基于扩散模型的图像去噪方法研究

随着图像处理领域的不断发展,图像噪声处理成为该领域中的主要研究问题之一。为了去除时频图像在获取和传输过程中的噪声,提高图像质量,对不同神经网络进行实验,以确定某种方法能够有助于更好地去除时频图形中的噪声。使用的深度学习方法包括变分自编码器（Variational Auto-Encoder,VAE）和扩散模型。变分自编码器可以学习到数据的特征表示,通过将输入数据映射到潜在空间中,从潜在空间中采样一个随机向量,将采样得到的潜在变量映射回重构空间,并在解码器中重构出去噪后的输出数据,学习数据的潜在分布,达到去除时频图像噪声的目的。另一种是基于LoRA(Low-Rank Adaptation of Large Language Models,LoRA)的扩散模型算法,不同于传统深度学习去噪模型,该方法通过引入Lo RA模块,将时频图像的噪声去除分为两个部分,分别学习时频图像的噪声分布以及时频图像的特征描述文本,从而减少网络在训练过程中的训练参数,实现了对时频图像的噪声去除。通过实验对比,去噪效果比较好的是基于LoRA的扩散模型,峰值信噪比和结构相似度均高于变分自编码器模型。     

基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用

随着科技进步与工业规模的快速壮大,现代工业监测领域步入大数据时代,如何自动地从大规模原始信号中提取故障特征并诊断是一个重要课题。为了提高深度自动编码网络处理非线性问题的能力,提出一种基于核函数与去噪自动编码器(Denosingauto-encoder,DAE)的深度神经网络方法。采用径向基核函数改进传统的去噪自动编码器,提出核去噪自动编码器(Kernel denosing auto-encoder, KDAE);构建包含一个KDAE层与多个AE层的深度神经网络对故障特征进行层层提取,并添加softmax分类层;采用误差反向传播算法对网络参数进行微调,并采用混沌萤火虫算法优化核参数与深度网络中的待定参数,得到故障诊断模型。针对传统自动编码器泛化性较差的问题,在目标函数中添加L2惩罚项。通过航空发动机中介轴承典型故障试验数据,验证了所提方法与传统去噪自动编码网络相比能够得到更高的准确率。     

一种振动信号降噪的堆叠降噪自编码器方法

为了解决振动信号降噪问题,提出一种基于堆叠降噪自编码器的方法.结合PReLU激活函数和批标准化对传统堆叠降噪自编码器进行改进,增强了模型的特征提取和信号重构能力.堆叠降噪自编码器方法使用编码器提取含噪振动信号中的特征,使用解码器进行信号重构,从而实现振动信号降噪.在正弦信号、调幅信号和轴承故障仿真信号下进行降噪实验,取...     

增量深度学习目标跟踪

由于现有目标跟踪算法在复杂环境下易发生目标漂移甚至跟踪丢失,故本文提出了以双重采样粒子滤波为框架,基于增量深度学习的目标跟踪算法。该算法在粒子滤波中引入粒子集规模自适应调整的双重采样来解决粒子衰减及贫化问题,并利用无监督特征学习预训练深度去噪自编码器以克服跟踪中训练样本的不足。将深度去噪自编码器应用到在线跟踪中,使提取的特征集合能够有效表达粒子图像区域。在深度去噪自编码器中添加了增量特征学习方法,得到了更有效的特征集以适应跟踪过程中目标外观变化。该方法还用线性支持向量机对特征集合进行分类,提高对粒子集合的分类精度,以得到更精确的目标位置。在复杂环境下对不同图片序列进行的实验表明:该算法的跟踪综合评价指标为94%、重叠率为74%,平均帧率为13frame/s。与现有的跟踪算法相比,本算法有效地解决目标漂移甚至跟踪丢失问题,并且对遮挡、相似背景、光照变化、外观变化具有更好的鲁棒性及精确度。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于稀疏自动编码深度神经网络的感应电动机故障诊断

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。     

基于CFA参数优化DAE方法的滚动轴承故障诊断

为了进一步提高滚动轴承的故障诊断效率,设计了一种混沌萤火虫参数优化去噪自动编码器(Denosing auto-encoder, DAE)轴承故障诊断方法,标记为CFADAE。选择核去噪自动编码器构建深度神经网络,从初始信号中提取得到首层特征,经过自动编码器堆叠处理形成深度网络,实现深层特征参数的准确提取。研究结果表明：利用FA参数确定的准确率为92.82%,标准差为1.45,相对CFA方法95.94%准确率发生了降低,表明混沌改进萤火虫算法进行诊断的准确率更高,并且能够大幅减小波动幅度。相比较其他的方法,DAE网络的诊断平均准确率达到95.84%,表明去噪自动编码器与L2惩罚项能够促进模型鲁棒效果与泛化性的显著提升,由此获得更优的诊断精度。该研究可以拓宽到其它机械传动故障诊断领域,具有很好的推广应用价值。     

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

中值滤波与小波变换的指纹图像混合去噪的算法

图像去噪是指纹图像预处理中的重要内容,直接影响着指纹识别系统的准确率.结合中值滤波与小波去噪分别去除椒盐噪声和高斯噪声中的优势,提出了一种指纹图像混合去噪算法,并对其中的关键步骤进行了详细分析.仿真结果表明:相对于单一使用一种去噪方法,混合去噪算法能更有效地去除指纹图像中的椒盐和高斯混合噪声,获得了较好的峰值信噪比增益.     

