云/边缘协同的轴承故障诊断方法

现有轴承故障诊断技术存在以下问题:①传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;②卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾。针对以上问题,提出一种云/边缘协同的实时轴承故障诊断方案。经过实验验证,该方案在拥有少量样本情况下与不进行云/边缘协同相比可大幅提高诊断准确率,并节约大量的训练时间。通过改进的轴承故障诊断算法达到了较高的故障诊断准确性,并通过模型的迁移学习与边缘端协同,增强了故障诊断算法对个性化应用的适应性和故障诊断的实时性。     

基于卷积神经网络的葡萄叶片氮含量识别方法

为实现对葡萄叶片氮素含量快速、便捷的识别，在卷积神经网络VGG-16网络结构基础上，将数据增广后的图像按不同梯度划分进行模型训练，通过十折交叉验证法探究最佳的训练集与验证集分配比例，并构建4个不同深度的网络模型进行训练对比，采用全局平均池化代替全连接层约简网络参数量。训练结果表明，氮含量梯度设为0.70%、0.35%和0.175%时，室内简单背景识别准确率分别为85.9%、76.2%和71.1%；晴天室外复杂背景下识别准确率分别为44.6%、35.0%和30.4%。研究结果表明利用VGG-16建立的网络学习模型对葡萄叶片氮含量识别提供了一种新的便捷方法，对农业信息化和智能化技术应用具有一定促进作用。     

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)。     

可变形机翼机构设计及分析

可变形机翼可以通过改变自身形状实现对飞机气动特性的调整,可以显著提高飞机升阻比、燃油节省率及机动性,本文提出了一种可变形机翼机构设计方案,并进行相关仿真分析。     

改进的基于卷积神经网络的图像超分辨率方法

图像超分辨率是计算机视觉领域的经典问题。使用深度神经网络来解决图像超分辨率的问题目前得到越来越多的研究学者的关注和青睐。为改善基于卷积神经网络的图像超分辨率方法的图像生成效果,提出一种改进的方法。在神经网络层中加深网络层数,并且针对加深网络可能出现的退化现象引入残差网络结构,并将图像上采样步骤放入网络中。实验表明,在与传统的插值法和原始的基于卷积神经网络方法的对比中,该优化方法生成的图像观感更加锐利清晰、细节丰富,而且无论在峰值信噪比和结构相似性上均有明显提高,验证了该方法的有效性。