基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。     

基于DBN-HD的车载设备故障诊断

针对列车超速防护（automatic train protection,简称ATP）系统车载设备故障诊断主要依靠人工经验以及效率低的问题,提出了深度置信网络-汉明距离（deep belief network-Hamming distance,简称DBN-HD）车载故障诊断模型。首先,利用DBN无监督地提取车载故障数据的抽象特征,获得原始数据的低维表示形式,将其输入附加在顶层的分类器输出诊断结果;其次,比较实际输出与期望输出之间的HD,将HD作为误差采用反向传播（back propagation,简称BP）算法自顶向下地微调DBN权值,完成模型训练;最后,利用某局集团公司电务段车载故障数据分析和验证模型参数对模型性能的影响。研究结果表明,与支持向量机（support vector machine,简称SVM）、反向传播神经网络（back propagation neural network,简称BPNN）和DBN进行对比,本研究提出的DBN-HD模型具有更高的正确率和运行效率,适用于实际车载设备故障诊断。     

基于压缩感知和卷积神经网络的机车受电弓故障诊断研究

为保障机车的运行安全，本文提出了一种基于压缩感知（compressed sensing, CS）和卷积神经网络(convolution neural network, CNN)的故障诊断模型，针对离线机车运行数据，利用CS算法提取数据特征降低CNN输入维数，形成CS-CNN模型进行机车受电弓故障诊断，实现对故障原因的有效定位。将该模型应用于离线机车运行数据分析记录中，研究结果表明，CS-CNN模型在机车受电弓故障诊断中表现出较高的识别效率和识别准确率。     

基于注意力机制的滚动轴承故障诊断方法

针对传统故障诊断方法无法自适应选择特征以及难以应对负载变动、噪声干扰的问题，提出一种基于注意力机制的端对端故障诊断方法，通过卷积神经网络(CNN)对原始振动信号进行空间特征提取，基于双向长短时记忆网络(BiLSTM)提取时序特征，利用注意力机制判断BiLSTM各时刻隐藏层状态的重要性并赋予相应的权重，对所有时刻的隐藏层状态进行加权求和，并以Softmax层作为分类器进行故障诊断。利用VALENIAN-PT500实验台采集的数据和公开数据进行实验验证，结果表明，所提方法诊断精度高、泛化性强，在变负载和噪声干扰条件下能保持良好的故障诊断性能。     

列控车载设备导致动车组深度滑行原因分析

本文针对一次典型的因列控车载设备触发的列车深度滑行故障,从设计角度进行深入分析,结合传感器的安装及列控车载设备控制软件逻辑两方面给出了改进建议,对指导后续列车与列控车载设备接口的设计有重要意义。     

基于CBLRE模型的轴向柱塞泵空化状态检测研究

空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展，需要对柱塞泵的空化状态检测与智能故障诊断展开研究，因此，结合深度学习网络与非线性分类器的优点，提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型)。首先，对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强，并对其进行了标准化处理；然后，利用卷积神经网络(CNN)自动提取信号的特征，并对其进行了特征降维处理；利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性，利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类，实现了对柱塞泵的空化状态检测与智能故障诊断；最后，为测试CBLRE模型的性能，搭建了实验平台，在此之上将CBLRE模型与其他模型进行了对比，分析了该模型在不同工况下的性能表现。研究结果表明：该模型的结构稳定、训练时间短，且在不同负载下均可保持良好的泛化性能，空化状态识别率均达到99%以上，该结果验证了柱塞泵空化状态识别方法的有效性；此外，该模型还可有效识别空化现象与柱塞泵的其他故障。     

采煤机摇臂传动系统滚动轴承故障诊断分析

采煤机故障的快速诊断是设备高效率运行的保证措施,通过对采煤机摇臂传动系统滚动轴承的结构、故障种类、以及机理总结分析,提出采用反卷积自编码器+卷积神经网络的故障诊断方法.利用CAE+cnn、Cnn+Lstm、LSTM+cnn三种算法下的故障诊断方法进行测试实验,验证了反卷积自编码器+卷积神经网络的故障诊断方法的有效性、提高了故障诊断效率,为煤矿企业的安全生产提供了可靠的保障.     

