基于GAF和DenseNet的滚动轴承故障诊断方法

基于模型和基于信号的滚动轴承故障诊断方法存在建模困难、信号分析较繁琐等问题;基于数据驱动的滚动轴承故障诊断方法多采用卷积神经网络,但网络训练时随着网络层数增多会出现梯度消失问题,且将滚动轴承振动信号直接作为网络输入会造成特征提取不全。针对上述问题,提出了一种基于格拉姆角场(GAF)与密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法。将滚动轴承振动信号一维时间序列通过GAF转换为二维图像,保留了时间序列数据之间的相关信息;将二维图像作为DenseNet的输入,通过DenseNet对二维图像进行特征提取,提升了特征信息利用率,进而实现故障分类。采用凯斯西储大学轴承数据集上的数据进行实验,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99.75%。为进一步证明该方法的优越性,选取灰度图+DenseNet、GAF+残差网络(ResNet)、灰度图+ResNet故障诊断方法进行对比,结果表明:GAF+DenseNet方法准确率最高,灰度图+ResNet方法准确率最低;经过GAF转换的二维图像与灰度图相比,保留了原始时间序列数据之间的相关信息;与ResNet相比,DenseNet由于采取更加密集的连接方式,能够更充分地提取故障特征。     

基于一维卷积神经网络的网络流量分类方法

针对传统机器学习算法对于流量分类的瓶颈问题,提出基于一维卷积神经网络模型的应用程序流量分类算法。将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。设计了一种新的一维卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中特征选择问题。通过网络公开数据集进行模型测试,相比于传统的一维卷积神经网络模型,所设计的神经网络模型的分类准确率提升了16.4%,总分类时间节省了71.48%。另外在类精度、召回率以及[F1]分数方面都有较好的提升。     

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1D-CNN-LSTM注意力网络的抽油机井故障诊断

针对传统基于示功图的抽油机井故障诊断方法存在特征提取复杂、模型参数量大、诊断效率低的问题，提出一种基于1D-CNN-LSTM注意力网络的故障诊断方法。将示功图转化为载荷位移序列作为网络输入，使用一维卷积神经网络（1D-CNN）在提取序列局部特征的同时减小序列长度；考虑到序列的时序特性，进一步使用长短时记忆网络（LSTM）提取序列的时序特征；为突出关键特征影响，引入Attention机制，对故障类型相关的时序特征赋予更高的注意力权重；最后将加权特征输入全连接层，利用Softmax分类器实现故障诊断。实验结果表明，所提方法的平均准确率、精确率、召回率和F1值分别达到99.13%、99.35%、99.17%和99.25%，模型大小仅为98 kB。相比基于特征工程的方法具有更高的诊断精度和泛化能力，相比基于二维卷积神经网络（2D-CNN）模型的诊断方法，显著减少了模型参数量和训练时间，提高了故障诊断效率。     

基于信息融合思想的神经网络模型研究及应用

文章针对水电仿真系统中水轮发电机机组的非线性动态数学模型建模复杂问题,提出了一种基于信息融合思想的神经网络模型。通过现场设置的多个异质传感器采集数据,作为该神经网络模型的输入训练样本数据,网络训练中动态修改网络权值和阈值,从而完成复杂的非线性建模功能。同时采用了具有较强全局寻优能力的遗传算法在训练中修改网络结构,从而避免神经网络训练速度慢、容易陷入局部极值的缺点,在现场在线数据预测测试中准确率可达95.8%以上,可以满足仿真模型需要。     

基于深度学习的家用电器电机故障诊断方法研究

针对目前家用电器电机采用人工听诊方式判断电机故障的现状,设计基于深度学习的电机故障诊断方法,旨在实现电机生产线的自动化与智能化。文章设计一个二分支的一维卷积神经网络,并在该基础上优化混合切片二分支卷积神经网络模型。经实验验证,该网络使用后,训练集准确率能达到99.67%,测试集准确率能达到98%,采用该方法进行电机故障噪声诊断准确率高且实用性好。     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

飞机液压系统故障诊断

为有效诊断飞机液压系统故障,根据液压系统压力信号采用了熵权ABC-BP神经网络的故障诊断模型。模型先提取飞机液压系统压力信号的特征值,根据熵权法计算特征值信息熵,选取熵权值较大的作为神经网络的输入,同时利用人工蜂群优化BP神经网络,将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度,还提高了诊断精度。最后建立了飞机起落架收放系统仿真模型进行仿真研究,结果表明该诊断模型具有较好的故障诊断效果,为飞机液压系统故障诊断提供一种新思路。     

