基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

氟橡胶的红外光谱研究

采用红外(IR)光谱,包括一维红外光谱、二阶导数红外光谱、四阶导数红外光谱和去卷积红外光谱对氟橡胶(FKM)的分子结构进行了研究。试验发现:氟橡胶的红外吸收模式主要包括CH2不对称伸缩振动模式(νasCH2-FKM)、CH2对称伸缩振动模式(νsCH2-FKM)、CH2弯曲伸缩振动模式(δCH2-FKM)、CF2不对称伸缩振动模式(νasCF2-FKM)、CF2对称伸缩振动模式(νsCF2-FKM)和CFCl伸缩振动模式(νCFCl-FKM)等。研究发现:氟橡胶的去卷积IR光谱的谱图分辨能力要优于相应的一维IR光谱、二阶导数IR光谱和四阶导数IR光谱。此研究拓展了IR光谱在氟橡胶结构及应用研究的范围。     

基于深度度量学习的电机故障诊断

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果，由于电机结构的复杂性，其信号表现出的非平稳、非线性和复杂多样等特点，使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点，结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想，提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图，同时构建CNN，将预处理后的样本用于CNN的训练，采用Triplet Loss作为损失函数度量故障数据高维特征间的距离，并结合标签有监督地微调整个网络，从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离，高效完成故障诊断任务，弥补了交叉熵函数的不足。     

光伏用电致发光缺陷检测仪空间分辨率的量化评估

针对光伏用电致发光缺陷检测仪空间分辨率目视判定重复性、准确性差,并且难以量化等问题,提出一套基于卷积神经网络模型的空间分辨率量化评估方法。参照相关标准JJF(闽)1088-2018,采取不同的拍摄条件拍摄并切割出空间分辨率线对图像,对图像进行人工分类。设计卷积神经网络结构,采用卷积层、池化层和全连接层结构,并使用已分类完成的空间分辨率线对图像对模型进行训练。最终使用测试集对模型进行评估,结果表明,模型在测试集上的判别正确率达到99.2%。该方法满足使用要求,可取代目视判别,提高了光伏用电致发光缺陷检测仪空间分辨率判定的准确性与重复性,并为其量化提出了新的解决思路。由于太阳电池片用光致发光缺陷检测仪与光伏用电致发光缺陷检测仪的成像方式类似,该方法可兼容太阳电池片光致发光检测仪的性能评估。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

基于卷积神经网络的表情识别

在传统静态表情识别研究基础上,提出一种简单的人脸裁剪方法,再用浅层卷积神经网络进一步提取特征并进行表情识别。以CK+和JAFFE为实验数据集,进行预处理效果对比实验、数据增强实验、单种表情识别实验和跨数据集六分类实验。结果表明,针对数据量较少的情况,提出的表情识别方法效果明显且鲁棒性更优。