基于改进CNN的起重机械滚动轴承故障诊断

针对起重机械中的滚动轴承在高转速、重载荷和强噪声背景下,早期故障特征难以提取及有效识别的问题,提出一种改进卷积神经网络(CNN)的故障诊断方法。该方法首先应用短时傅里叶变换(STFT)将传感器采集到的一维振动信号转换为二维时频图,并将其作为改进卷积神经网络的输入,然后利用卷积神经网络强大的特征提取能力自适应地提取故障特征。最后,通过CNN模型最后一层的Softmax层对提取到的特征进行分类从而实现故障诊断的目的。     

基于多尺度卷积神经网络的玻璃表面缺陷检测方法

卷积神经网络在图像处理中的应用越来越广泛,针对图像处理技术手段在玻璃生产表面缺陷有效检验,分析了基于卷积神经网络的机器学习原理与方法,提出一种基于多尺度卷积神经网络(MCNN)图像识别模型,将MCNN模型在玻璃表面缺陷识别中进行应用实践研究,通过采用不同的算法模型和分类器进行对比实验,并运用混淆矩阵和F1值来评估学习器性能。实验结果表明,所设计的MCNN均比传统卷积神经网络(CNN)识别方法的准确率较高,尤其是在划痕缺陷和杂质缺陷图像的识别准确率上提高了较大的幅度,F1值均提高了5.0%以上,在玻璃缺陷检测的整体识别准确率上较优。     

一种基于PPCNN的金属激光熔化沉积熔池状态识别方法

金属激光熔化沉积质量与熔池状态具有密切的关联,根据熔池视觉特征对加工中的熔池状态进行识别,进而实现沉积质量的在线预测对金属激光熔化沉积技术具有重要意义。为构建上述映射关系,本文提出了一种基于金字塔池化卷积神经网络的金属激光熔化沉积熔池状态识别方法。针对所采集的熔池同轴图像,建立用于训练和测试的数据集;构建了金字塔池化卷积神经网络(Pyramid pooling convolutional neural networks,PPCNN),并进行网络关键参数的研究。结果表明:第一层卷积核尺寸为5×5,卷积层和金字塔池化模块含有64+8×3个卷积核使网络在识别准确率上达到最佳。所提方法取得了最高96.80%的识别准确率。     

基于时空采样的卷积长短时记忆网络模型及其应用研究

鉴于人体动作识别在现实社会中的重大意义,为了进一步提高动作识别的能力,在研究长短时记忆神经网络及卷积神经网络的基础上,建立时空相关的卷积长短时记忆网络模型,该模型不仅具有LSTM的时序建模能力,还具有CNN刻画局部特征空间的能力,同时具备时空特性。运用该模型在KTH数据库上进行实验,并提出三种时间采样方式,最后与他人的方法进行比较,发现该模型在KTH动作识别上取得了较高的识别率。     

基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

基于SCNN-ELM模型的手机外壳缺陷检测方法研究

针对现有方法在手机外壳缺陷检测过程中存在耗时长、准确率低和需要手工提取特征等问题,提出了一种基于空间金字塔池的卷积神经网络与极限学习机相结合的缺陷检测方法。首先,在经典卷积神经网络AlexNet中引入空间金字塔池化,作为网络结构的最后一层池化层,构建特征提取模型并进行模型的预训练。使得不同维度的图片可以输入网络,更完整地提取原始图片的特征信息。然后,在检测阶段,用极限学习机对训练模型提取的特征进行缺陷分类检测。实验过程中,对2400张三种不同类型手机外壳缺陷图片测试集进行检测,获得98%以上的检测精度。结果表明:所提方法能够实现特征的自动提取,有效检测出缺陷类型,检测精度相对于传统卷积神经网络提高了5%左右。     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

基于红外图像分析的TSV内部缺陷识别方法研究

TSV三维封装内部缺陷难以用传统方法检测。然而其内部缺陷的存在会导致热阻发生变化，对系统温度分布产生影响，因此可以通过对红外图像的分析达到对缺陷进行识别及定位的目的。文中研究了缺陷对温度场的影响，分别通过理论分析、有限元仿真及实验方法对TSV三维封装系统进行了热-电耦合分析，得到了缺陷铜柱类型及位置不同时的温度分布数据集，搭建了卷积神经网络(CNN)模型对2组数据集单独进行分类预测。实验结果表明：利用仿真数据集与试验数据集分别对CNN模型进行特征训练，得到的缺陷识别与定位准确率为98.65%,98.36%。由上可知，缺陷类型及位置的不同会对温度场产生不同影响，利用CNN模型对TSV红外热图像进行特征训练可以有效识别与定位内部缺陷。     