基于多标签神经网络的行人属性识别

在多标签行人属性识别的问题中,为了充分利用标签之间的相关性,解决传统方法识别准确率低和效率慢的问题,提出了一个多标签卷积神经网络。该网络在一个统一的网络框架下识别行人多个属性。把行人的多个属性看作是一个序列,然后构建了一个时序分类模型。提出的方法不仅避免了复杂的多输入MLCNN网络,也不需要多次训练单标签分类模型。实验结果表明,本文方法准确率均优于SIFT+SVM和多输入的MLCNN模型,平均准确率达到了90.41%。     

基于改进CNN-LSTM的网络入侵检测模型研究

针对网络入侵检测模型特征提取算法复杂、训练参数过多、检测结果不理想等问题,提出一种改进卷积神经网络与长短期记忆网络结合的网络入侵检测方法(GCNN-LSTM)。首先,使用卷积神经网络对流量数据做特征选择,并选择全局池化层代替其中的全连接层;其次,结合长短期记忆网络强大的时间序列学习能力对改进卷积神经网络选择后的特征进行学习分类,以期在网络异常数据检测方面获得更好的效率和准确率。实验结果表明,提出的模型在UNSW-NB15数据集上有着较好的检测效果。在同等条件下,使用传统卷积神经网络的模型准确率为84.97%,训练时间为76.3 s;本模型准确率达到了88.96%,训练时间为61.1 s。     

基于CNN的变工况滚动轴承故障诊断研究

针对滚动轴承工作环境多变和样本不足导致故障诊断效果不佳的问题,提出一种多模态注意力卷积神经网络。该网络采用多个并行卷积层构建,并结合注意力机制,有效地提取了丰富的故障特征。然后提出了两种有限数据条件下的数据增强方法,解决了数据样本不足的问题。另外,将采集到的滚动轴承时域信号通过小波变换转换为时频图谱作为网络输入来提高数据质量,利用多种转频下故障数据对所提方法进行实验分析。结果表明,该方法在变工况实验中准确率高,聚类效果明显,说明该方法能有效提高变工况下轴承故障诊断的精度,具有很好的应用价值。     

基于网络结构搜索的工业过程自动故障诊断方法

针对现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计烦琐及参数寻优耗时等问题,提出了一种基于网络结构搜索的工业过程自动故障诊断方法(automatic fault diagnosis, AutoFD),该方法采用AutoFD网络结构搜索算法,来自动完成卷积神经网络的网络结构设计和网络参数寻优。在此基础上,首先通过在原始数据上施加操作生成新通道;接着利用表现预测加速获取通道适应性排序的过程;然后依据通道适应性排序,通过表现预测来快速选取最优卷积通道数;最终根据最优卷积通道来搜索表现最优的多通道卷积神经网络模型用于工业过程自动故障诊断。采用田纳西—伊斯曼(Tennessee Eastman, TE)工业过程和数值系统对提出方法进行验证,结果表明该方法可以实现网络结构自动设计及网络参数的自动寻优,并且具有优良的故障诊断性能。     

基于维修日志的飞机设备故障原因判别方法

在飞机维修与保养过程中,航空维修公司已积累了大量经验性的维修日志数据.合理利用该类维修日志,结合机器学习方法,可以辅助维修人员做出正确的故障诊断决策.首先,针对维修日志的特殊性,提出一种迭代式的故障诊断基本过程;其次,在传统的文本特征提取技术的基础上,基于领域内信息,提出一种基于卷积神经网络（convolution neural network,简称CNN）的小样本文本特征提取方法,在样本量较少的情况下,利用预测目标将字向量作为输入,得到更为充分的文本特征;最后,使用随机森林（random forest,简称RF）模型,结合其他故障特征判别飞机设备的故障原因.卷积神经网络以故障原因为目标,预先对故障现象中的字向量进行训练,从而得到更能反映该领域的文本特征.与其他文本特征提取方法相比,该类方法在小样本数据上得到了更好的效果.同时,将卷积神经网络与随机森林模型应用于飞机设备的故障原因判别,并与其他文本特征提取方式和机器学习预测模型进行对比,说明了该类文本特征提取方式和故障原因判别方法的合理性和必要性.     

