基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

被动声学液体管道微泄漏内检测方法研究

针对液体管道微泄漏（小于1 L/min）难以检测和识别的问题,建立基于被动声学的液体管道微泄漏内检测方法,研究管道微泄漏的声学机理,并搭建实验平台。采用管道内置高灵敏度声学传感器的方式,进行不同泄漏孔径和和泄漏内压下微泄漏声学实验,微泄漏声信号幅值随泄漏孔径和泄漏内压呈正相关变化。利用改进EMD(IEMD)-小波阈值降噪算法对微泄漏声信号进行降噪处理,以减少噪声对真实泄漏信号的影响。提取并定义不同信号处理领域（时域、频域）的特征参数,如均值、标准差、均方根、峰峰值等,以表示微泄漏的复杂性。将特征参数作为下一步管道泄漏识别的数据库,并将数据分为实验组和验证组。采用网格参数寻优支持向量机（SVM）构建自动分类模型对管道微泄漏进行识别,降低人工误判概率。研究结果表明：管道微泄漏识别准确率达到97.87%,可以实现对管道微泄漏的准确识别。研究结果可为声学内检测器的研发提供理论基础。     

基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究

针对传统滚动轴承故障诊断方法存在抗噪性差、需要人工特征提取、计算量较大、对运行设备要求高的问题,提出一种基于多分支深度可分离卷积神经网络(MBDS-CNN)的滚动轴承故障诊断方法,利用深度可分离卷积和权重剪枝技术对模型尺寸进行压缩,通过多分支结构保证模型的精度,避免梯度消失现象的发生。使用模型尺寸、诊断精度、预测速度作为评价指标对模型进行评估。试验结果证明,基于多分支深度可分离卷积神经网络的滚动轴承故障诊断,可以在噪声环境下有效识别轴承不同部位故障程度,提高了诊断效率,降低了对运行设备性能的要求。     

基于深度压缩感知的语音增强模型

随着压缩感知的深入研究,压缩感知在语音增强方面的应用也备受关注。针对传统压缩感知语音增强算法中存在的不足,将压缩感知与深度学习结合构建名为基于深度压缩感知的语音增强模型(Speech Enhancement based on Deep Compressed Sensing, SEDCS)。基于压缩感知原理使用编解码模型代替压缩感知中语音信号稀疏过程,使用卷积神经网络代替测量矩阵实现语音信号观测降维过程,通过联合训练的方式实现语音增强。实验结果表明：该模型能够完成语音增强任务,并且与现有的压缩感知语音增强算法相比,该模型能取得较好的语音增强效果;相比利用深度学习的语音增强算法,该模型虽性能一般,但在模型泛化性能和测试阶段的增强时间效率上有一定提升。     

基于BN-1DCNN的旋转机械故障诊断研究

为了对旋转机械的故障特征进行自适应提取,实现智能故障诊断,提出了一种基于批量归一化的一维卷积神经网络(convolutional neural networks, CNN)模型。由于卷积神经网络通常应用于二维图像或三维视频领域,故通过将卷积核改进为一维卷积核来实现对采集的一维振动数据的直接卷积,并且采用了批归一化层来防止过拟合,采用HZXT-008小型转子实验台采集的数据对该方法进行验证。试验结果表明该方法平均诊断准确率高达98.43%,并且与其他模型相比稳定性更高。该方法实现了大量样本下旋转机械不同故障类型的故障特征自适应提取与故障类型的准确识别。     

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。     

基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法

针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题,利用卷积神经网络拟合强化学习中的 Q 函数,通过 Q?learning 算法学习策略实现故障诊断,提出了基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法。对振动信号进行连续小波变换得到时间尺度矩阵,构建出环境状态空间,实现智能体与环境间的交互;用 CNN 拟合 Q?learning 中的 Q 函数得到深度 Q 网络,将环境返回的状态输入到深度 Q 网络中学习故障数据具体的状态特征表示,并据此表征学习策略,智能体采用 ε?贪婪方式决策出动作,利用奖励发生器对动作进行评价;通过智能体与环境间不断交互学习以最大化 Q 函数值,得到最优策略实现故障诊断。这种方式融合了深度学习的感知能力和强化学习的决策能力,从而有效提高了诊断能力。通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。     

