基于声信号和一维卷积神经网络的电机故障诊断研究

针对电机故障诊断问题,设计一种新型的一维卷积神经网络结构(1D-CNN),提出一种基于声信号和1D-CNN的电机故障诊断方法.为了验证1D-CNN算法在电机故障识别领域的有效性,以一组空调故障电机作为实验对象,搭建电机故障诊断平台,对4种状态的空调电机进行声信号采集实验,制作电机故障声信号数据集,并运用1D-CNN算法...     

基于神经网络的智能诊断

人工智能与诊断理论的结合形成了智能诊断,早期发展的模拟人脑思维推理的、基于知识的专家系统以串行运行的格式进入设备诊断领域,形成了基于知识的诊断推理专家系统,国内外已有许多成熟的商品化软件系统。近几年新发展起来的人工智能的一个分支－－人工神经网络模仿人脑物理结构以其强大的并行运算和联想能力非常适合于设备诊断中状态识别,本单位研制的通用型神经网络智能诊断系统,已达到商品化水平,并已在生产线上运行。     

基于卷积神经网络的烟火智能识别算法应用研究

事实证明,将深度学习与烟火检测结合所得智能算法,具有成本低、智能水平高以及覆盖范围大的优点,通常只需借助普通相机便能够做到精准检测并识别不同形态的烟火,现已在很多领域得到推广。该文以该算法的应用为研究重点,在对研究背景、算法理论进行介绍的基础上,详细说明了模型建立过程,并对该模型所具有可靠性进行了检测。结果表明,该算法所具有平均精度较传统算法提高了约5.5%,对该算法加以应用可使烟火预警以及险情跟踪等工作得到高效开展,确保人员得到及时救助,与此同时,相关机构对事故灾害进行管理的能力也会得到显著提升。     

基于卷积神经网络的标准课堂教学语音情感优化的方法研究

在人工智能时代下,深度学习技术逐渐融入教育研究领域的各个方面。教师教学语言是课堂教学的主要方式,教学情感作为教学评价的主要评估方式,深刻影响着教师的教学效果。本文基于卷积神经网络模型对教师语音情感进行识别,以语音情感描述模型和情感教学理论作为理论基础,按照“数据库建立—模型搭建—实践应用”的研究路径开展教师标准课堂教学语音情感的研究,建立教师课堂语音数据库,构建教师语音情感评价量表,还原真实课堂的精准采集、助力教师评价的高效开展,以此优化教师教学语音情感,赋能教学改进。     

基于环形特征的卷积神经网络轮毂识别

针对实际生产中不同种类轮毂的混流生产问题,提出了一种基于环形特征的卷积神经网络轮毂识别算法。将直角坐标下的环形轮毂映射到极坐标中,归一化为标准形式的矩形,提取轮毂图像的环形特征信息,减少冗余特征产生的影响;设计了一种改进的VGG网络架构,利用深度可分离卷积打破输出通道维度与卷积核大小的联系,在不损失网络性能的同时降低了计算量,能够在实际生产中轮毂识别任务在有限的算力情况下实时进行计算;从有效性和实时性两个方面对轮毂识别算法进行评估,且通过Inception V3、SVM、KNN等模型的对比实验,验证了该算法可以实时地对轮毂自适应分类。实验表明: 该方法对轮毂图像的处理精度达到99%以上,单幅图像平均处理时间降低至11.78ms。     

基于改进卷积神经网络的柴油机故障诊断方法研究EI北大核心CSCD

现有基于卷积神经网络(convolutional neural network,CNN)的柴油机故障诊断方法易过拟合,网络收敛速度较慢、处理小样本数据时诊断精度低,针对以上问题,提出了一种基于改进CNN的“端到端”柴油机故障诊断方法。该方法在CNN架构上,采用指数线性单元(exponential linear units,ELU)作为激活函数及小批量训练方法加速模型收敛,用全局平均池化(global average pooling,GAP)代替全连接层以降低过拟合风险。基于台架试验的诊断结果表明:所提方法进行柴油机典型故障诊断的精度达到99.18%;与未改进模型及现有基于CNN的柴油机故障诊断算法相比,该方法在处理小样本数据集时仍保持最高识别精度。     

基于卷积神经网络的水下多目标方位估计方法

针对水下多目标方位估计问题,提出了一种利用卷积神经网络模型对目标声源进行方位估计的方法。该方法使用不等强度的声源数据进行训练并使用焦点损失函数作为训练损失函数。通过对阵列接收到的信号进行特征提取,使用焦点损失函数指导卷积神经网络训练,最终利用训练好的卷积神经网络模型进行目标方位估计。对不同模型参数的训练进行对比,结果表明所训练的卷积神经网络模型在较低信噪比条件下也能正确估计弱目标的方位。试验结果表明,与采用二元交叉熵损失函数的卷积神经网络模型相比,该方法对弱目标的方位估计能力更强,提高了方位估计的准确率。     

基于卷积神经网络和LSTM循环神经网络的客户复购预测方法

通常一个销售代表会有数百名客户.销售代表无法定量预测哪位客户最近有下单需求,所以多采用轮询或者主观直觉的方式决定每天的回访客户名单.本文以深度学习的思路,把销售代表的历史回访记录作为输入数据,以卷积神经网络(CNN)和循环神经网络(RNN)为基础模型,让模型学习客户复购行为的内在逻辑以便指导初级销售代表的每日回访工作....     

