基于孪生网络的小样本目标检测算法

基于深度学习的目标检测算法如 YOLO(You Only Look Once)和 Faster R-CNN(Faster Region-Convolutional Neural Network)需要大量训练数据以保证模型的精度,而在很多场景下获取数据以及标注数据的成本较高;并且由于缺少海量的训练数据,导致检测的范围受限.针对以上问题,提出了一种基于孪生网络的小样本目标检测算法(SiamDet),旨在使用少量标注图像训练具有一定泛化能力的目标检测模型.首先,提出了基于深度可分离卷积的孪生网络,并使用深度可分离卷积设计了特征提取网络ResNet-DW,从而解决了样本不充足带来的过拟合问题;其次,基于孪生网络,提出了目标检测算法SiamDet,并在ResNet-DW的基础上,引入区域建议网络(RPN)来定位感兴趣目标;然后,引入二值交叉熵损失进行训练,并使用对比训练策略,从而增加了类别之间的区分度.实验结果表明,SiamDet在小样本条件下具有良好的目标检测能力,且相较于次优的算法DeFRCN(Decoupled Faster R-CNN),SiamDet在MS-COCO数据集20-way 2-shot和PASCAL VOC数据集5-way 5-shot上的AP50分别增加了4.1%和2.6%.     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

基于多层训练干扰的CNN轴承故障诊断

针对滚动轴承故障诊断方法在低信噪比情况下抗噪性能差以及在不同工况下自适应性不足的问题,提出了一种基于多层训练干扰的卷积神经网络滚动轴承故障诊断方法。首先,通过快速傅里叶变换将原始信号从时域变换到频域并作为卷积神经网络(CNN)的输入,再对多层卷积层进行实时训练干扰,以不同程度随机破坏网络训练,提高模型的抗噪性能和域自适应能力;同时引入批量归一化(BN)方法,改进卷积神经网络结构,改善模型性能。实验结果表明,所提方法不仅在噪声干扰下能达到较高的诊断准确率,同时也能有效地解决工况变化问题。     

数据失衡下基于WGAN和GAPCNN的轴承故障诊断研究

针对轴承故障数据严重失衡导致所训练的模型诊断能力和泛化能力较差等问题,提出基于Wasserstein距离的生成对抗网络来平衡数据集的方法。该方法首先将少量故障样本进行对抗训练,待网络达到纳什均衡时,再将生成的故障样本添加到原始少量故障样本中起到平衡数据集的作用;提出基于全局平均池化卷积神经网络的诊断模型,将平衡后的数据集输入到诊断模型中进行训练,通过模型自适应地逐层提取特征,实现故障的精确分类诊断。实验结果表明,所提诊断方法优于其他算法和模型,同时拥有较强的泛化能力和鲁棒性。     

基于ISCNN-LightGBM的轴承故障诊断

在传统卷积神经网络与分类器相结合的故障诊断方法中, CNN用于故障特征提取时, 存在着提取的特征质量不高与运行时间较长的问题. 针对以上问题, 本文提出了一种基于改进单层卷积神经网络及LightGBM的故障诊断模型. 该模型通过将特征距离函数嵌入CNN的损失函数中, 提升了CNN特征提取的能力, 增强了CNN与后续分类器之间的联系, 从而提升了整体模型的故障诊断能力. 于此同时, 经过改进的单层的卷积神经网络进一步缩短了模型运行的时间, 提升了模型的诊断效率. 通过对两个不同的公共数据集进行对比实验, 其结果表明, 本文所提诊断模型对多种轴承故障的诊断准确率与诊断效率显著高于其他诊断模型.     

基于GADF和PAM-Resnet的旋转机械小样本故障诊断方法

在旋转机械的实际工作中,由于故障样本有限,很难实现准确的故障诊断.对此,提出一种基于GADF和PAM-Resnet的小样本故障诊断方法.首先,构建一种数据增强策略,该策略将数目较少的一维信号样本转化为二维GADF 图,之后将GADF图裁剪成多个子图,从而得到大量的图像样本,解决样本数目不足的问题;然后,构建一种位置注意力模块(PAM),该模块使用横向卷积和纵向卷积分别对横向特征和纵向特征赋予权重,融合两种特征得到GADF图的位置信息;最后,将PAM插入残差块中构建PAM残差块,并使用多个PAM残差块构建PAM- Resnet,PAM-Resnet可以有效地关注位置信息,具有较强的故障特征学习能力.分别进行小样本环境下的齿轮箱故障诊断和滚动轴承故障诊断实验,结果表明所提出方法具有较高的故障诊断准确率,可以准确地诊断出小样本环境下的故障类型.     

基于特征聚合网络的小样本学习方法

针对深度学习中使用少量样本完成模型训练的小样本学习问题,构建一种双路的特征聚合网络,并提出一种新的综合损失函数对网络模型的参数更新过程加以控制.通过综合损失函数,特征聚合网络可将样本映射到更具代表性的特征空间中,从而获得更优的特征分布.实验结果表明,与MN、PN等方法相比,该特征聚合网络能有效降低特征空间的复杂性,提升...     

