基于CNN-SVM和特征融合的齿轮箱故障诊断

针对以数据驱动的齿轮箱故障诊断过程中存在特征提取复杂、分类器对特征存在较强的依赖性等问题,提出了一种基于卷积神经网络(CNN)和支持向量机(SVM)相结合的齿轮箱故障诊断模型。该诊断模型以多传感器采集的原始振动信号作为模型的输入,通过卷积神经网络完成特征的自适应提取,然后在特征级上将各传感器的特征进行融合,最后将融合特征输入到支持向量机进行故障的分类。经过实验证明,该模型直接以原始信号进行故障诊断的准确率能达到96.3%,且提取的特征在经过融合过后有很高的区分度;相比于基于特征工程的特征提取方法,基于特征学习的特征提取方法提取的特征对齿轮箱故障诊断更有效。     

基于改进DG-MobileNet模型的焊缝缺陷识别方法

针对焊接缺陷识别及分类过程中，传统卷积神经网络识别准确率低、适应性差和低效等问题，提出一种基于融合空洞卷积的DG-MobileNet焊接缺陷识别模型。首先，基于MobileNet模型将深度可分离卷积与空洞卷积相结合以扩大卷积核感受野；然后，引入DropBlock模块和批量规范化算法优化焊接缺陷特征提取过程和防止过拟合现象；其次，引入SENet自注意力机制进行特征重标定，提升焊接缺陷识别效率。此外，考虑到焊接缺陷数量类不平衡问题，采用DCGAN进行数据增强并在增强后的数据集上验证模型有效性。实验结果表明，相比于传统算法，DG-MobileNet在焊缝缺陷图像特征提取、识别准确率和耗时方面均具有更好的效果，其测试准确率达到98.62%。     

基于敏感模态流形的变转速故障诊断方法

针对旋转机械变转速和复杂工况多分类问题，提出了一种基于构建改进敏感模态矩阵(ISMM)、等度量映射(ISOMAP)和convolution-vision transformer(CVT)网络结构的故障诊断方法。将变转速信号重叠采样之后构造高维ISMM,通过ISOMAP流形学习将ISMM映射到流形空间中，提取变转速信号的故障瞬态特征，实验证明能够很好地解决了常规方法无法对变转速数据进行有效特征提取的问题。结合自注意力机制和CNN的优点，使用CVT网络结构进行特征提取、故障识别分类。通过实验室HFXZ-Ⅰ行星齿轮箱变转速数据集对提出的故障诊断模型进行实验验证。实验结果表明，提出的故障诊断模型具有良好的识别准确率及鲁棒性。     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于DCNN-SVM的滚动轴承故障诊断方法研究

针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题,提出了一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型。利用深度卷积模型对滚动轴承故障信号进行自适应特征提取,再将提取的特征输入到支持向量机中进行模式识别。使用经典深度卷积、BP神经网络和支持向量机三种模型进行了5组对比实验,并对自适应提取的特征与人工特征进行了PCA主成分分析。结果表明,利用该方法对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断,准确率达到99.25%,提高了故障诊断准确率。     

基于改进卷积受限玻尔兹曼机的滚动轴承故障诊断

针对滚动轴承初期故障信号所存在的信息微弱,背景噪声复杂,早期故障易被覆盖,特征提取难以提取和识别的难题。结合卷积玻尔兹曼机的特性,文章提出了一种基于改进卷积玻尔兹曼机的滚动轴承故障诊断方法。该方法通过对原始输入数据的边缘数据进行补零操作,得到重构模型,此外,在目标函数中引入了最大似然,在隐单元中,结合交叉熵的概念,利用稀疏惩罚的特性,进而抑制其激活概率。实验证明,改进后的卷积玻尔兹曼机误差更小,解决了传统的受限玻尔兹曼机不能够处理大量数据、诊断种类单一、用时较长、计算复杂以及灵活性差等问题,同时利用该方法能够有效提高滚动轴承的故障诊断的准确率。     

