多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题,提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network,简称NMS-CNN）故障辨识方法。首先,对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform,简称FFT）获取其频域数据;其次,利用多尺度卷积提取频域数据中的多粒度敏感特征,并使用实例归一化技术（instance normalization,简称IN）对特征图进行归一化;然后,采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征;最后,使用softmax分类器完成故障辨识任务。经过实验验证,所提方法能够在较少训练样本下完成故障辨识任务,并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

基于卷积孪生神经网络的滚动轴承故障定位方法

在不同设备及不同工况的条件下,滚动轴承的振动数据分布存在差异,采用传统的深度学习模型难以应对数据集分布不一致的状况,针对这一问题,提出了一种基于卷积孪生神经网络的轴承故障定位方法.首先,选择孪生网络作为基本框架,对预处理后的设备数据进行了扩充,使之达到了数据增强的目的;然后,选择随机池化-ELU-CNN(SE-CNN)...     

基于卷积神经网络的多模态过程故障检测

传统多元统计分析方法在多模态过程故障检测应用中存在控制阈值难以选择、误报率和漏报率高等问题,受到计算机智能视觉处理技术的启发,提出数据驱动的基于平铺卷积神经网络（TCNN）的故障检测方法,该方法创新地将多传感器数据编码成二维图像,将故障检测变成模式识别问题。离线阶段,将历史数据进行差值图像编码以保留特征,构建模型训练数据集。进一步建立故障检测TCNN模型,使用Adam算法进行梯度下降模型寻优,引入灰狼优化算法进行超参数寻优获得较优的检测模型。在线阶段,将在线传感器信号输入模型进行模态识别和故障检测。从数据出发,无需特征工程和人工干预,通过TCNN模型学习数据深层的模式特征。TEP数据集实验表明,对传统方法难以检测的多模态过程故障,提出的方法取得了较好的检测效果,有效地降低了误报率和漏报率,在工业智能制造的发展趋势下具有一定的应用价值。     

多尺度主元分析方法在化工过程故障检测中的应用

由于化工生产过程是一个非常复杂、多变的过程，生产系统在长期运行和生产负荷中会不可避免地发生各种故障，降低生产效率，导致设备损坏、生产停滞，甚至会危及操作人员的自身安全，因而过程故障监测已成为化工生产中安全保护系统的重要组成部分。主元分析方法（PCA）已广泛应用于监视多变量过程，但是传统的PCA只适于分析故障或干扰仅存在于某一固定尺度或频率段上的数据。实际过程中获取的数据，不仅故障可能发生在不同的时一频范围内，而且统计过程的能量或功率谱也可能随着时间或频率的改变而改变。     

基于孪生网络的小样本滚动轴承故障诊断研究

针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型：首先,对于滚动轴承故障信号进行连续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别达到了96.25%和97.08%正确率。所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可减少至20个,与经典卷积神经网络模型相比具有明显优势。     

基于多尺度特征融合网络的多聚焦图像融合技术

多聚焦图像融合技术是为了突破传统相机景深的限制,将焦点不同的多幅图像合成一幅全聚焦图像,以获得更加全面的信息。以往基于空间域和基于变换域的方法,需要手动进行活动水平的测量和融合规则的设计,较为复杂。所提出的方法与传统的神经网络相比增加了提取浅层特征信息的部分,提高了分类准确率。将源图像输入训练好的多尺度特征网络中获得初始焦点图,然后对焦点图进行后处理,最后使用逐像素加权平均规则获得全聚焦融合图像。实验结果表明,本文方法融合而成的全聚焦图像清晰度高,保有细节丰富且失真度小,主、客观评价结果均优于其他方法。     

遥感图像云检测的多尺度融合分割网络方法

在进行可见光遥感图像高精度云检测时,云自身特征的多变性,以及地物与云之间的特征相似性,会降低检测精度。因此,提出一种带权重的多尺度融合分割网络云检测方法。首先,通过有云区域和无云区域的特征学习,降低对云状的敏感性,同时利用全卷积网络进行端到端训练,实现对每个像素点分类。该方法能够自动提取深层特征,并可将云的深层语义特征与浅层细节特征结合,不但有利于区分下垫面中与云特征相似的地物,还可提高云边缘检测效果,从而提升云量值的检测精度。与其他深度学习分割网络的实验比较分析表明,所提方法可以实现95. 39%的像素分类准确度,云量值检测误差优于1%,为解决遥感图像云污染问题提供了新的思路。     

基于数字孪生技术的工业机器人故障预测方法

为了提高工业机器人的运行效率,采用数字孪生技术和卷积神经网络算法设计了工业机器人故障的预测方法。首先设计了工业机器人故障预测的基本架构,然后利用数字孪生技术构建了虚实映射的工业机器人的物理模型,并提取工业机器人的运动姿态特征,最后利用卷积神经网络算法构建了工业机器人电机故障的预测模型,通过对故障特征信号特征提取和分类,实现了故障的实时预测。仿真结果表明：通过孪生虚拟模型获取的工业机器人运行状态与实际运行状态高度重合,采用提出的故障预测方法对100组数据处理,得到的正确率、精确率、召回率和F1值4个性能指标分别为0.961 7、0.903 5、0.925 4和0.923 1,均明显高于其他两种对比方法,为工业机器人进行故障诊断和预测提供有力的技术支持。     

