基于深度学习的轴承故障智能诊断方法研究

针对一些轴承传统故障诊断算法模型简易造成的诊断结果精度不高且稳定度不高的问题,进一步提高故障诊断的精度和稳定度,文章提出了基于深度学习的轴承故障智能诊断方法。首先采用小波对数据进行去噪处理;然后使用深度卷积神经网络训练数据自动学习特征,并加入Dropout正则化技术避免模型的过拟合;最后使用机器学习SKlearn库下的SVC模块搭建SVM分类器并使用Adam算法进行模型的搭建和优化。实验结果表明,文章提出的故障诊断方法平均故障诊断率达到99.7%,对工业生产中的设备故障诊断具有较大意义。     

基于深度残差网络的轻量级人脸识别方法

针对深度残差网络在小型移动设备的人脸识别应用中存在的网络结构复杂、时间开销大等问题,提出一种基于深度残差网络的轻量级模型。首先对深度残差网络的结构进行精简优化,并结合知识转移方法,从深度残差网络（教师网络）中重构出轻量级残差网络（学生网络）,从而在保证精度的同时,降低网络的结构复杂度;然后在学生网络中通过分解标准卷积减少模型的参数,从而降低特征提取网络的时间复杂度。实验结果表明,在LFW、VGG-Face、AgeDB和CFP-FP等4个不同数据集上,所提模型在识别精度接近主流人脸识别方法的同时,单张推理时间达到16 ms,速度提升了10%~20%。可见,所提模型能够在推理速度得到有效提升的同时识别精度基本不下降。     

数据不平衡下基于DCGAN和AMCNN的滑动轴承故障诊断方法

目前，针对轴承的故障诊断领域研究中，传统的诊断方法往往过度依赖于信号处理的方式，并且模型的泛化能力较差，而深度学习的方法又面临数据不平衡等问题。因此，提出了一种基于深度卷积生成式对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）和注意力机制卷积神经网络（Attention Module Convolutional Neural Network,AMCNN）的轴承诊断方法。首先对信号进行连续小波变换转换为时频图，然后将数据集输入进DCGAN进行对抗训练，生成于原数据分布类似的新样本，解决数据不平衡问题。最后将新数据集输入AMCNN进行学习和分类诊断。实验结果表明，基于该方法的诊断模型较其他算法模型更优，且拥有较快的收敛速度和泛化能力。     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

结合改进卷积神经网络与自编码器的表情识别

为了克服单一神经网络模型提取表情特征困难,以及堆叠深层网络结构会造成训练过程复杂、参数冗余等问题,本文提出了一种引入注意力机制的轻量级CNN通道和卷积自编码器预训练通道的双通道模型.在轻量级CNN通道中以具有残差思想的深度可分离卷积结构进行深层次特征提取并且减少了模型参数量,还引入了通道域注意力机制使得该通道能够学习到...     

基于深度残差网络的光伏故障诊断模型研究

分布式光伏电站的部署环境较为复杂,在实际运行中难免会产生多种故障.针对上述问题,提出了一种基于深度残差网络结构的分布式光伏电站故障诊断模型,对光伏电站的设备运行时序数据进行分析处理,实现对故障类别的快速准确判断.该模型使用一维卷积核感知时序数据特征,通过多级卷积结构提升模型的诊断能力,并采用残差结构解决模型深度增加造成的梯度消失问题,加速了深度模型的训练.光伏电站的测试数据实验结果表明,提出的模型相较于多种常见的智能模型具有较高的故障诊断准确度.该模型的推广使用不仅可以大幅减少光伏电站故障巡检投入,而且还能够提高光伏电站故障诊断效率.     