结合时空特征的多传感器刀具磨损监测

针对传统深度学习方法监测刀具磨损状况时,相关特征提取繁琐,数据隐含信息提取不全面导致识别精度较低等问题,提出了结合时空特征的多传感器刀具磨损监测模型。首先,将不同传感器采集的波形信号经简单预处理后作为输入,再使用多通道1D卷积神经网络(MC-1DCNN)提取输入数据的空间特征;然后,利用双向长短时记忆网络(BiLSTM)提取时序特征;最终,由全连接层和Softmax层对特征进行分类。仿真结果表明,监测模型流程简单、识别准确率高,具备较强的可适用性。     

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解（CEEMDAN）和t-分布随机邻域嵌入（t-SNE）算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量（IMF）,提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。     

基于振动时域特征的船用滚动轴承故障诊断方法

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。     

基于GLRLM-SVM的电表版本分类方法研究

目前拆回电表版本的信息录入方法仍采用人工目测输入与数据库对比验证，面临效率低下、准确率难以保证的问题。利用实拍电表图像，提出一种在高杂糅环境背景下电表新旧版本精确分类的方法。先获取版本识别ROI区域，并提取灰度游程矩阵（GLRLM）特征，再对数据进行归一化处理与主成分分析（PCA），最后采用线性核函数的支持向量机（SVM）作为最佳模型进行分类实验。同时，采用不同的纹理特征提取算法结合不同分类模型对该方法性能进行评价。实验结果表明：基于GLRLM-SVM的分类方法优于其他模型，速度最快且准确率高达98.95%，满足拆回电表年检数量与精度要求。     

Error analysis of tomographic filters II: results

The convolution backprojection algorithm (CBP) has been studied from the point-of-view of the already published error formula which relates the error in reconstructions, under certain ideal conditions, to the Fourier-space derivatives of the filter functions employed in CBP. The results, for simulated images representing a damaged nuclear reactor fuel assembly and a cross-section of human brain, indicate that the error pattern obtained is in concurrence with the theory. Experimental results for a pixel size of 20 μm are also included.     

基于FPGA的运动控制系统的设计与实现

提出一种基于FPGA实现运动控制系统的新方法。该系统的功能模块包括时钟发生器、数据通信模块、Nios II软核CPU、PWM脉冲发生器和测量模块。采用数字卷积方法的轨迹发生器,在Nios II软核中生成运动轨迹,降低计算负荷和提高运动平滑度。通过功能模块仿真和实验,验证了设计的运动控制系统的可行性和有效性。     

Nonlinear acoustic characterization of micro-damaged materials through higher harmonic resonance analysis

A method developed for the analysis of nonlinear systems is applied for the first time to non-destructive testing of diverse materials using vibrations and elastic waves. This method allows to extract the vibrational/acoustical responses of the system, at the excitation frequency and importantly, also at higher harmonics, with the help of a nonlinear convolution signal analysis. It is then possible to make use of the robust nonlinear resonance method together with the harmonic generation method in order to analyze the nonlinear elastic resonances of a sample at excitation frequency harmonics. Definitions of the nonlinear hysteretic parameters associated to higher harmonic resonances are provided. The bases of the signal analysis method are also described. A higher sensitivity to the presence of gradual damage compared to the classical nonlinear resonance method is demonstrated experimentally for diverse materials and configurations.     