基于小波时频图和CNN的滚动轴承智能故障诊断方法

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

基于卷积神经网络的林火烟雾识别

基于传统的人工神经网络(Artificial Neural Network, ANN)提出了一种算法用来进行森林林火烟雾的图像识别。应用卷积神经网络(Convolutional Neural Network, CNN)结合反向传播法(Backpropagation, BP),选取适当的激励函数,训练神经网络。同时通过适当的池化方法大大提高了算法的效率,从而有效地通过神经网络对目标图像的特征学习,识别出烟雾图像。在对图像识别学习前对图像进行灰度化,并且在对图像进行二值化之后,再进行学习训练,排除了所需识别目标之外图像引入的干扰,从而提高了图像识别准确率。     

基于卷积神经网络的磁瓦表面缺陷识别

针对现有的磁瓦表面缺陷识别算法准确率低且泛化能力不足的问题,提出一种基于卷积神经网络的磁瓦表面缺陷识别算法.该算法在轻量级NASNet卷积神经网络的基础上,引入双线性模型增强网络的特征表达力,提高算法识别精度.其次,为了减少模型参数量与计算量,改进NASNet模型结构进行特征降维.同时采用Adam算法作为网络的优化算法...     

基于动态统计滤波与深度学习的智能故障诊断方法

电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆叠特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题，提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量，选择合适的分量生成重构信号作为网络输入，提出一种改进的卷积神经网络框架，提高多变量时间序列的诊断效率，选用凯斯西楚大学滚动轴承数据进行试验验证，运用k-折交叉验证来评估模型性能，并通过模拟工业环境的噪声验证了的抗噪性能。结果表明，相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

浅层卷积神经网络融合Transformer的金属缺陷图像识别方法

针对金属缺陷识别领域中传统深度学习方法存在参数量多、计算量大的问题,提出了一种浅层卷积神经网络融合Transformer模型的金属缺陷识别方法。利用浅层卷积神经网络学习图像局部信息与位置信息,通过Transformer学习图像全局信息,同时引入通道注意力模块SE关注重要特征通道,实现缺陷图像识别。通过引入公开缺陷数据集验证该方法的有效性,同时利用自建缺陷超声数据集验证所提方法的通用性。实验结果表明,在中小规模数据集上,该方法通用性较强,能够对金属缺陷图像进行有效识别。     

基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明：采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

基于EMD二值化图像和CNN的滚动轴承故障诊断

针对传统故障诊断方法识别准确率低、泛化能力差,而基于深度学习的故障诊断普遍存在需要海量训练数据的问题,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与卷积神经网络(convolutional neural networks,简称CNN)的滚动轴承智能故障诊断方法。首先,对轴承振动数据进行EMD,同时对相关系数最大的本征模函数(intrinsic mode function,简称IMF)分量进行频谱分析,获取频谱图,并将频谱图数据压缩成特征二值化图像作为CNN分类网络训练的输入数据;其次,将正常状态下和各类故障状态下的滚动轴承特征二值化图像作为CNN的输入得到训练模型,利用训练好的模型对各类故障进行分类识别。实验结果表明:在较少的训练数据下,轴承故障诊断准确率达到97.61%,远超过使用反向传播神经网络(back propagation,简称BP)和概率神经网络(probabilistic neural network,简称PNN)方法,证明了所提出方法与传统故障诊断方法相比能够更加准确地识别各类故障类别;对原始信号加入6 dB白噪声后的识别准确率也达到了96.19%,证明了所提出方法具有良好的泛化能力与抗噪性能。     

基于四元数时空卷积神经网络的人体行为识别

传统卷积神经网络(CNN)只适用于灰度图像或彩色图像分通道的特征提取,忽视了通道间的空间依赖性,破坏了真实环境的颜色特征,从而影响人体行为识别的准确率。为了解决上述问题,提出一种基于四元数时空卷积神经网络(QST-CNN)的人体行为识别方法。首先,采用码本算法预处理样本集所有图像,提取图像中人体运动的关键区域;然后将彩色图像的四元数矩阵形式作为网络的输入,并将CNN的空间卷积层扩展为四元数空间卷积层,将彩色图像的红、绿、蓝通道看作一个整体进行动作空间特征的提取,并在时间卷积层提取相邻帧的动态信息;最后,比较QST-CNN、灰度单通道CNN(Gray-CNN)和RGB 3通道CNN(3Channel-CNN)3种方法的识别率。实验结果表明,所提方法优于其他流行方法,在Weizmann和UCF sports数据集分别取得了85.34%和80.2%的识别率。     

面向石质文物裂隙的超声定位系统及算法研究

面向石质文物多年风化、干裂，急需修复的场景，针对深度学习在文物裂隙检测应用中的不足，提出一种基于缺陷特征增强和卷积神经网络(CNN)的石质文物缺陷定位算法。算法通过小波包分解进行特征提取并选择包含丰富特征信息的有效频段，作为CNN网络的输入，通过模型训练和波形分类识别，缩小定位范围，提高缺陷定位算法的泛化能力和识别率。本文搭建了以现场可编程门阵列(FPGA)为核心的超声检测平台，并在边长为40 cm的立方体试件上进行了实验验证，实验结果表明，波形识别准确率相较传统算法提高了11.3%,平均定位误差小于10%,为石质文物裂隙检测提供了可靠依据，有助于文物保护和修复。