基于迁移QCNN的孪生网络轴承故障诊断方法

轴承故障诊断对于降低旋转机械的损坏风险,进一步提高经济效益具有重要意义。深度学习在轴承故障诊断中应用广泛,但是深度学习模型在训练与测试时容易受到噪声的干扰导致性能下降。并且轴承的工况变化频繁,不同工况下的数据采集困难。对此,提出了一种基于迁移QCNN的孪生网络轴承故障诊断方法,先预训练QCNN获取具有较强判别性的模型参数,将预训练的参数迁移到QCNN作为子网络的孪生网络中,然后正常训练孪生网络获取模型,最后将测试数据与故障数据组成数据对输入模型,即可得到测试数据的故障类型。该方法将QCNN与孪生网络相结合,QCNN中的Quadratic神经元具有强大的特征提取能力,孪生网络共享权重和相对关系的训练方式,使得模型可以缓解噪声和工况数据不平衡问题的影响。实验结果显示,相较与传统机器学习模型和QCNN等模型,所提出方法在面对噪声和工况数据不平衡问题表现更好。     

基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数...     

基于困难样本对激励的小样本图像分类方法

使用少量标签样本训练得到的传统模型往往预测精度低、泛化能力弱,很难应用到实际生产中.针对小样本图像提出一种基于困难样本对激励分类方法,包括预训练阶段和元学习阶段.预训练阶段在基类数据集上训练编码器,并作为元学习阶段的初始特征编码器;元学习阶段将进一步优化此编码器,元训练过程使用本质特征法降低异常样本对质心的影响;结合度量学习与元学习设计了困难样本对激励损失函数,从样本对角度出发,在训练过程中引导模型扩大正负样本间距离,使同类样本更加紧凑.在公开数据集mini-ImageNet,tiered-ImageNet上进行实验的结果表明,分类精度分别为64.12%,70.15%,验证了所提方法的有效性和可行性.     

基于深度级联孪生网络的小样本调制识别算法

为解决传统基于深度学习的调制识别算法在小样本条件下识别准确率较低的问题,提出一种基于深度级联孪生网络的通信信号小样本调制识别算法。根据通信信号时序图的时空特性,设计由卷积神经网络和长短时记忆网络级联的特征提取模块将原始信号特征映射至特征空间,同时在孪生网络架构下对提取的特征进行距离度量并以相似性约束训练网络,避免特征提取模块在训练过程中出现过拟合现象,最终通过最近邻分类器识别待测样本的调制类别。在DeepSig公开调制数据集上的实验结果表明,与传统基于深度学习的调制识别算法相比,该算法能有效降低训练过程中所需的样本量,且在小样本条件下的识别准确率更高。     

一种煤矿机械轴承故障诊断方法

基于模型和基于信号处理与分析的滚动轴承故障诊断方法存在建模困难、信号特征难以提取等问题;基于浅层机器学习的滚动轴承故障诊断方法对复杂数据的特征学习能力有限;基于深度学习的滚动轴承故障诊断方法多采用卷积神经网络,但随着网络深度加深会出现梯度弥散或消失的问题,且直接将滚动轴承振动信号转换成一维或二维图像作为网络输入会无法保留信号间的时间相关性,导致信号信息丢失。针对上述问题,提出了一种基于马尔可夫变迁场（MTF）和密集连接卷积网络（DenseNet）的滚动轴承故障诊断方法。将滚动轴承振动信号通过MTF编码后生成二维图像,保留了信号的时序信息和状态迁移信息;将二维图像作为DenseNet的输入,通过DenseNet对滚动轴承振动信号故障特征进行提取,增强了特征信息传播,使特征信息得到充分利用,进而实现故障分类识别。采用凯斯西储大学轴承数据集上的数据进行试验,结果表明,该方法能有效识别滚动轴承故障类型,故障诊断准确率达99.5%。为进一步验证该方法在电动机载荷发生变化情况下的故障诊断能力及优越性,选取灰度图、包络谱图、倒频谱图和MTF生成图4种网络输入图像分别与Inception,ResNet,DenseNet 3种网络相结合的方法进行对比试验,结果表明：不同方法的故障诊断准确率均在电动机载荷不变时高于电动机载荷变化时;MTF+DenseNet方法故障诊断准确率高于其他方法,在电动机载荷发生变化的情况下仍具有较高的故障诊断准确率,平均值为94.53%,泛化性能较好。     

基于胶囊网络的风电机组主轴承故障诊断研究

为了实现对直驱式风电机组发电机轴承的故障诊断,根据传热学理论建立发电机轴承温度动态模型,通过模型获得发电机轴承产热和散热特征参数.结合一定周期内机组多传感器测量数据和轴承产热和散热特征,组成设备状态矩阵.使用胶囊网络,从状态矩阵中提取了轴承故障特征,实现了对风电机组发电机轴承的故障诊断.在针对实际风电机组的故障诊断试验...     

