基于一维卷积神经网络的钻杆故障诊断

为了在钻杆故障早期诊断出钻杆的故障类型,提出一种基于一维卷积神经网络的钻杆故障诊断模型,对模型的结构和参数进行详细地设计与分析. 参考现有的卷积神经网络模型,结合钻杆的工作特性以及感受野的原理,设计模型的卷积层和池化层的层数、卷积核的大小以及滑动步长. 该模型省去了对故障信号特征提取的过程,比先前的钻杆故障诊断有更高的诊断准确率. 该模型在不同转速工况下和不同土质工况下均具有较强的适应性和抗噪能力.     

基于1D-RSCNN的嵌入式轴承故障实时检测

针对传统故障诊断模型参数多,训练、检测时间长,抗噪性差,不适用于在线实时诊断的问题,提出了基于残差连接和一维可分离卷积(1D-RSCNN)的滚动轴承故障诊断方法,构建了由Jetson Nano和信号采集电路组成的嵌入式系统.利用一维可分离卷积和全局平均池化对模型尺寸进行压缩,改善传统卷积的运算效率;通过宽卷积核,残差网...     

面向电力变压器油中溶解气体的卷积神经网络诊断方法

油中溶解气体分析法（Dissolved Gas Analysis,DGA）是判断变压器内部故障的重要方法之一。针对传统基于浅层的机器学习方法在变压器故障诊断中存在的特征提取和泛化能力方面的不足,提出了一种基于卷积神经网络的变压器故障诊断方法。利用网络中的卷积层对油中溶解气体进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行提取。通过实验研究了卷积核数目、卷积核大小、池化层、网络深度对模型诊断性能的影响。通过混淆矩阵、ROC曲线和PR曲线对比分析了卷积神经网络模型、支持向量机(Support Vector Machine,SVM) 模型、BP神经网络(Back Propagation Neural Network,BPNN)模型。实验结果表明,卷积神经网络模型的诊断性能更为优秀。     

改进胶囊网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声复杂,振动信号信噪比低且呈现非平稳和非线性的特点,以及传统诊断方法在噪声环境下分类诊断准确率低等问题,提出一种基于改进胶囊网络特征提取结构和反向传播损失值计算方法的滚动轴承故障诊断模型.应用多尺度卷积核Inception结构和空间注意力机制,替代传统胶囊网络单一卷积层进行特征提取,得到不同尺度下、重点区域突出的特征数据,利用胶囊结构构建向量神经元,通过动态路由的特征传递方式,得到分类结构数字胶囊,实现故障诊断;训练过程损失计算采用间隔损失和重构损失相结合的方法,通过调节二者比例系数,构建更加合理的反向传播计算过程.为验证模型的实际诊断效果,利用凯斯西储大学轴承数据集中4种转速及对应4种负载工况下的实验数据,通过添加不同幅值能量的高斯白噪声,以降低信噪比的方式开展实验;与双卷积层胶囊网络和传统卷积神经网络进行对比分析.结果表明,与其他诊断方法相比,提出的方法在噪声环境下能得到良好的诊断结果,抗噪性方面具有明显优势.     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

声振信号联合1D-CNN的大型电机故障诊断方法

针对复杂运行环境下大功率电动机故障诊断准确率不高、算法泛化能力差的问题,提出一种声振信号联合一维卷积神经网络（1D-CNN）故障诊断方法. 首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波（7~20 kHz）,叠加低频振动信号（7 kHz内）形成频带更完整的电动机状态表征信息. 再对经过滤波提纯处理后的信息进行重叠式数据扩容,获取1D-CNN训练所需大量数据. 最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化（local response normalization,LRN）和核函数去相关性改进1D-CNN模型结构,降低抽油机正负半周工况波动对电动机诊断准确性的影响. 诊断结果表明:声振信号联合分析的卷积神经网络故障诊断总体诊断准确率达到了97.75%,泛化能力好,与传统的电动机故障诊断方法相比优势明显.     

基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断

针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题,本文提出了一种稳定抗噪声故障诊断神经网络(SAFDNN)模型.该模型采用原始振动数据信号作为输入,首先使用卷积神经网络(CNN)进行数据信号特征提取,然后利用双向长短期记忆(BiLSTM)充分提取数据信号的序列特征,接着添加注意力机制进行特征融合以自...     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型. 该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别. 在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型. 基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

Fault Diagnosis for Rolling Bearings with Stacked Denoising Auto-encoder of Information Aggregation

信息融合型的层叠去噪自动编码器的轴承故障诊断研究

张利，高欣，徐骁

（辽宁大学 信息学院，沈阳 110036）

创新点说明：

1）针对轴承故障信号的复杂性，提出了融合性的层叠去噪自动编码器，其主要方法在于综合了隐藏层结点的信息，对每一个结点的输入信息进行加权，从而更好的包含特征信息。

2） 利用主元分析法的立体抽象形式，进行特征信息的表达比二维更易发掘。

3）利用证据理论，对不同的信息进行融合表达。

研究目的：

主要针对轴承故障信号的敏感特征不易发觉而提出一种信息融合型的去噪自动编码器方法。

研究方法：

在研究中采用西储大学的轴承数据进行测试，研究的对象包括正常，内圈，外圈以及滚动故障的4种类型数据。

其中，考察的指标为:转速，负载量，直径，采样单元。如下表所示:

卷积神经网络的优化在车牌号识别上的运用

通过与传统神经网络对比,分析了利用卷积神经网络(CNN)进行车牌号图像识别中的特征提取过程,提出了优化卷积和池化的过程来提高算法的收敛速度和准确率。运用Py Charm环境建立了改进后的车牌号识别模型,并通过实验验证了其正确性与识别速度。通过BP神经网络、传统Le Net-5 CNN和改进后的CNN对相同的字符集进行对比分析实验,得出了改进后的CNN模型的优势。     

基于深度学习的机械轴承故障智能诊断

智能故障诊断对于提高智能制造的可靠性具有重要意义。基于深度学习的故障诊断方法在工业领域已经取得了很大的成功,但是不同的模型提取的特征存在一定的差异。针对数据特征提取不全面等问题,提出一种基于深度学习的融合网络模型(CLOD)。首先通过傅里叶变换对故障信号进行时频分析,得到时频谱样本,然后将样本送入经过LSTM模型和改进的CNN模型融合后的卷积网络模型(CLOD)中训练学习,最后通过更新网络参数来提高模型性能,实现轴承故障精确智能诊断。与传统方法比较,CLOD在保证准确率的基础上,极大的增加了模型的拟合速度和稳定性。     

基于改进的LSTM算法的时间序列流量预测

时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函数、relu作为模型的激活函数.实验结果表明,与传统模型相比,该模型具有较好的泛化能力.