基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

航发喘振智能化故障诊断模型研究

针对航空发动机的喘振故障严重影响飞机安全运行的问题，提出了一种基于深度学习的航发喘振智能化故障诊断模型。结合喘振的生成机理对航空发动机传感器数据进行喘振故障分析，采用基于滑动窗口的数据预处理算法构造数据集和标签集；集成卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆(Long-Short Term Memory, LSTM)网络，设计出针对航发喘振故障诊断的深度神经网络模型(1D-CLSTM);在所构建的数据集上，对所提模型与当下流行的深度神经网络进行比较。实验结果表明，所提模型对喘振故障分类的F1分数(F1＿score)、召回率(Recall)和精确度(Precision)分别达到了96.45%、95.48%、97.46%,优于其它网络模型。所提模型在时序信号处理与旋转机械智能化故障诊断方面有着较高的应用和推广价值。     

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。     

基于多尺度特征融合的土地利用分类算法

针对土地利用分类中高空间分辨率遥感图像已标注样本少和传感器高度变化导致地物形变等问题,提出一种基于多尺度特征融合的土地利用分类算法。通过对多个卷积层特征进行多尺度自适应融合,降低地物形变对分类精度造成的影响。为进一步提高分类精度,利用预训练网络提取的深度特征对多尺度特征融合部分和全连接层进行预训练,采用增广数据集对整个网络进行微调。实验结果表明,自适应融合方法改善了融合效果,有效提高了土地利用分类的精度。     

基于小样本学习融合随机深度和多尺度卷积的SDM-RNET网络

针对神经网络难以利用少量标注数据获取足够的信息来正确分类图像的问题,提出了一种融合随机深度网络和多尺度卷积的关系网络——SDM-RNET.首先在模型嵌入模块引入随机深度网络用于加深模型深度,然后在特征提取阶段采用多尺度深度可分离卷积替代普通卷积进行特征融合,经过骨干网络后再采用深浅层特征融合获取更丰富的图像特征,最终学习预测出图像的类别.在mini-ImageNet、RP2K、Omniglot这3个数据集上对比该方法与其他小样本图像分类方法,结果表明在5-way 1-shot和5-way 5-shot分类任务上该方法准确率最高.     

基于RNN-LSTM的磨矿系统故障诊断技术

目前磨矿系统故障诊断多为人为判断，效率低、准确率低、成本高且容易造成人员伤亡.传统方法对高维度和时间相关性较大的样本数据集分类能力较差，针对以上问题，提出一种基于RNN-LSTM（Recurrent Neural Network-Long Short-Term Memory）的深度学习方法，实现磨矿系统故障的智能化诊断.该方法通过将数据集"分批处理"分别输入到LSTM单元网络中，提取数据集在时间维度上的相关性，并比较分析前后时刻的输入特征向量实现对故障分类.通过分别对RNN-LSTM深度学习网络与基于自编码分类方法进行实验对比验证，得出结论：在时间相关性较强的高维度数据集中基于RNN-LSTM深度方法辨识效果明显优于基于自编码方法的分类器，最终网络对于故障诊断的错误率低至3%.     

基于深度森林的无线传感器网络故障分类算法

针对无线传感器网络(WSN)节点容易出现故障从而导致网络瘫痪的问题,提出了一种基于改进的深度森林的无线传感器网络故障分类方法;深度森林是基于森林的集成学习方法,其输入是多维特征向量,特征向量将由多粒度扫描和级联森林这两个主要组成部分进行处理,多粒度扫描通过处理数据之间的关系来增强数据表示的能力,级联森林用于分类或预测;针对级联森林部分随着层数的增加可能造成的维数问题进行优化后,将该算法用于故障分类可以提高故障诊断的精确度;在仿真验证阶段,将该算法与深度神经网络(DNN)和支持向量机(SVM)算法进行对比;结果显示,该算法可以准确地识别出不同的故障类型,并且在损坏故障和电源故障的识别达到了最高精度,综合平均精度在98.4%;对偏移故障、漂移故障和通信故障的识别略低于卷积神经网络(CNN)算法,但综合训练时间、参数调节来看,该算法更能满足实际工程的需要。     

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。     

基于深度神经决策森林的体域网数据融合方法

针对体域网的多传感器数据采集过程中存在的数据冗余大、特征信息模糊问题,提出了一种基于深度神经决策森林（DNDF）的数据融合方法。首先根据目标任务的实际需求,使用卷积神经网络进行相关特征提取,再将决策树放置到全连接层之后进行精细化数据分类。通过使用DNDF方法,不仅能够有效提取多维数据的关键特征,而且能够较好地兼顾数据间的关联性。实验以AReM数据集作为实验样本,结果表明,DNDF方法相对其他传统算法具有更好的分类准确率,分类准确率达到了96.5%。     

滚动轴承细粒度故障诊断研究

针对目前滚动轴承故障诊断主要采用监督式深度学习提取故障特征以及检测故障种类为粗粒度的现状,提出一种基于高斯混合模型（Gaussian mixed models,GMM）和深度残差收缩网络（deep residual shrinkage networks,DRSN）的滚动轴承细粒度故障诊断方法。GMM模型集成多个高斯分布函数,拟合细粒度故障数据的分布情况,实现对没有标签的轴承振动信号进行聚类,DRSN模型中注意力机制从大量故障特征信息中聚焦于对当前任务更为关键的信息,软阈值化旨在为处于不同健康状态的轴承样本设置不同的阈值。在凯斯西储大学（Case Western Reserve University,CWRU）滚动轴承故障数据中收集30种轴承健康状态对该方法进行了验证,结果表明,将非监督模型与深度学习模型融合,能够处理不含标签情况下的轴承故障数据,实现对轴承故障进行细粒度分类的目的,为后续的设备维护提供依据,具有较好的实际工程意义和推广性。     

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。     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。     

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。     

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。     

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。     

基于深度度量学习的电机故障诊断

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果，由于电机结构的复杂性，其信号表现出的非平稳、非线性和复杂多样等特点，使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点，结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想，提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图，同时构建CNN，将预处理后的样本用于CNN的训练，采用Triplet Loss作为损失函数度量故障数据高维特征间的距离，并结合标签有监督地微调整个网络，从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离，高效完成故障诊断任务，弥补了交叉熵函数的不足。     

不平衡训练数据下的基于生成对抗网络的轴承故障诊断

近年来,随着深度学习模型及其衍生模型在故障诊断领域中的成功应用,基于深度学习的故障诊断方法开始成为研究主流.但是当训练数据不均衡时,通过深度学习从不平衡的数据中提取的故障特征是不准确的,训练得到的神经网络模型的分类结果往往倾向多数类,极大影响了分类效果.针对这种情况,本文结合卷积神经网络设计了一种新的生成对抗网络模型(Convolutional Wasserstein Generative Adversarial Network,CWGAN).首先卷积神经网络从故障样本中提取故障特征,并将其作为对抗网络的输入,然后由解码器网络解码来自生成器的故障特征向量来生成故障样本,同时将提取的故障特征和训练过程中的故障诊断误差添加至生成器训练的损失函数中.实验表明本文提出的方法相比于基线模型(GAN-CNN)的平均F1值提高4%,较好地解决数据不平衡的分类问题.     

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。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。