基于相对变换PLS的故障检测方法

针对偏最小二乘方法(partial least squares,PLS)在无量纲标准化处理后导致的特征值大小近似相等,难以获得代表性的潜变量等问题,提出了一种基于相对变换PLS( relative-transformation PLS,RTPLS)的故障检测方法.该方法引入马氏距离相对变换理论,通过计算采样数据之间的马氏距离,将原始空间数据变换到相对空间.然后在相对空间进行PLS分解,提取有代表性的潜变量,建立故障检测模型,实现采样数据的在线检测.通过对TE (Tennessee Eastman)过程故障和轧钢机系统力传感器故障的仿真实验验证了所提出方法的有效性和实用性.理论分析和仿真实验均表明,基于RTPLS的故障检测方法能有效地消除量纲的影响,提取具有更大的变化度和代表性的隐变量,增加故障检测的精度和实时性.     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

基于自归一化神经网络的电弧故障检测方法

电弧故障是电气火灾的重要原因.低压线路发生串联电弧故障时,回路电流波形的时域特征与正常工作状态类似,采用传统的特征提取方法无法完整表达时域信号的全部数据特征,限制了电弧故障的特征表达能力,导致检测结果的误报率和漏报率较高.针对此问题,提出基于自归一化卷积神经网络的电弧故障检测方法.该方法将采集到的不同种类负载的电流时间...     

基于CNN的高速铁路侵限异物特征快速提取算法

高速铁路异物侵限检测系统用来检测是否有异物侵入高速铁路安全限界。为增加系统的可靠性,提出了一种基于卷积神经网络(CNN)的特征快速提取算法。针对特征计算速度缓慢的问题,提出简化的全连接网络结构;针对准确率因简化网络结构而下降的问题,提出将卷积层的卷积核进行预先训练;最后为防止因全连接而导致的对称性特征提取,提出加入稀疏性参数的快速特征提取算法。改进后的卷积神经网络,在保证准确率的基础上加快了计算速度,同时满足了实时性和高准确率的要求。实验表明处理单幅图像的速度为0.15 s,准确率为99.5%。     

基于门控循环单元模型的道岔故障预测方法

道岔是铁路上重要的信号基础设备之一,其故障将直接影响行车安全和效率.本文从分析道岔的功率曲线入手,首先提取其时域及哈尔(Haar)小波变换特征并进行特征选择,然后通过聚类算法和皮尔逊(Pearson)相关系数建立退化状态与故障状态之间的关联,最后利用卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)建立道岔的状态预测模型,实现道岔的故障预测.CNN可以直接提取原始功率数据的特征同时降低维数,简化了预测过程.GRU独特的门结构和处理时间序列的特点在预测精度和时间上相比传统的预测方法具有一定优势.实验结果表明,当特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2％.     

基于改进MVU的非线性动态过程故障检测方法

针对化工过程数据的非线性和动态性分布特征,引入Laplacian特征映射(LE),提出了一种基于改进最大方差展开(MVU)的特征提取算法.在改进算法中,局部以欧式距离、全局以测地线距离为尺度度量数据间差异性,以更好反映数据内在几何性质;此外,借鉴LE算法思路,通过最小化近邻点间距离实现流形结构保持.改进算法兼具全局特性保持和局部流形学习能力,计算效率也有较大提高.将其用于提取非线性动态过程高维数据子流形特征,利用SVDD在特征空间建立故障检测模型,构造统计量并确定其控制限.TE过程仿真及丙烯聚合过程实验研究表明改进方法能有效挖掘过程特征信息、监控过程变化并及时检测故障发生,故障检测率较传统方法有显著提高.     

基于LabVIEW的机械故障信号小波包分解和重构

给出了一种基于LabVIEW快速实现信号的小波包分解和重构的方法.在LabVIEW的高级信号处理工具箱中包含了小波包信号分解和重构的模块,利用这些模块快速实现了小波包分解和重构,针对现在利用这些模块进行编程的资料有限,编译了相关的小波包分解和重构程序,以便于虚拟仪器的架构和故障的快速诊断.最后用仿真信号进行了小波包的分解和重构,证实了该办法的可行性.     

基于DMOLPP的间歇过程在线故障检测

为了保持过程数据集的局部结构,确保数据投影后的投影向量正交,降低数据误差重构方面的难度,提出了一种基于动态多向正交局部保持投影(DMOLPP)进行间歇过程故障检测的方法。该方法将滑动窗口技术和正交局部保持投影(OLPP)相结合用于间歇过程在线检测。首先,将批次数据展开成二维数据,利用滑动窗口技术分别在时间片内运用OLPP算法提取能表征过程正常数据内在局部近邻结构的特征;然后,对于新来批次数据标准化处理后分别在相应窗口内投影,提取特征向量;最后利用核密度估计(KDE)确定控制限进行过程检测。通过仿真结果表明,运用DMOLPP算法检测到故障发生的时刻早于动态多向局部保持投影(DMLPP)、动态多向邻域保持嵌入(DMNPE)方法。与动态多向主元分析(DMPCA)相比,具有较低或者无误报时刻,验证了该方法的有效性。     

基于CNN的火炮身管全景图像疵病识别方法

针对火炮身管内膛疵病种类多、定性定量分析难和检测自动化程度低等问题,本文提出一种以卷积神经网络为基础的疵病识别方法。首先,对全景图像进行预处理,主要包括全景展开、光照强度调整、膛线去除等;其次,通过最优阈值法对图像进行二值化处理,并利用四连通域法提取疵病区域;最后,采用卷积神经网络对疵病进行自动的分类识别。实验结果表明,该方法能有效避免人工疵病特征提取和人工特征描述计算等复杂步骤,实现了"采集-识别-判定"全过程的自动运行,真正实现了窥膛检测的自动化,身管疵病的识别率超过92%,识别准确率远高于基于统计学原理及支持向量机的分类方式,具有较高的准确性,为火炮身管修复及寿命预估等奠定了坚实的基础。