基于经验模分解的陀螺信号去噪

陀螺随机漂移是影响寻北精度的重要因素,小波消噪方法对小波基和分解尺度等因素依赖性较强。提出了一种新的基于功率谱密度准则的经验模态分解(EMD)去噪方法,可有效解决传统EMD去噪自适应滤波器截止阶数难以确定的难题,该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用模态与噪声分量起主导作用模态,并对噪声分量起主导作用的模态进行类似小波软阈值去噪的方法进行滤波,然后与信号分量起主导作用的模态共同对信号重建实现去噪。将该方法应用于测试信号与陀螺信号的去噪,结果表明:新方法能有效地判断噪声与信号起主导作用的模态分界点,具有良好的去噪效果,且不受主观参数的影响,具有自适应性。     

基于卷积神经网络的异步电机故障诊断

由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。     

基于缺失数据填补的风电齿轮箱状态监测研究

风电机组监控和数据采集系统的现场数据普遍存在缺失问题,会对下游状态监测任务产生一定负面影响。为此,提出一种结合注意力机制的掩膜自编码网络,用于填补面板数据样本中的缺失值,增加可用样本数量,提升状态监测结果的准确性与连续性。该方法以降噪自编码网络为整体框架,在编码阶段通过注意力机制对缺失值进行掩膜处理,赋予缺失值更高的权重以强化网络对其关注程度,在解码阶段将缺失值填补后输出完备数据样本。随后,利用长短时记忆网络提取的样本特征对目标变量参数进行预测,依据预测残差实现状态监测。使用某风电齿轮箱运行数据验证,结果表明：提出方法的数据填补偏差相较对比方法至少改善17.2%;与数据填补前相比,数据填补后样本数量显著增加,使状态监测网络对正常数据的预测残差平均下降37.4%,对故障数据的检测率提升6.8%。     

煤矿电网无功补偿方式的优化选择与计算

随着大量电感性设备在煤矿中应用,造成功率因数降低,导致线路末端电压远低于允许范围,电器设备难以正常运转且经常受损,影响安全生产。同时,无功功率导致电网电能传输能力下降、线损加剧及能源浪费,提高了产煤成本。通过讨论功率因数低的危害、提高功率因数的方法比较、采用补偿电容器组补偿的装设方法以及高压集中无功补偿的计算等,对煤矿电网进行无功补偿,保证煤矿的安全生产和经济运行。     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

智能家电能耗监测系统的设计与实现

为了给用户提供一个显示家庭用电设备能耗的平台,结合电能检测技术、无线网络传输和嵌入式控制技术,设计了一套家庭用电设备电能检测系统。通过对本系统的研究,阐述了CS5460A电能检测模块,ZigBee无线传输模块,显示模块以及核心控制模块。实验结果表明,所设计的智能家电能耗检测系统实现了无线采集用电设备的用电量在LCD和上位机上显示,且所采集的电能相对误差符合国家相关标准。     

Fault diagnosis of rolling bearings with recurrent neural network-based autoencoders

As the rolling bearings being the key part of rotary machine, its healthy condition is quite important for safety production. Fault diagnosis of rolling bearing has been research focus for the sake of improving the economic efficiency and guaranteeing the operation security. However, the collected signals are mixed with ambient noise during the operation of rotary machine, which brings great challenge to the exact diagnosis results. Using signals collected from multiple sensors can avoid the loss of local information and extract more helpful characteristics. Recurrent Neural Networks (RNN) is a type of artificial neural network which can deal with multiple time sequence data. The capacity of RNN has been proved outstanding for catching time relevance about time sequence data. This paper proposed a novel method for bearing fault diagnosis with RNN in the form of an autoencoder. In this approach, multiple vibration value of the rolling bearings of the next period are predicted from the previous period by means of Gated Recurrent Unit (GRU)-based denoising autoencoder. These GRU-based non-linear predictive denoising autoencoders (GRU-NP-DAEs) are trained with strong generalization ability for each different fault pattern. Then for the given input data, the reconstruction errors between the next period data and the output data generated by different GRU-NP-DAEs are used to detect anomalous conditions and classify fault type. Classic rotating machinery datasets have been employed to testify the effectiveness of the proposed diagnosis method and its preponderance over some state-of-the-art methods. The experiment results indicate that the proposed method achieves satisfactory performance with strong robustness and high classification accuracy.     

深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。     

谐波的危害与治理

介绍了有源电力滤波器在低压配电网络中的应用,通过实时监测供电线路中变频器、变速传动装置、各种直流电源等设备产生的高次谐波,动态抑制高次谐波,消除谐波电流对供电网络中设备的危害,降低能源消耗,提高供电品质,保证供电设备及用电设备的安全运行.     

谐波下的电能计量研究及功率因数分析

电力系统中非线性负载通常是谐波源,其正常运行导致电网畸变严重,因而影响了基于正弦电压、电流原理下的感应式电能表的电能计量。在电网存在谐波时,感应式电能表会存在较大计量误差,由于线性负载在吸收基波电能的同时也吸收谐波电能,而非线性负载通常在吸收基波电能的同时还会作为谐波源发出谐波电能污染电网,因此,感应式电能表的计量偏差通常对这两类负载又是极不公允的。该文从理论上对非线性负载的电能计量进行了深入分析,通过电能计量对策研究和仿真分析,讨论了存在非线性负载时供用电计量的公平性和准确性问题,进而提出了电网畸变时基于基谐波分离的电能计量方案。