基于卷积神经网络的食品塑料包装袋光谱识别

目的实现食品塑料包装袋的快速检测和材质区分。方法研究使用高光谱成像技术在450～950nm波长范围下采集了49组不同食品包装袋样本的光谱数据,利用Savitzky-Golay平滑滤波、数据归一化和主成分分析进行预处理,建立决策树、支持向量机2种传统机器学习模型和卷积神经网络模型,并比较了它们对包装袋材质的识别性能。结果决策树模型与支持向量机模型的验证识别率分别为87.8%和88.9%,卷积神经网络模型的验证识别率高达100%,损失函数值最终下降到0.0171且达到收敛,在分类效果和精度上具有明显的优势。结论高光谱检测方法不破坏检材,重现性好,稳定性强,实现了对食品塑料包装袋的精准识别。卷积神经网络模型对食品包装袋高光谱数据的识别效果最好,为食品包装袋质量检测领域中塑料包装袋的识别鉴定提供依据。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一，对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破，但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型，采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换，通过散射系数实现输入层原始数据降维与特征提取，结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上，结合1D-CNN全连接层与Softmax函数实现特征数据分类，从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比，基于小波散射卷积神经网络的结构损伤识别精度显著提升，损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加，小波散射卷积神经网络损伤分类准确率虽略有下降，但仍保持较高精准度，说明该方法具有较强的鲁棒性抗噪能力。     

基于扰动响应的输油管道泄漏检测方法

当管道无法产生足够的瞬态扰动时,将无法利用管道内部流动进行管道状态诊断,而基于扰动信号压力响应的管道泄漏检测方法可以克服这一缺陷。向有泄漏孔的管道引入扰动信号,通过分布式传感器采集动态压力,识别分析待测管道泄漏孔处对扰动信号的反射,实现泄漏检测与定位。同时,基于动网格技术模拟阀门启闭,建立了二维仿真模型,分析反射信号特征,得到了十分理想的检测效果。结果表明：扰动信号反射波的识别精度达7.659%;边界末端反射波的识别精度为0.121%;泄漏点定位误差为4.447%;而模拟结果可以实现精确定位。此外针对不同因素的影响进行分析,结果表明,扰动信号瞬态特征越强,泄漏孔尺寸越大,反射信号越明显,而管道运行压力对检测效果的影响十分有限。该方法与传统的泄漏检测方法相比具有明显的优越性,对于提高输油管道完整性管理水平具有极大的应用价值。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于循环频谱相干和DCNN的隔膜泵单向阀故障诊断方法研究

针对传统的机器学习方法过分依赖特征提取的质量,而深度学习在强干扰条件下其故障辨识率不佳的问题,提出了一种基于循环频谱相干(CSCoh)和深度卷积神经网络(DCNN)的故障诊断方法,并将其应用于实际工况环境下的隔膜泵单向阀故障诊断当中。对振动信号进行循环平稳特性分析,利用快速循环相关谱计算方法将原始振动信号生成二维CSCoh图;将生成的CSCoh图作为输入从而降低深度诊断模型中特征学习的难度,通过构建DCNN模型,并引入批量归一化和Dropout技术来提升模型的收敛速度和泛化能力;利用所提模型对故障进行分类识别,进而实现单向阀的故障诊断。结果表明,该方法可以准确地识别单向阀的故障类型,并具有较好的泛化性能。     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

迁移学习和卷积神经网络电力设备图像识别方法

一线生产单位一般不具备建立大量电力设备图像数据集的条件,因此在使用深度学习模型协助完成对电力设备图像的识别过程中受到限制。通过对电力设备进行三维建模和多角度渲染,获得大量模拟电力设备图像,解决深度学习模型卷积神经网络在学习过程中数据集不足的问题。同时,通过迁移学习的方式将经过模拟电力设备图像训练的卷积神经网络应用于对真实电力设备图像的学习中,提高学习效率和精度,最终取得93.5%的识别准确率。该方法为一线生产单位将卷积神经网络应用于电力设备图像识别分类任务提供一种解决办法。     

