大数据背景下基于特征学习的机械设备剩余寿命预测

传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标，而在大数据背景下，手动提取特征需要特定专家知识并耗费大量人力，为解决该问题，提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法（AFLRULP）. 该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题，并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态；根据失效阈值可以计算出机械设备的剩余寿命；采样轴承全寿命周期数据集合对提出的AFLRULP进行验证，并且与传统基于手动提取特征的方法进行寿命预测准确性的对比. 研究结果表明:AFLRULP不需要人工提取特征，可从原始监测数据映射为机械设备的性能状态与剩余寿命，相对于现有的基于手动提取特征的寿命预测方法，提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.      

智能化滚珠丝杠副退化状态的评估方法

现有滚珠丝杠副退化状态评估方法通常假设已有充足且带标签的数据集,但实际工程应用中故障成本过高、获取标签难度过大,难以在特定工况下获得大量带标签数据集. 针对上述问题,提出一种基于多尺度对抗域对抗学习的智能化状态评估方法,结合注意力卷积神经网络模块和域对抗学习模块,利用不同工况下采集的传感器信号建立深度学习模型,从而自适应地学习域不变特征并实现高效的知识复用和特征迁移;利用多工况下采集的滚珠丝杠副退化信号构建试验数据集来验证方法的有效性. 研究结果表明:本文方法在6个标签缺失跨工况条件下的滚珠丝杠副退化状态识别子任务中均取得了高于89.02%的识别准确率;能够充分迁移带标签数据的关键特征,实现了标签样本缺失条件下目标工况退化状态识别.      

动车组牵引电机轴承健康状态评估与预测

论文提出了一种基于长短期记忆网络(LSTM)的动车组牵引电机轴承健康状态评估与预测的方法.首先在动车组牵引电机轴承的时域、频域以及时频域内,进行退化特征提取,并以相关性、单调性和鲁棒性为原则,进行敏感特征选取;然后,采用深度学习网络,对所选取的退化特征进行特征融合,在此基础上,计算最小量化误差(MQE)并构建健康指数(HI)退化曲线;最后,基于LSTM的动车组牵引电机轴承的健康状态,进行评估与预测,同时运用人工神经网络(ANN),对牵引电机轴承的健康状态进行评估预测.进而并对两种评估预测的结果进行比较分析,结果表明:采用LSTM的评估预测精度较ANN的高,而且性能更优,更适合于动车组牵引电机健康状态的评估与预测.     

一种基于深度学习的电机轴承故障诊断方法

针对电机轴承故障信号通常呈现出非线性和不稳定性这一缺点,利用短时傅里叶变换将振动信号转换成二维时频图作为输入训练卷积神经网络;再利用卷积神经网络的自学习能力学习电机轴承故障类型与故障特征之间的深层联系.仿真实验结果表明,相比较其他方法,该方法具有更高的诊断准确率,能够更有效地识别电机轴承故障.     

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明：笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S_SNR=-4～6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。     

结合CEEMDAN和灰度关联分析方法的滚动轴承性能退化评估

针对大型机械设备中滚动轴承容易发生故障的问题,提出一种将自适应噪声的完备经验模态分解(CEEMDAN)和灰度关联分析相结合的滚动轴承性能退化评估方法。首先利用CEEMDAN对轴承全寿命周期的振动信号进行分解,得到能量熵特征,其次以正常状态下的特征矢量作为灰度关联分析的参考序列,然后计算轴承全寿命周期内的特征矢量与正常特征矢量的关联度,作为性能退化过程的定量评估指标,结果表明该方法能及时发现早期故障,并能很好的描述轴承退化的各个阶段。最后利用基于CEEMDAN和Hilbert包络解调的方法对评估结果的正确性进行了验证。     

半监督卷积神经网络的词义消歧

为了解决有标签语料获取困难的问题，提出了一种半监督学习的卷积神经网络(convolutional neural networks, CNN)汉语词义消歧方法. 首先，提取歧义词左右各2个词汇单元的词形、词性和语义类作为消歧特征，利用词向量工具将消歧特征向量化；然后，对有标签语料进行预处理，获取初始化聚类中心和阈值，同时，使用有标签语料对卷积神经网络消歧模型进行训练，利用优化后的卷积神经网络对无标签语料进行语义分类，选取满足阈值条件的高置信度语料添加到训练语料之中，不断重复上述过程，直到训练语料不再扩大为止；最后，使用SemEval-2007:Task#5作为有标签语料，使用哈尔滨工业大学无标注语料作为无标签语料进行实验. 实验结果表明:所提出方法使CNN的消歧准确率提高了3.1%.      