基于卷积神经网络的生物式水质监测方法

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征,再进行特征分类,从而识别水质。针对水质监测问题,提出一种使用卷积神经网络(CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现,是生物式水质分类的重要依据。使用Mask-RCNN的图像分割方法,求取鱼体的质心坐标,并绘制出一定时间段内鱼体的运动轨迹图像,制作正常与异常水质下两种轨迹图像数据集。融合Inception-v3网络作为数据集的特征预处理部分,重新建立卷积神经网络对Inception-v3网络提取的特征进行分类。通过设置多组平行实验,在不同的水质环境中对正常水质与异常水质进行分类。结果表明,卷积神经网络模型的水质识别率为99.38%,完全达到水质识别的要求。     

基于直方图均衡化和卷积神经网络的轴承故障诊断方法

针对传统的滚动轴承故障诊断方法依赖人工特征提取和专家经验,难以自适应提取强噪声信号微弱故障特征的问题,提出一种直方图均衡化和卷积神经网络(CNN)相结合的智能诊断方法。首先,将传感器采集到的一维振动信号通过横向插值法转换为便于模型识别的二维振动图像,利用直方图均衡化技术拉伸像素之间灰度值差别的动态范围,突出纹理细节和对比度,以增强周期性故障特征;然后构建深层CNN模型,采用优化技术降低模型参数量,逐层学习监测数据与故障状态之间的复杂映射关系。实验结果表明该方法具有高达99%以上的准确率,对不同负载下的故障信号仍具有较高的识别精度和泛化能力。     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。     

A Rub-Impact Recognition Method Based on Improved Convolutional Neural Network

Based on the theory of modal acoustic emission (AE), when the convolutional neural network (CNN) is used to identify rotor rub-impact faults, the training data has a small sample size, and the AE sound segment belongs to a single channel signal with less pixel-level information and strong local correlation. Due to the convolutional pooling operations of CNN, coarse-grained and edge information are lost, and the top-level information dimension in CNN network is low, which can easily lead to overfitting. To solve the above problems, we first propose the use of sound spectrograms and their differential features to construct multi-channel image input features suitable for CNN and fully exploit the intrinsic characteristics of the sound spectra. Then, the traditional CNN network structure is improved, and the outputs of all convolutional layers are connected as one layer constitutes a fused feature that contains information at each layer, and is input into the network’s fully connected layer for classification and identification. Experiments indicate that the improved CNN recognition algorithm has significantly improved recognition rate compared with CNN and dynamical neural network (DNN) algorithms.     

采用改进遗传神经网络的多载荷振动信号故障诊断

根据柴油机气阀机构运动规律,利用小波包分解提取缸盖振动信号的特征向量;针对多种载荷混合诊断的问题,采用二进制与实数混合编码的方式对使用遗传算法的误差反向传播（BP）神经网络的隐层结点数目、权值和阈值进行优化。通过实验检测,证明该方法在多种载荷混合振动信号诊断上,较一般方法学习、收敛速度快,检测准确率高。     

基于卷积门控循环神经网络的刀具磨损状态监测

针对刀具磨损状态在线监测需求,提出一种基于卷积门控循环神经网络的刀具磨损状态在线监测方法.综合卷积神经网络和门控循环神经网络的优点,构建了卷积门控循环神经网络;以切削力为输入信号,通过小波变换滤除噪声;利用卷积神经网络提取表征刀具磨损状态关键信息的高维特征;通过门控循环神经单元使模型在时间尺度上的累积效应得到充分表达,...     

A Study on Turbo—rotor Multi—fault Diagnosis Based on a Neural Network

The multi-fault phenomena are common in the turbo-rotor system of a liquid rocket engine.As it has many excellent qualities,the neural network might be used to solve the problems of multi-fault diagnasis of a turbo-rotor system.First,the feature expression of a common turbo-rotor fault was studied in order to build up the standard fault pattern and satisfy the need of neural network studying and diagnosing.Then.the turbo-rotor fault identification and diagnosis problems were investigated by using a BP(back-propaga-tion)neural network.According to the BP neural network problems,the parallel BP neural network method of multi-fault diagnosis and classification was presented and investigated.The results indicated that the parallel Bp neural network method could solve the turbo-rotor multi-fault diagnosis problems.