基于深度学习的验证码图像识别

验证码是一种区分用户是计算机还是人的公共全自动程序.为了尽可能大批量地获取某网站的信息,就需要让机器可以全自动地识别该网站的验证码.为了破解验证码,对深度学习的验证码图像识别方法进行了研究.提出使用图像标注的方法来生成验证码图像中的字母序列.实验采用深度学习框架Caffe,将卷积神经网络与循环神经网络相结合进行训练.将卷积神经网络的输出用于训练循环神经网络,来不断地预测出序列中下一个最有可能出现的字母.训练的目标是将输出的词尽量和预期的词一致.测试结果表明,该模型能够对该网站的验证码图像做到97%的识别准确率.该方法比只采用卷积神经网络进行识别效果好.     

基于特征融合进行活动识别的DCNN 5法

研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络（ CNN）不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用ImageNet16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络（ DCNN ）中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0％提高到87.4％。     

基于深度学习算法的矿用巡检机器人设备识别

为了实现矿用巡检机器人对煤矿井下设备的识别与匹配,通过基于卷积神经网络的深度学习算法建立了煤矿设备类型识别模型,分别在明亮环境下、昏暗环境下以及设备重叠情况下采集大量待识别设备图像样本,再对识别模型进行训练,实现巡检机器人对煤矿设备的精确识别与分类。使用基于粒子群优化的SVM（support vector machine,支持向量机）建立了煤矿设备匹配模型,将巡检机器人相对于煤矿坐标系的三轴位置信息、三自由度角度和视觉相机转角作为匹配模型的输入量,将相机视野中设备序号作为输出量,实现煤矿设备类型识别模型识别出的设备与已知设备序号一一对应。实验结果表明基于深度学习算法的煤矿设备类型识别模型对外界的干扰不敏感,识别准确率高;基于SVM的煤矿设备匹配模型的匹配准确率达到了93.2%,在匹配准确率的训练和测试效率上均优于基于BP（back propagation,反向传播）神经网络的匹配模型。研究结果可为煤矿井下巡检机器人的研制提供参考。     

基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别

针对目前大型结构螺栓连接状态监测的困难,该文采用声音信号,提出了结合小波时频图与轻量级卷积神经网络MobileNetv2优势的螺栓松动识别方法。该方法通过对采集到的声音信号进行预处理和连续小波变换得到小波时频图,以小波时频图作为样本对轻量级卷积神经网络MobileNetv2进行训练,从而实现螺栓松动声音信号的识别。对一钢桁架模型的室外试验研究表明:该方法能实现对各种环境噪声信号,不同位置、数目和松动程度的螺栓松动声音信号的精准识别;该方法不仅识别准确率高、稳定性好,而且对计算和存储的要求低,便于应用于移动设备和嵌入式设备,为环境激励下大型复杂结构的损伤在线识别提供了新的思路。     

基于多元经验模态分解与卷积神经网络的气液两相流流型识别

提出了一种基于多元经验模态分解(MEMD)与卷积神经网络(CNN)的垂直管道气液两相流流型识别方法。该方法基于数字化电阻层析成像(ERT)系统采集的测量数据,预处理后进行MEMD分析,通过求取各分量与原始信号的皮尔逊相关系数选取本征模函数(IMFs)并求解Hilbert边际谱,提取Hilbert边际谱的标准差与均值作为卷积神经网络(CNN)输入以识别流型。结果表明,该方法能够有效识别泡状流、弹状流、段塞流,平均识别准确率可达96.43%。     

基于特征融合进行活动识别的DCNN方法

研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络(CNN)不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用Image Net16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络(DCNN)中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0%提高到87.4%。