基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

基于GoogLeNet的场景识别研究

场景识别技术属于机器视觉的研究内容,是图像理解的常见任务,一直受到广泛关注。随着人工智能专业的发展,卷积神经网络在图像理解与识别领域取得了许多成果。因此,该文基于常用的卷积神经网络模型GoogLeNet和残差网络设计了场景识别模型。通过设计的模型提取场景图像特征,并利用卷积神经网络模型进行场景识别,最终完成对场景的分类识别任务。实验结果证明了卷积神经网络在研究场景识别问题上的有效性。     

基于改进卷积神经网络的动态过程质量异常模式识别北大核心

为实时识别动态过程质量异常模式,提出了基于改进卷积神经网络的在线识别方法。根据动态过程数据流的特点构建一维卷积神经网络识别模型。通过改进卷积神经网络损失函数提升模型在不平衡分类问题下的识别准确率。为减少实验次数和节约计算资源,利用正交试验法对改进后的卷积神经网络进行参数优化。以某铅酸蓄电池涂板过程为例验证了所提模型的有效性。实验结果表明:所提方法在处理不平衡样本问题时表现出了良好的识别能力,能够有效应用于动态过程质量异常模式的在线识别。     

基于改进卷积神经网络的动态过程质量异常模式识别

为实时识别动态过程质量异常模式,提出了基于改进卷积神经网络的在线识别方法。根据动态过程数据流的特点构建一维卷积神经网络识别模型。通过改进卷积神经网络损失函数提升模型在不平衡分类问题下的识别准确率。为减少实验次数和节约计算资源,利用正交试验法对改进后的卷积神经网络进行参数优化。以某铅酸蓄电池涂板过程为例验证了所提模型的有效性。实验结果表明:所提方法在处理不平衡样本问题时表现出了良好的识别能力,能够有效应用于动态过程质量异常模式的在线识别。     

基于声发射信号时频图深度学习的桥梁钢桁架焊接节点损伤程度识别

针对桥梁钢桁架疲劳损伤识别难度大、精度低的现状,提出基于声发射信号时频分析与深度学习的钢桁架焊接节点损伤程度识别方法。对桁架节点在桥梁运营状态下产生的声发射信号进行小波变换,表征不同损伤程度信号的时频能量分布模式,然后建立卷积神经网络(convolutional neural network, CNN)模型对时频图进行损伤特征提取,并通过迁移学习思想提升模型的训练效率和学习能力,从而实现桁架焊接节点严重损伤、轻微损伤和噪声工况的准确识别。进一步对模型各卷积层激活区域进行可视化分析,解剖模型的损伤特征学习过程及分类逻辑。某悬索桥中央纵向腹板钢桁架焊接节点现场试验结果表明：相较于利用时域波形进行特征学习的一维卷积神经网络模型,时频图包含了更丰富的损伤信息,所建立的二维卷积神经网络模型对钢桁架焊接节点三种损伤程度的识别准确率超过94%,具有更强鲁棒性和实际应用价值。     

基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一，对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破，但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型，采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换，通过散射系数实现输入层原始数据降维与特征提取，结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上，结合1D-CNN全连接层与Softmax函数实现特征数据分类，从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比，基于小波散射卷积神经网络的结构损伤识别精度显著提升，损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加，小波散射卷积神经网络损伤分类准确率虽略有下降，但仍保持较高精准度，说明该方法具有较强的鲁棒性抗噪能力。     

基于声发射及WST-CNN协同的滑动轴承润滑状态识别

为实现声发射信号对滑动轴承润滑状态变化进行灵敏表征,提出一种采用小波散射变换及卷积神经网络结合的滑动轴承润滑状态识别及故障诊断研究方法。以某310 MW汽轮发电组滑动轴承现场试验所得声发射信号为研究对象,将现有小波散射网络加入散射路径优化机制并进行参数优化,对滑动轴承声发射信号进行自动鲁棒特征提取,将最佳特征矩阵输入优化后的卷积神经网络进行润滑状态识别分类。结果表明,优化后的小波散射网络能够有效提取声发射信号特征,结合优化后的卷积神经网络对特征矩阵进行智能识别,对滑动轴承润滑状态识别率可达到95.28%,能够高效精确地对滑动轴承润滑状态进行诊断。     