遥感图像飞机目标分类的卷积神经网络方法

目的 遥感图像飞机目标分类,利用可见光遥感图像对飞机类型进行有效区分,对提供军事作战信息有重要意义。针对该问题,目前存在一些传统机器学习方法,但这些方法需人工提取特征,且难以适应真实遥感图像的复杂背景。近年来,深度卷积神经网络方法兴起,网络能自动学习图像特征且泛化能力强,在计算机视觉各领域应用广泛。但深度卷积神经网络在遥感图像飞机分类问题上应用少见。本文旨在将深度卷积神经网络应用于遥感图像飞机目标分类问题。方法 在缺乏公开数据集的情况下,收集了真实可见光遥感图像中的8种飞机数据,按大致4∶1的比例分为训练集和测试集,并对训练集进行合理扩充。然后针对遥感图像与飞机分类的特殊性,结合深度学习卷积神经网络相关理论,有的放矢地设计了一个5层卷积神经网络。结果 首先,在逐步扩充的训练集上分别训练该卷积神经网络,并分别用同一测试集进行测试,实验表明训练集扩充有利于网络训练,测试准确率从72.4%提升至97.2%。在扩充后训练集上,分别对经典传统机器学习方法、经典卷积神经网络LeNet-5和本文设计的卷积神经网络进行训练,并在同一测试集上测试,实验表明该卷积神经网络的分类准确率高于其他两种方法,最终能在测试集上达到97.2%的准确率,其余两者准确率分别为82.3%、88.7%。结论 在少见使用深度卷积神经网络的遥感图像飞机目标分类问题上,本文设计了一个5层卷积神经网络加以应用。实验结果表明,该网络能适应图像场景,自动学习特征,分类效果良好。     

Aero-Engine Surge Fault Diagnosis Using Deep Neural Network

Deep learning techniques have outstanding performance in feature extraction and model fitting. In the field of aero-engine fault diagnosis, the introduction of deep learning technology is of great significance. The aero-engine is the heart of the aircraft, and its stable operation is the primary guarantee of the aircraft. In order to ensure the normal operation of the aircraft, it is necessary to study and diagnose the faults of the aero-engine. Among the many engine failures, the one that occurs more frequently and is more hazardous is the wheeze, which often poses a great threat to flight safety. On the basis of analyzing the mechanism of aero-engine surge, an aero-engine surge fault diagnosis method based on deep learning technology is proposed. In this paper, key sensor data are obtained by analyzing different engine sensor data. An aero-engine surge dataset acquisition algorithm (ASDA) is proposed to sample the fault and normal points to generate the training set, validation set and test set. Based on neural network models such as one-dimensional convolutional neural network (1D-CNN), convolutional neural network (RNN), and long-short memory neural network (LSTM), different neural network optimization algorithms are selected to achieve fault diagnosis and classification. The experimental results show that the deep learning technique has good effect in aero-engine surge fault diagnosis. The aero-engine surge fault diagnosis network (ASFDN) proposed in this paper achieves better results. Through training, the network achieves more than 99% classification accuracy for the test set.     

功能交联条件下飞机混合增强故障诊断方法

由于飞机系统结构复杂,功能交联程度高,传统以机内测试（BIT）方法为基础的机载综合诊断方法受到机载测试点设置限制,故障检测、隔离能力无法完全满足部队使用维护需求。近年来,数据驱动方法发展迅速,并被广泛运用到故障诊断中,其中概率神经网络（PNN）凭借其结构简单、计算速度快、运算精度高和分类结果好等优势,非常适合故障诊断与分类问题。但同时,数据驱动方法由于样本不足,工程应用存在困难,不能完全替代传统方法。为提升系统故障检测率、隔离率,降低虚警率,通过应用PNN处理飞机健康状态数据进行故障诊断,并结合BIT中的诊断信息,利用二者间的互补性提出了一种混合增强飞机系统故障诊断方法。详细介绍了该融合方法的基本原理、融合层次、融合规则等。最后,通过某型号飞机分系统诊断实例表明,该方法检测、隔离能力有显著提升,能够满足功能交联条件下飞机故障诊断需求。     

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。     

基于改进图卷积神经网络的配网线路故障诊断

随着电网的不断扩容,系统结构越来越复杂,多故障频发,而多故障是故障诊断的关键和难点。为解决故障处理数据量大,需要快速、准确地诊断电网故障的问题,本文提出了一种基于模糊优化图卷积神经网络的配网故障诊断模型。首先处理采集的配网故障线路的特征数据;其次,搭建基于图卷积神经网络的故障诊断模型,利用模糊理论建立配电网故障的隶属函数;最后利用训练好的模型进行配网故障诊断。仿真结果表明,模糊优化图卷积神经网络对多故障诊断的准确率高于卷积神经网络以及其他方法,本文方法做出的诊断结果更加精确,综合诊断效果最好。     

模糊神经网络变幅液压系统故障诊断

针对变幅液压系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为变幅液压系统故障诊断的方法。该方法利用故障树知识提取变幅液压系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述这些故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快,容错能力强,并通过实例分析验证了变幅液压系统模糊神经网络故障诊断的有效性。