轴承故障诊断

作为旋转机械设备的常用部件,轴承容易受到损伤而影响整个机械设备的运行,因此对其进行故障监测和诊断十分重要。轴承振动信号是一种时间序列数据,基于卷积神经网络的故障诊断模型对时序特征的提取具有局限性。针对上述问题,文中提出了一种基于卷积神经网络(CNN)、改进长短时记忆神经网络(LSTM)和注意力机制(Attention)的轴承故障诊断模型。首先,利用卷积神经网络初步提取经小波变换处理后的时频数据的特征,对数据等段均分后输入LSTM,进一步提取时序特征,再加入Attention模块对不同时刻的特征进行权重参数学习,最后结合全连接层与激活函数完成故障诊断。     

基于PBO与CNN的电梯轴承故障检测

电梯在生活中已经变得随处可见。而电梯轴承作为重要的部件之一，当出现故障时会造成财产损失，严重的会发生危及生命的事件。卷积神经网络(Convolutional Neural Network, CNN)具有强大的特征学习能力，能够根据电梯轴承在运行的过程中产生的振动信号来检测电梯轴承是否发生故障。文中结合了北极熊算法(Polar Bear Optimization, PBO)对卷积神经网络的参数进行优化。PBO作为自然界的一种启发式优化算法，采用PBO和卷积神经网络相结合的故障诊断方法，对轴承故障识别率达到了99.6%,高于传统的卷积神经网络对电梯轴承的振动产生的特征信号进行故障诊断的识别率。     

多尺度CNN结合自注意力特征融合机制的轴承故障诊断方法

针对轴承故障诊断模型输入信息单一,且变负载、噪声工况下诊断精度受限的问题,提出一种多尺度卷积神经网络结合自注意力特征融合机制(SA-MCNN)的故障诊断方法。该方法首先使用不同核大小的卷积层并行提取振动信号的多尺度信息后,采用自注意力特征融合机制,为并行的多尺度特征加权融合;最后根据融合后的特征,区分轴承的健康状态。实验结果表明,与其它故障诊断模型相比,SA-MCNN模型能够根据多尺度信息有效捕捉高质量的状态特征,在跨负载工况和噪声工况下表现出强鲁棒性。     

基于一维Wconv-BiLSTM的轴承故障诊断算法

针对不同信噪比噪声干扰下的轴承故障诊断问题,文中建立了一种基于一维宽卷积核卷积神经网络和双向长短记忆神经网络的轴承故障诊断模型.向该模型输入轴承振动信号,通过短时傅里叶变换将振动信号转化为时频图.然后利用首层为宽卷积核的卷积神经网络和长短记忆神经网络分别提取其空间与时间特征,并结合全连接层实现分类.为增强抗噪性,模型采...     

基于神经网络的滚动轴承故障诊断智能方法

提出了基于神经网络的滚动轴承故障诊断方法.以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别.经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值, 并可方便地推广到其他类似的诊断领域.     

改进DLMD和TKEO的滚动轴承故障特征提取方法

针对微分局部均值分解(Differential Local Mean Decomposition,DLMD)不能自适应判断微分次数的问题,提出一种改进DLMD和Teager能量算子(Teager-Kaiser Energy Operator,TKEO)解调的滚动轴承故障特征提取方法.首先,构建中点-局部均值距离与绝对偏...     

基于多输出一维卷积神经网络的轴承故障诊断

轴承作为用途最为广泛的零部件之一,其可以有效减缓旋转部件之间的摩擦力从而避免损坏,并且可以固定旋转轴。然而,在恶劣条件下连续工作会导致不可避免的故障。因此,对于工厂来说,进行轴承故障类型以及故障程度诊断越来越有必要。近些年来,随着深度神经网络,特别是卷积神经网络(convolutional neural network,CNN)的出现,使得智能诊断方法在精度方面取得了显著的提升。然而,在复杂的实际工业场景下,除了准确性之外,效率问题也需要提起重视。针对目前的多数CNN网络或效率低或不能检测故障程度的问题,提出了一种基于一维卷积神经网络的多输出分类的方法。方法利用提取的相关特征同时进行轴承故障类型分类和故障程度(裂纹尺寸)分类,与传统的基于CNN的多类分类相比,在多输出分类中利用相关特征提高了诊断的准确性和效率。     

基于概率神经网络的滚动轴承故障诊断

针对滚动轴承故障征兆与故障模式映射的复杂性,以及BP网络容易陷入局部极小、收敛速度慢等缺点,提出了基于概率神经网络（PNN）的滚动轴承故障诊断方法。采用11个时域统计特征作为样本特征,利用PNN实现样本分类,并与反向传播（BP）网络进行滚动轴承故障诊断的方法进行了对比。结果表明,PNN网络可以实现滚动轴承不同类型的故障识别,其分类结果比BP网络具有更高的准确性,并在避免局部极小和节约训练时间方面有较好的实用性。     