旋转机械一维深度卷积神经网络故障诊断研究

针对旋转机械故障特征需要人工提取、复杂故障识别困难和诊断模型鲁棒性差的问题,在经典卷积神经网络Alex Net基础上,提出基于一维深度卷积神经网络的故障诊断模型,模型采用改进的一维卷积核和池化层以适应一维时域信号。相比传统智能诊断模型的人工特征提取和故障分类两阶段模式,该模型将两者合二为一:首先利用多个交替的卷积层和池化层完成原始信号自适应特征学习,然后结合全连接层实现故障诊断。通过轴承和齿轮箱健康状态监测实验表明,提出了模型可以实现高精度、稳定和快速的故障诊断,并与BP神经网络、SVM、一维Le Net5模型和经典Alex Net模型对比,证明了提出模型的优势,最后通过PCA可视化分析说明模型在特征提取上的有效性。     

GLT-CNN方法及其在航空发动机中介轴承故障诊断中的应用

航空发动机中介轴承故障振动信号是一种非平稳非线性信号,其中常混有干扰信号及噪声成分。以往方法大多采用人工特征提取来进行故障识别,特征提取往往依靠专家经验,不仅增加识别复杂度,同时选取的特征也不能很好地表征状态信息。因此提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的中介轴承故障诊断方法,首先将原始故障振动信号进行灰度变换(Gray-level Transformation,GLT),然后输入到结合滑动平均模型的卷积神经网络中,并选用相应的神经网络优化算法实现故障诊断与分类。最后,通过航空发动机中介轴承振动数据,验证所提方法的有效性。     

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。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

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,体现磨损的时序特性。实验表明,在有限的刀具磨损数据样本条件下,通过卷积门控循环神经网络进行刀具磨损状态监测具有较好的效果,其准确率达到97%。     

ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network

Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition.     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

基于脉冲神经网络的钢材表面缺陷识别研究

目的 针对现有钢材缺陷识别算法特征图利用不充分、识别准确率低、参数量大等问题,基于脉冲神经网络,提出一种用于钢材缺陷识别的稠密卷积脉冲神经网络(DCSNN)模型,减少系统消耗和内存占用。方法 首先,采用卷积编码,对输入图片进行特征提取和编码。其次,采用稠密连接算法搭建稠密卷积脉冲神经网络,实现特征重复利用,抑制梯度消失,并通过替代梯度下降算法进行网络训练。最后,在带钢数据集上进行测试,实现带钢缺陷识别。结果 实验结果显示,DCSNN在测试集上的准确率为98.61%,参数量为0.5万,结论 在钢材表面缺陷识别问题上表现出良好效果。     

基于增量学习的数控机床故障诊断系统

针对数控机床中主轴轴承和刀具同时出现故障或机床主轴转速改变时的故障诊断问题,提出了基于增量学习的深度卷积诊断模型。首先,将常用转速下的主轴轴承和刀具振动数据集,输入结合了批量归一化算法的一维卷积神经网络,实现单一转速下故障诊断;然后,人工判断跨转速诊断时的未知故障类型,对其打标签后重新输入网络,通过增量学习实现知识迁移并使模型学习新数据特征;最后模型在跨转速故障诊断领域的准确率为76.49%~86.09%,且与Fine Tuning和Joint Training两种经典跨领域算法相比,基于增量学习的深度卷积诊断模型提高了准确率,缩短了训练用时。     

Face Age Estimation Based on CSLBP and Lightweight Convolutional Neural Network

As the use of facial attributes continues to expand, research into facial age estimation is also developing. Because face images are easily affected by factors including illumination and occlusion, the age estimation of faces is a challenging process. This paper proposes a face age estimation algorithm based on lightweight convolutional neural network in view of the complexity of the environment and the limitations of device computing ability. Improving face age estimation based on Soft Stagewise Regression Network (SSR-Net) and facial images, this paper employs the Center Symmetric Local Binary Pattern (CSLBP) method to obtain the feature image and then combines the face image and the feature image as network input data. Adding feature images to the convolutional neural network can improve the accuracy as well as increase the network model robustness. The experimental results on IMDB-WIKI and MORPH 2 datasets show that the lightweight convolutional neural network method proposed in this paper reduces model complexity and increases the accuracy of face age estimations.     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。