改进深层小波自编码器的轴承故障诊断方法

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深度学习处理高维、非线性数据的优势,提出一种基于改进深层小波自编码器的轴承智能故障诊断方法。该方法改进小波自编码器的损失函数并引入收缩项限制,再将多个小波自编码器进行堆叠构成深层小波自编码器,并引入“跨层”连接缓解梯度消失现象,最后利用大量无标签数据对网络进行无监督预训练并利用少量带标签数据对模型参数有监督微调。轴承诊断实验结果表明,该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器等方法。     

基于改进残差网络的拉丝机减速箱故障诊断

减速箱对拉丝辊的转速固定有重要作用,由于拉丝设备结构紧密,内部零件的运行状态不易于观察,因此减速箱轮齿故障导致的转速配比异常很难被及时发现,针对拉丝机减速箱存在的故障诊断环节缺失问题,提出一种遗传算法与优化注意力模块改进的残差网络的故障诊断方法。首先,通过小波包分解与带通滤波的混合方法清洗数据,依照生产车间实际情况提出综合评价指标,并按照指标需求选择小波包分解层数;其次,针对残差网络与注意力模块进行改进;最后,将经过连通域分析与二值化后的特征图送入改进后的模型进行诊断。结果表明,该方法的诊断准确率比注意力-残差网络模型(Squeeze-and-Excitation-ResNet, SE-ResNet)提升了7.32%,比卷积神经网络-极限学习机模型(Convolutional Neural Network-Extreme Learning Machine, CNN-ELM)提升了8.81%,针对注意力模块(Squeeze-and-Excitation Module, SE)的改进将模型的单次诊断时间在原来的基础上缩短0.92 s,对塑编拉丝车间中减速箱的维护具有较大的实用价值。     

基于深度残差网络的人脸表情识别

针对深度卷积神经网络随着卷积层数增加而导致网络模型难以训练和性能退化等问题,提出了一种基于深度残差网络的人脸表情识别方法。该方法利用残差学习单元来改善深度卷积神经网络模型训练寻优的过程,减少模型收敛的时间开销。此外,为了提高网络模型的泛化能力,从KDEF和CK+两种表情数据集上选取表情图像样本组成混合数据集用以训练网络。在混合数据集上采用十折（10-fold）交叉验证方法进行了实验,比较了不同深度的带有残差学习单元的残差网络与不带残差学习单元的常规卷积神经网络的表情识别准确率。当采用74层的深度残差网络时,可以获得90.79%的平均识别准确率。实验结果表明采用残差学习单元构建的深度残差网络可以解决网络深度和模型收敛性之间的矛盾,并能提升表情识别的准确率。     

基于深度可分离残差网络的遥感影像路网检测

从高分辨率遥感影像中提取并检测路网一直都是计算机视觉研究的热点和难点。目前,基于深度学习的遥感影像路网检测方法大部分都是以卷积运算为基础的卷积神经网络,而以深度可分离卷积运算为基础深度可分离卷积神经网络作为以卷积运算为基础的卷积神经网络的替代神经网络,不仅在特征提取能力上优于卷积神经网络,而且在参数量和计算量方面也低于卷积神经网络。鉴于此,该文利用深度可分离卷积运算替换卷积运算,并引入残差模块,构造了深度可分离残差网络进行遥感影像的路网自动检测的应用。实验结果表明,在RRSI和CHN6-CUG数据集上,虽然深度可分离残差网络的准确率和损失与相对应的卷积神经网络和残差网络的准确率和损失的区别不大,但是深度可分离残差网络的训练耗时时长远远低于相对应的卷积神经网络和残差网络的训练耗时时长,而且深度可分离残差网络的路网检测实际结果也优于相对应的卷积神经网络和残差网络的路网检测实际结果。     

基于小波包-AR谱和深度学习的轴承故障诊断研究

针对轴承故障信号的非平稳性和非线性特点,本文采用小波包分解和自回归(auto-regressive,AR)谱估计相结合的方法提取振动信号有效特征值,为了提高诊断结果的精度,提出用深度信念网络(deep believe network,DBN)进行诊断模型训练。首先通过对轴承振动信号进行小波包分解和自回归谱估计,累加不同频段的能量实现轴承故障特征提取,然后将提取到的特征值作为深度信念网络的输入向量,进行模型训练,最后用训练好的模型进行轴承故障诊断。为验证本文所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集进行实验。在输入相同数据集的前提下,对比了DBN和灰色关联分析(grey relational analysis,GRA)、支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)这四种方法的识别准确率。结果表明DBN识别效果较好。从而验证了本文所提方法的可行性和有效性。     

