基于CNN电流数据形态识别的电动机故障诊断研究

为实现层冷辊电动机由预防性批量更换向预测性定点维修转变的目标,提出一种基于卷积神经网络(CNN)电流数据形态识别的故障智能诊断方法.该方法首先对电流采集数据进行特征提取,并建立分类故障的各关键特征形态图形集;采用卷积神经网络识别故障下各特征的异常形态,建立以误报率和漏报率为目标的优化模型,通过以异常形态为基因片段的遗传算法寻优不同故障类型的各特征形态组合,建立分类故障形态组合模式库.现场数据验证结果表明所提方法能够满足现场漏报率和误报率要求.     

基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断

针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类。试验结果表明,所提方法的诊断准确率平均为98.75%,高于比较方法,更加适用于滚动轴承故障诊断。     

基于S-LRCN的微表情识别算法

基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价。      

基于集成神经网络的剩余寿命预测

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题,提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征,以及产生更多的训练样本,采用滑动窗口对数据进行处理,同时采用卡尔曼滤波对数据进行降噪处理,将数据标准化以及设置RUL标签。与人工提取特征不同,利用一维CNN对数据进行特征提取,并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测,并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性,以及相比于其他机器学习或者深度学习模型的优越性,实验表明所提模型在RUL预测方面更加准确。      

基于卷积神经网络的连续语音识别

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强.      

金属材料焊接接头缺陷形成原因及识别方法研究

为了解决由于特征分析偏差较大引起的缺陷识别准确率较低的问题,提出金属材料焊接接头缺陷形成原因及识别方法研究。分析了由于焊接热源、材料属性、工艺技术引起的不同缺陷类型以及对应的X射线图像特征,将影像形状尺寸、黑度、位置、延伸方向、轮廓、细节特征作为缺陷识别的依据,采用卷积神经网络的方式提高对特征的分析精度,实现对缺陷的准确识别。通过实验对识别方法进行测试,结果表明所提方法能够实现对缺陷的准确识别,与基于神经网络的识别方法和基于蚁群算法的识别方法相比,能够更快地实现收敛。     

基于一维卷积特征与手工特征融合的集成超限学习机心跳分类方法

融合手工特征和深度特征,提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性,如相邻心跳时间间隔反映了心跳信号的时域特性,小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine,ELM）,将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定,进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法,使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证,分类准确率达到了99.02%,实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率。      

基于深度卷积神经网络的卡车装载矿石量估计研究

卡车装载矿石量一般采用人工方式进行统计,人工统计不具有客观性,可能影响卡车司机的绩效考核;此外还有使用激光扫描技术或地磅对装载矿石量进行精确统计,但设备成本过高。为节约成本并提高测量精度,研究采用基于深度卷积神经网络的技术实现卡车装载矿石量的估计。由于实际场景下矿车装载矿石的图片不便获取,故使用三维物理引擎Chrono模拟矿石堆落入卡车的过程,从而生成装载矿石量和矿石分布区域均不同的卡车图片。通过构建深度卷积神经网络对生成的样本进行拟合,用最后一层神经元的预测值与真实值的欧式距离作为代价函数。然后,对卷积核与特征图进行可视化,分析卷积神经网络实现矿石量估计的过程。试验结果表明,构建的深度卷积神经网络在实验测试集上的准确度较好,测试样本预测误差大部分在4%以内。说明用深度学习技术实现自然场景下卡车装载矿石量的估计切实可行,且具有较好的应用前景。     

基于卷积神经网络的反无人机系统声音识别方法

针对如何识别无人机的问题,提出了一种基于卷积神经网络的声音识别无人机的方法。首先,对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值,将其特征参数作为卷积神经网络学习和识别的数据集;然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明,运用支持向量机识别无人机的准确率为91.9%,卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力,在部分UrbanSound8K数据集上进行测试,准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性,且识别性能优于支持向量机。      

改进谢别德插值方法在地磁图构建中的应用

构建地磁图是地磁/惯性组合导航研究的一项重要内容,为了提高地磁导航中地磁基准图的精度,本文分析研究了改进谢别德插值算法,简要概述了数字地磁图的构建原则,并将改进谢别德插值算法应用到地磁图构建中.通过实验验证,发现该方法与距离加权反比插值算法、克里格插值算法相比,具有较好的插值效果.由此,初步判定改进谢别德插值算法在地磁图构建中有较好的应用前景.     