基于粒子群优化以及深度胶囊网络的轴承故障诊断

针对发动机轴承损坏情况严重以及基于模型方法预测精度不稳定的问题,提出一种基于深度胶囊网络和粒子群优化算法的轴承故障预测方法.通过将观测振动信号自适应降噪后,基于粒子群优化算法进行稀疏盲分离,得到轴承振动信号,通过S变换获取时域图以及轴承振动特征,其次将时域图经由卷积层卷积,输入到胶囊层进行预测.将高低胶囊层之间的算法转...     

小样本轴承故障诊断研究综述

随着数据时代的来临,基于数据驱动的轴承故障诊断方法表现出了优越的性能,但是此类方法依赖大量标记数据,而在实际生产过程中很难收集到大量的数据,因此小样本的轴承故障诊断具有很高的研究价值。对小样本条件下的轴承故障诊断方法进行了回顾,并将其分为两类：基于数据的方法和基于模型的方法。其中基于数据的方法是从数据角度对原始样本进行扩充;基于模型的方法是指利用模型优化特征提取或者提高分类精度等。总结了当前小样本条件下故障诊断方法的不足,并展望了小样本轴承故障诊断的未来。     

基于特征变换和度量网络的小样本学习算法

在小样本分类任务中, 每个类别可供训练的样本数量非常有限. 因此在特征空间中同类样本分布稀疏, 异类样本间边界模糊. 提出一种新的基于特征变换和度量网络(Feature transformation and metric networks, FTMN)的小样本学习算法用于小样本分类任务. 算法通过嵌入函数将样本映射到特征空间, 并计算输入该样本与所属类别中心的特征残差. 构造一个特征变换函数对该残差进行学习, 使特征空间内的样本特征经过该函数后向同类样本中心靠拢. 利用变换后的样本特征更新类别中心, 使各类别中心间的距离增大. 算法进一步构造了一种新的度量函数, 对样本特征中每个局部特征点的度量距离进行联合表达, 该函数能够同时对样本特征间的夹角和欧氏距离进行优化. 算法在小样本分类任务常用数据集上的优秀表现证明了算法的有效性和泛化性.     

基于改进的胶囊网络的行星齿轮箱故障诊断方法

行星齿轮箱是大型机械装备的核心传动环节,其内部关键零部件故障发生的部位与形式多样,威胁机械装备的安全服役.针对其不同部件的多类故障诊断问题,提出一种基于改进的胶囊网络(enhanced capsule ntwork, ECN)的“端到端”智能故障诊断方法. ECN充分发挥了卷积神经网络对故障特征的深度提取能力,同时具备胶囊结构矢量化挖掘特征空间信息的特点,可利用动态路由机制计算胶囊层之间的相关度,从而实现对故障特征的精准归类.此外,建立的间隔损失函数与输入数据不断优化模型参数,实现了对故障的智能诊断.对太阳轮、行星轮以及多类部件故障数据混合的情况分别开展分析,实验结果表明, ECN相比传统卷积神经网络和胶囊网络均表现出更强的故障诊断能力.     

基于细粒度原型网络的小样本命名实体识别方法

原型网络直接应用于小样本命名实体识别(few-shot named entity recognition,FEW-NER)时存在以下问题:非实体之间不具有较强的语义关系,对实体和非实体都采用相同的方式构造原型将会造成非实体原型不能准确表示非实体的语义特征;仅使用平均实体向量表示作为原型的计算方式将难以捕捉语义特征相差较大的同类实体.针对上述问题,提出基于细粒度原型网络的小样本命名实体识别(FEW-NER based on fine-grained prototypical networks,FNFP)方法,有助于提高小样本命名实体识别的标注效果.首先,为不同的查询集样本构造不同的非实体原型,捕捉句子中关键的非实体语义特征,得到更为细粒度的原型,提升模型对非实体的识别效果;然后,设计一个不一致性度量模块以衡量同类实体之间的不一致性,对实体与非实体采用不同的度量函数,从而减小同类样本之间的特征表示,提升原型的特征表示能力;最后,引入维特比解码器捕捉标签转换关系,优化最终的标注序列.实验结果表明,采用基于细粒度原型网络的小样本命名实体识别方法,在大规模小样本命名实体识别数据集FEW-NERD上,较基线方法获得提升;同时在跨领域数据集上验证所提方法在不同领域场景下的泛化能力.     

不平衡训练数据下的基于生成对抗网络的轴承故障诊断

近年来,随着深度学习模型及其衍生模型在故障诊断领域中的成功应用,基于深度学习的故障诊断方法开始成为研究主流.但是当训练数据不均衡时,通过深度学习从不平衡的数据中提取的故障特征是不准确的,训练得到的神经网络模型的分类结果往往倾向多数类,极大影响了分类效果.针对这种情况,本文结合卷积神经网络设计了一种新的生成对抗网络模型(Convolutional Wasserstein Generative Adversarial Network,CWGAN).首先卷积神经网络从故障样本中提取故障特征,并将其作为对抗网络的输入,然后由解码器网络解码来自生成器的故障特征向量来生成故障样本,同时将提取的故障特征和训练过程中的故障诊断误差添加至生成器训练的损失函数中.实验表明本文提出的方法相比于基线模型(GAN-CNN)的平均F1值提高4%,较好地解决数据不平衡的分类问题.