分形技术在轴承故障诊断中的应用

针对滚动轴承振动信号的特点,从分形原理出发,利用分形维数的概念,对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的定量描述。试验结果表明,由于滚动轴承不同故障动力学产生的机制不同,其分形维数明显不同。因此利用分形维数可以准确地诊断出滚动轴承的工作状态。     

一种基于神经网络的模拟电路故障诊断方法

模拟电路故障诊断一直是一项富有挑战性的研究课题。文章在简要介绍BP神经网络基本原理的基础上,以差分放大电路为例,设计并实现了基于BP算法的模拟电路故障诊断方法,建立了模拟电路故障诊断BP神经网络模型。实验表明,该模型的辨识精度高,能实现对模拟电路故障的正确诊断。     

电路故障诊断的神经网络方法

分析了神经网络的容错能力、分类能力以及高速神经计算能力在电路故障诊断中的优势。举例说明了应用神经网络方法进行数字电路及模拟电路故障诊断的基本方法和步骤,着重突出了实际应用中存在的故障特征选取、神经网络建立、多故障处理等难点,提出了具体解决方案,指出了进一步的发展方向和理论创新点。     

一种基于小波-神经网络的模拟电路故障诊断方法

小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点。结合两者的特点,提出了一种基于小波与神经网络的模拟电路故障诊断方法,该方法用小波变换对电路响应信号进行特征提取,从而简化神经网络的结构,降低计算的复杂度,加快了训练速度。对实例仿真表明,该法能有效地对模拟电路进行故障诊断。     

一种基于SLS_SVM的滚动轴承故障诊断方法

为提高滚动轴承故障诊断分类器的训练正确率,以及缩短训练时间,根据其训练集即含有标签样本,也含有无标签样本的特点,将LS_SVM与半监督学习相结合,充分利用训练集中的有效信息,给出一种基于SLS_SVM的滚动轴承故障诊断方法。将该方法与标准SVM和半监督学习SVM方法相比,其不但能提高训练正确率,也能缩短训练所需时间。通过诊断试验,验证了该算法的有效性以及高效性。     

基于局部频谱的滚动轴承故障特征提取方法

滚动轴承振动信号是非线性、非平稳信号,如何对复杂的非周期滚动轴承数据进行准确特征提取十分具有挑战性.本文提出一种基于局部频谱的轴承数据特征提取方法.该方法将预处理得到的分割点与频谱分析结合起来,构建了数据的局部化特征,确定了局部频率的定义以及时频域的构造方法,并对局部频谱进行特征提取.实验表明,该方法克服了希尔伯特变换仅适合描述窄带信号的局限性,并弥补傅里叶全局频率只对无限波动周期信号才具有明显价值的缺陷.减少虚假频率产生的同时,兼容了时域和频域的分析能力,为非线性非平稳滚动轴承时域数据的特征提取提供了一种新方法,在滚动轴承故障诊断方面有很高的实用价值.     

基于FKCNN的模拟电路故障诊断方法

研究一种将模糊c均值聚类算法与神经网络相结合的模糊聚类神经网络(FKCNN),在分析该网络的结构和学习方法的基础上,对FKCNN的学习算法进行了一定的改进,并将改进后的模糊聚类神经网络应用于模拟电路的故障诊断,探讨了实现方法,设计了算法步骤,并举例对算法有效性进行了验证.结果表明,运用模糊聚类神经网络能够实现对具有状态可测性的模拟电路的故障诊断.     

一种可配置的CNN协加速器的FPGA实现方法

针对卷积神经网络中卷积运算复杂度高而导致计算时间过长的问题,本文提出了一种八级流水线结构的可配置CNN协加速器FPGA实现方法.通过在卷积运算控制器中嵌入池化采样控制器的复用手段使计算模块获得更多资源,利用mirror-tree结构来提高并行度,并采用Map算法来提高计算密度,同时加快了计算速度.实验结果表明,当精度为32位定点数/浮点数时,该实现方法的计算性能达到22.74GOPS.对比MAPLE加速器,计算密度提高283.3%,计算速度提高了224.9%,对比MCA（Memory-Centric Accelerator）加速器,计算密度提高了14.47%,计算速度提高了33.76%,当精度为8-16位定点数时,计算性能达到58.3GOPS,对比LBA（Layer-Based Accelerator）计算密度提高了8.5%.     

基于GA-LMBP算法的模拟电路故障诊断方法

主要分析遗传算法和BP神经网络的特点和存在的一些缺陷,研究遗传算法和改进型的BP算法相结合的相关技术,设计并实现一个基于遗传算法和LMBP算法相结合的GA—LMBP算法。通过诊断实例．比较三种算法的模拟电路故障诊断,结果证明在相同精确度的要求下,基于GA—LMBP的算法可以大大提高模拟电路故障诊断准确率。