基于AVMD-TOTEO与深度学习的轴承故障诊断方法

本文针对轴承故障诊断中故障特征提取和故障识别的难点,提出了一种基于AVMD-TOTEO、门控循环单元（Gated Recurrent Unit,GRU）和卷积神经网络（Convolutional Neural Network,CNN）的轴承故障诊断方法。首先,通过自适应变分模态分解（Adaptive Variational Mode Decomposition,AVMD）对原始数据进行分解和重构,以消除信号中的部分干扰,然后利用三阶太格能量算子（Third-Order Teager Energy Operators,TOTEO）对故障信号中的冲击特征进行增强,突出每个故障信号的特性。最后,将新的故障数据集引入具有全局平均池化（Global Average Pooling,GAP）层的GRU-CNN-GAP故障诊断模型中,用于特征提取和故障分类。实验表明,该方法不仅具有良好的故障诊断精度,而且提高了算法的检测速度,具有优于其他模型的诊断性能。     

优化VMD与CNN在齿轮箱故障诊断应用研究

针对齿轮箱的故障诊断的优化问题,提出了一种基于参数优化的变分模态分解（VMD）与卷积神经网络（CNN）相融合的故障诊断方法。该算法首先通过鲸鱼优化算法对VMD算法进行优化,之后通过正交实验法与粒子群优化算法进行了CNN模型中的重要参数进行优化,最后将分解后得到的固有模态分量输入CNN模型中进行训练学习。诊断完成后得到训练与检测结果,其中经过算法优化后CNN模型的训练与检测准确率可达98.7%与95.7%,优于未优化的准确率94.3%与91.8%。通过对结果的分析验证出该算法的可行性以及在诊断成功率方面的优越性,实现了故障特征信息的自适应性提取,并将故障类型进行分类,最终实现齿轮箱故障诊断的智能化。     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

基于EEMD和Bi-LSTM算法的齿轮泵行星轮典型故障诊断

为了提高齿轮泵行星轮的典型故障诊断精度,提出了一种基于经验模态分解（EEMD）和双向长短时记忆网络（Bi-LSTM）的行星齿轮泵故障诊断方法。研究结果表明：通过模型精度和耗时的最优参数为节点数200和网络层数4层。本网络损失小于1%,满足良好稳定性的条件,可以实现精确识别齿面磨损和缺齿故障,断齿、正常齿的轮识别率都达到了93%以上,齿根裂纹故障识别率达到了86.5%。对信号EEMD分解后,可以促进BiLTSM模型所有分量都获得更优的时序性,促使模型诊断精度得到显著提升。Bi-LTSM模型到达后期迭代过程时,可以更快拟合,获得高于LTSM的验证精度。该研究对提高机械传动设备的故障识别能力,具有一定的理论指导意义。     

考虑转动周期的轴承剩余使用寿命预测EI北大核心

滚动轴承广泛应用于各类旋转机械设备,其健康状况对机器设备的正常运行至关重要,掌握其剩余使用寿命(RUL)可以更好地保证生产活动安全有效的进行。目前,基于深度学习的轴承RUL预测方法均致力于对整体趋势特征的把控,而忽略了对各转动周期间相互依赖特征的挖掘。针对这一问题,提出一种考虑转动周期的轴承RUL预测网络——双通道网络模型。该预测网络使用卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)来提取轴承振动数据的整体趋势特征,并引入注意力机制来增强模型的特征提取能力。利用基于转动周期的跳越循环神经网络组件来捕捉各转动周期之间的相互依赖模式。通过滚动轴承加速退化实验的数据,验证了所提网络的有效性,并与一些智能算法进行了对比实验,预测精度表现优异。     

基于KPCA-SOM网络的列控RBC系统故障诊断方法（英文）

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于"one-hot"模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、 SOM网络算法比对分析, KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