基于机器视觉的环状零件表面字符检测

针对传统环形零件表面字符检测过程中出现的零件定位不准确、字符分割难度高、字符识别精度低等问题,提出了一种基于极坐标变换展开图片和卷积算法分割、识别字符的方法。首先对待检测的照片进行零件定位,分割出包含检测目标的最小区域。接着对该区域进行极坐标变换,展开环状区域,并将区域进行卷积运算,确定待检测区域。再根据特定卷积核运算结果,得出区域的像素分布特征,分割待检测区域。最后根据卷积神经网络和SVM对所分割的字符进行分类识别。实验结果表明,该方法字符定位分割精度高、抗干扰性强、识别准确率高,对复杂环境下环形零件表面字符检测具有一定的指导意义。     

Application of digital image magnification for surface roughness evaluation using machine vision

In this work, a machine vision system has been utilized to capture the images and then the quantification of the surface roughness of machined surfaces (ground, milled and shaped) is done by the application of regression analysis. Subsequently, original images have been magnified using Cubic Convolution interpolation technique and improved (edge enhancement) through Linear Edge Crispening algorithm. Based on the surface image features, a parameter called G_a has been estimated using regression analysis, for the original images and for the magnified quality improved images. Finally, a comparison has been carried to establish correlation between magnification index, G_a and surface roughness.     

基于卷积神经网络的CO_2焊接熔池图像状态识别方法

为了通过熔池图像对焊接状态进行判断,将卷积神经网络引入到CO_2焊接熔池图像状态识别中,提出了一种CO_2焊接熔池状态识别卷积神经网络CNN-M。该网络使用简单预处理的熔池图像作为输入向量,避免了人工提取图像特征的主观性对识别率的不良影响。同时,CNN-M采用了ReLU激活函数、随机Dropout及SVM分类器来降低样本集稀少可能导致的网络过拟合现象。试验结果表明,和人工提取熔池特征状态作为输入向量的BP神经网络相比,CNN-M在识别率及识别速度方面均体现出了更好的性能,其良好的泛化能力能够满足在线熔池状态监控的要求。     

基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法

针对卷积神经网络(CNN)应用于焊缝探伤图像识别时,目标区域占比小,局部信息冗余,激活函数小于零时出现硬饱和区导致模型对输入变化较敏感、网络参数难以训练的问题,采用超像素分割算法(SLIC)和改进的ELU激活函数构建CNN模型进行焊缝探伤图像缺陷识别. 首先,在CNN模型中使用ELU激活函数,在缓解梯度消失时对输入噪声产生更好的鲁棒性,同时,利用SLIC算法对图像像素进行像素块处理的特点,增大焊缝探伤图像中感兴趣区域的占比,降低局部冗余信息,提高模型在训练过程中的特征提取能力. 通过对焊缝探伤图像感兴趣区域提取并与所述CNN模型进行对比试验. 结果表明,该方法在焊缝探伤图像特征提取、训练耗时及识别准确率方面较传统卷积神经网络有更好的表现.     

基于EC双流模型的焊接缺陷图像识别

由于焊缝缺陷X射线图像背景较为复杂,造成识别准确率及效率低.为提高缺陷识别准确率,提出一个由并行EfficientNet网络为基本框架的粗-细两阶段EC双流模型.该模型通过CBAM注意力机制提高网络的局部特征注意力,获取更加丰富的焊接缺陷细特征信息,并将其与提取原始粗特征结合输入全连接层,以更加精确实现焊接缺陷的分类;...     

基于深度卷积神经网络的轴承故障诊断技术研究

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。     

基于残差连接的高帧率Siamese目标跟踪算法北大核心

为提高Siamese跟踪算法在快速运动和相似物体等复杂情况下的跟踪性能和跟踪速度,提出一种融合残差连接与深度可分离卷积的Siamese目标跟踪算法。将原特征提取网络中的5×5卷积替换为普通3×3卷积,在减少网络计算量的同时提高其对特征的学习能力。用计算量更小的深度可分离卷积替代原网络中所有的普通3×3卷积,不仅加快了网络推理速度,还加深了特征提取网络的深度,从而获得对目标更具表征能力的深层语义信息。在深度可分离卷积模块中加入残差连接,组成残差块,用以融合网络提取的不同层特征,提高特征信息的利用率。结果表明:所提算法在跟踪精度和成功率上均有所提高,并且在实时性和可靠性上优于其他算法。