一种基于轻量级神经网络的高铁轮对轴承故障诊断方法

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力,但繁重复杂的计算量对计算机硬件提出了严苛的要求,严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet,用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想,包含多个高效率的ShuffleNet单元,通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率;同时使用通道混洗方法克服了通道分组带来的约束,改进了网络的损失精度。实验分析表明,所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断,相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型,在保证诊断精度的同时,运行效率得到大幅提升。这为深度神经网络技术应用于工程实际,克服计算机硬件条件限制提供了一条新的途径。      

一种基于卷积神经网络的CSI指纹室内定位方法

针对提高Wi-Fi指纹室内定位技术性能,提出了一种基于卷积神经网络（Convolutional neural networks,CNN）的信道状态信息（Channel state information,CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息,利用CNN进行训练,保存训练后的CNN网络模型作为指纹;在线阶段,针对不同实验场景,对测试数据的幅度差信息和相位差信息进行加权处理,引入改进的基于概率的指纹匹配算法,利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外,为增强算法普适性,针对复杂室内场景,提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验,信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差,验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性。      

基于小波神经网络的管道腐蚀缺陷定量识别研究

漏磁检测是目前广泛采用的油气管道检测方法,通过漏磁检测仪获得腐蚀缺陷漏磁场切向分量的漏磁场信号,提取与腐蚀缺陷外形长、宽、深有关的漏磁场信号波形特征量,结合小波分析和神经网络的优势形成小波神经网络,分析设计了小波神经网络的结卡句,给出了网络训练算法,利用网络的非线性逼近性能,对腐蚀缺陷外形进行定量评价,给出预测评价曲线,试验验证方法有效可行。     

Bridging GPS outages of tightly-coupled GPS/SINS using GMDH neural network

A tightly-coupled GPS (global positioning system)/SINS (strap-down inertial navigation system) based on a GMDH (group method of data handling) neural network was presented to solve the problem of degraded accuracy for less than four visible GPS satellites with poor signal quality.Positions and velocities of the satellites were predicted by a GMDH neural network,and the pseudo-ranges and pseudo-range rates received by the GPS receiver were simulated to ensure the regular operation of the GPS/SINS Kalman filter during outages.In the mathematical simulation a tightly-coupled navigation system with a proposed approach has better navigation accuracy during GPS outages,and the anti-jamming ability is strengthened for the tightly-coupled navigation system.     

基于改进CEEMDAN-DCNN的声发射源识别分类方法

声发射源的准确分类识别是声发射地压监测预报预警研究的重要基础。针对矿山井下围岩体声发射事件信号和采掘作业噪声信号分类识别问题,提出了一种基于改进完备总体经验模态分解和深度卷积神经网络（DCNN）的智能识别分类方法。首先,对信号进行改进CEEMDAN降噪处理,即利用相关性系数阈值和排列熵（PE）阈值剔除伪分量和噪声分量;然后,利用DCNN对降噪后的信号自动提取高维特征;最后,将特征用于softmax分类器分类识别,实现智能化井下信号源多分类。研究表明：改进CEEMDAN能够有效剔除伪分量及噪声分量;相比其他机器学习方法,改进CEEMDAN-DCNN方法具有准确率高和稳定性较好等优点。信号源识别分类方法研究为地压监测预警预报提供了重要的基础数据,准确的灾害预警预报可为矿山井下作业人员和设备提供安全保障。     

基于模糊神经网络的地图匹配算法

提出了基于模糊神经网络的新的地图匹配算法.该算法综合了数字道路信息和GPS/DR定位信息,提取两个重要参数作为输入变量,即定位点到候选路段的投影距离及定位航向与候选路段方位角差.设计出了四层模糊神经网络及改进的收敛学习规则.实验结果表明所提出的算法能很好地匹配车辆行驶路段位置.      

基于机器学习的北京市PM2.5浓度预测模型及模拟分析

对北京市周边8个点多个压力高度的温度、湿度和风速数据, 以及北京市PM2.5污染数据进行了分析和归一化处理, 建立了反向传播神经网络(back propagation, BP)、卷积神经网络(convolutional neural network, CNN) 和长短期记忆模型(long short-term memory, LSTM) 对上述气象数据和污染数据进行训练, 训练结果表明: 反向传播神经网络模型和卷积神经网络模型对未来1 h的PM2.5污染等级的预测准确率较低, 而长短期记忆模型的准确率较高.使用长短期记忆模型预测未来1 h的PM2.5污染值与实际值十分接近, 表明北京市的PM2.5污染与其周边地区的气象条件关系密切.通过利用长短期记忆模型对不同压力高度的气象数据进行训练和对比, 得出在利用气象数据预测污染时, 仅使用近地面气象数据比使用多个高度上的气象数据更加准确.