基于脆弱性的制造设备故障智能诊断与维护

制造设备故障智能诊断与维护是保障制造系统安全运行的重要手段。为准确地诊断制造设备的健康状态、识别设备故障的关键因素,建立高效的健康维护系统,提出了基于脆弱性的设备故障智能诊断与维护方法。该方法将考虑脆弱性的设备故障智能诊断与维修决策模块嵌入到设备的过程控制系统（Process control system,PCS）中,它基于系统脆弱性的定义和性能劣化理论建立了设备脆弱性评估模型实时判断设备的脆弱状态,利用非线性核映射方法实时监测制造设备的运行参数是否超出预设边界,建立设备参数的高斯核函数模型准确识别故障的关键因素,将设备的脆弱性状态与维护模式相结合建立维修决策模型避免维修过度和维修不足。以某机器人的伺服系统为例,证实了所提方法能有效提高故障诊断效率、智能化诊断故障因素,优化设备维修决策。     

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva （GG）模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络（convolutional neural network, 简称CNN）和双向门控循环单元（bi-directional gated recurrent unit, 简称BIGRU）进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

CTCS-2+ATO列控车载设备运用问题及对策分析

CTCS-2+ATO列控系统具备站台门与车门自动开关、精确停车、自动驾驶等功能,但该列控系统在具体应用中很容易出现设备问题,直接威胁动车的安全稳定运行。基于此,本文将围绕CTCS-2+ATO列控车载设备运用问题及解决对策开展深入探讨,希望研究内容能够给相关从业人员以启发。     

基于Bi-LSTM和自注意力机制的旋转机械故障诊断方法研究

旋转机械因其特殊的功能要求,通常工作在恶劣的环境中,振动信号易受外界干扰。基于传统信号处理方法的故障诊断技术越来越不能满足故障诊断精度的需要,因此,利用大数据和人工智能技术进行旋转机械故障诊断成为目前的主要研究方向之一。针对以上问题,提出一种基于双向长短时记忆网络（Bi-LSTM）和自注意力机制的旋转机械故障诊断方法。首先,利用转子实验台模拟旋转机械的各种运行状态,采集旋转机械在各种运行状态下的振动信号;然后,将振动信号输入Bi-LSTM网络,自注意力机制将Bi-LSTM各时间步的输出进行加权求和,获得振动信号的深层特征表示;最后,通过全连接层和Softmax层输出旋转机械各种运行状态的预测概率。实验结果表明：本文提出的方法能够有效地实现旋转机械的故障诊断,与其他方法相比,模型的训练稳定性、收敛速度和故障识别准确率均得到提高。     

基于BERT的语义匹配算法在问答系统中的应用

随着知识图谱和自然语言处理技术的高速发展,对智能搜索和智能问答等应用的要求越来越高,语义匹配技术成为其中不可缺少的一环。高效准确的语义匹配算法通过计算两个句子的语义相似度,可以显著提高文本搜索、问答匹配的效率,因此,提出一种基于BERT模型(Bidirectional Encoder Representations from Transformers)的中文语义匹配算法。该算法将句子转换为特征向量表示,结合Attention机制,计算两个句子的语义相似度进行匹配。经过与传统的语义匹配模型BiLSTM(Bi-directional Long Short-Term Memory)、ESIM(Enhanced Sequential Inference Model)、BiMPM(Bilateral Multi-Perspective Matching)的对比实验,基于BERT的中文语义匹配算法在测试集上准确率、召回率、F1值分别可达86.38%、94.77%、87.43%,均优于以上语义匹配模型算法。     

铁路机车设备故障诊断系统的应用研究

铁路机车的设备稳定是机车正常运行的关键,针对目前机车设备检修工作量大、效率低,无法对运行中的列车设备进行在线实时监测的现状,提出了一种新的铁路机车设备故障诊断系统.通过嵌入式的车载数据诊断系统、高速无线数据传输系统等,实现了对铁路机车设备运行状态的实时监测和故障报警.根据实际应用表明,该技术能够实现对列车运行时的在线数据监测和处理,可以将故障率降低99.6％,显著提升铁路机车运行的安全性.