基于轻量自动残差缩放网络的图像超分辨率重建

近年来,由于深度卷积神经网络的出色性能,深度学习已成为图像超分辨率领域的研究热点,已经有许多具有很深结构的大型模型被提出。而在实际应用中,普通个人计算机或智能终端的硬件显然不适合大规模深度神经网络模型。提出了一种针对单幅图像超分辨率且具有自动残差缩放功能的轻量级网络(ARSN),与许多基于深度学习的方法相比,它的层和参数更少。此外,该网络中有特殊的残差块和跳跃连接用来进行残差缩放以及全局和局部残差学习。根据测试数据集结果,该网络在重建质量和运行速度上都达到了非常优异的性能。所提出的网络在性能、速度和硬件消耗方面均取得了良好的效果,具有较高的实用价值。     

基于轻量级金字塔网络的种子分选方法研究

针对目前卷积神经网络种子分选方法存在识别精度不高、模型参数量大、推理速度慢且难于部署等问题,提出了基于轻量级金字塔空洞卷积网络的种子分选方法;该网络提出了残差空间金字塔模块,利用不同扩张率的空洞卷积扩大感受野,更有效地提取多尺度特征;再结合深度可分离卷积技术减少模型参数量和计算复杂度;在网络结构中引入轻量级注意力机制模块,利用局部跨通道交互方式关注重要的信息,提高种子关键特征提取能力;实验结果表明,提出网络参数量仅为0.13 M,在玉米和红芸豆数据集上准确率高达96.00%和97.38%,在NVIDIA Quadro板卡上识别单张图片时间仅为4.51 ms,均优于主流轻量级网络MobileNetv2、Shufflenetv2和PPLC-Net等,可以满足工业现场实时识别的要求。     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。     

基于信息修正的深度残差学习

提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压缩过的特征图,解码器模块被驱动以产生激活准确的特征图,其能够突出显示输入图片中最具有判别力的区域,最后通过元素级相加和激活操作对输入特征进行信息修正。为了使设计的模型计算更加高效,通过减少残差分支的通道数来探究其轻量级版本的表现,发现并没有明显的性能下降现象。在各种基于残差网络的架构上进行实验,获得了一致性的性能提高,而且付出的计算代价与原始版本相比差别不大,甚至还低。     

结合反残差块和YOLOv3的目标检测法

为了提高目标检测算法的实时性,提出了一种基于反残差块的轻量级目标检测方法,并将其用于行人检测。利用深度可分离卷积减少模型的参数量和卷积过程的计算量;在深度可分离卷积的基础上构造反残差块,提取高维特征。采用多尺度预测和特征融合相结合的方法,更好地利用深层特征图的语义信息,使得模型对图像中小尺度的行人目标有较好的表征能力。运用K-means聚类方法对INRIA数据集中样本进行聚类分析。通过对比试验表明:改进后的YOLOv3方法在INRIA数据集上能够有效地检测小尺度的目标,与原方法相比在精度上提升了4.26%、召回率提升5%且检测每张图片所需的时间减少了33.6%。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

WPT-MSE结合PNN的电机轴承故障诊断方法

滚动轴承是电机的重要组成零部件,在实际运行工况条件下,背景噪声干扰严重,难以实现电机轴承特征的有效提取及故障的准确判别。为了解决这一问题,提出了一种基于小波包变换(UPT)、多尺度熵(MSE)和概率神经网络(PNN)的诊断方法。首先,利用小波包变换对拾取的信号样本进行处理,并将原始信号分解为相应的子带信号分量,以减少原始信号中复杂成分之间的交叉干扰;然后,计算所得子带信号分量的多尺度熵值,并利用提取出的多尺度熵值构造能够表征电机轴承运行状态的特征向量;最后,将特征向量输入概率神经网络中,实现对电机轴承不同故障类型及损伤程度的自动识别。实测数据分析结果表明,所述诊断方法能够有效识别电机轴承的不同工作状态,从而为电机轴承的故障诊断提供了参考,具有一定的工程应用价值。     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

基于一种轻量级卷积神经网络的植物叶片图像识别研究

对轻量级卷积神经网络MobileNet V2的模型结构进行改进,将深度可分离卷积中的激活函数ReLU替换成Leaky ReLU,从而避免神经元死亡问题,倒置残差卷积中的跨越连接添加Dropout层,增大模型的泛化能力.实验结果表明,预测结果的总体准确率达到91.41％,最高精确率为95.12％,最高召回率为97.39％...