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。      

基于隐马尔科夫模型的滚动轴承性能衰退评估

针对滚动轴承全寿命周期内健康状态的变迁和性能衰退的识别和评估问题,引入隐马尔科夫模型(hidden Markov model,HMM),利用Baum-Welch算法对滚动轴承全寿命周期振动信号数据进行建模,利用Viterbi算法解算和检验模型,最后通过Forward-Backward算法计算测试数据的概率分布;通过校验数据概率分布的隐含序列和观测序列分别表示状态变迁概率和性能衰退评估结果.研究结果表明:该方法能够快速解算滚动轴承状态迁移的概率分布,有效识别性能衰退状态,为预防性维修提供参考.     

基于改进LSTM的高速列车牵引电机轴承温度预测模型

为提高牵引电机轴承温度的预测精度,提出一种基于改进LSTM的高速列车牵引电机轴承温度预测模型。该模型引入窥视孔模块,改进了LSTM网络结构,适应长距离时间序列的牵引电机轴承温度数据,设计两层改进LSTM网络构成隐藏层,减少模型的计算量和训练耗时。选取某动车组的历史运行数据进行测试与分析,与标准LSTM、RNN、GRU、SVR预测模型相比,改进LSTM预测模型的均方根误差和平均绝对百分比误差最低,分别为1.158和2.57%,表明改进模型提高了牵引电机轴承温度的预测精度。     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.     

基于改进安全域的轴箱轴承状态监测

为了提高高速列车轴箱轴承的运行可靠性，将安全域理论引入到轴承的状态监测，并将传统安全域估计转化为确定安全域的边界值来避免复杂模型参数的影响；利用归一化内禀模态分量的能量距构建轴承运行的状态特征向量，根据关联函数建立轴承安全域边界值估计模型，采用粒子群优化算法进行寻优求解；基于求解结果，结合关联函数定量分析轴承的运行状态，利用轴承全寿命疲劳试验进行验证，并将该方法应用于轴箱轴承的状态监测. 研究结果表明:全寿命试验的轴承运行状态的检出率和分类正确率分别为0.951和0.939；高速列车轴箱轴承运行状态的分类正确率为0.935，轴承运行正常，与其实际状态相一致.      

高铁牵引供电系统PHM与主动维护研究

随着我国高速铁路进入全面运营维护期,针对牵引供电系统与设备状态只能进行二元判断、故障诊断采用故障后处理方式以及维修维护只能采用被动模式等种种不足,提出将故障预测与健康管理(PHM)和主动维护应用于高速铁路牵引供电系统中,结合高速铁路牵引供电系统的多时空尺度性、动态性与随机性的特点,运用多尺度变换、时空联合分析以及随机过程等方法,实现故障的预测预警、系统健康状态的综合评估、全寿命周期可靠性的分析和风险的评估以及维修策略的决策与优化.研究结果表明:PHM与主动维护理论与方法的引入,能有效处理牵引供电系统的大量数据信息、综合表现从设备级到系统级的健康状态、在故障发生前及时预测预警并制定最优的主动维修维护策略;PHM与主动维护技术途径的实现,能在牵引供电系统处于不健康运行状态时及时做出应激反应,通过健康监控与智能维护系统一系列的感知、评估、预测、诊断与决策过程恢复牵引供电系统健康运行.      

基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测, 构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型; 使用多尺度排列熵算法对时间序列进行变点分析, 求解出性能退化过程中的突变点, 得到了有故障征兆的性能退化起始点; 构建了包含多变量的长短时记忆神经网络模型, 将多个状态参数代入到模型中得到对应的剩余寿命; 将变点后的航空发动机多状态参数和剩余寿命作为样本, 代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测; 通过综合航空发动机状态参数变点分析方法和时间序列预测模型, 得到最终的剩余寿命预测结果。研究结果表明: 多尺度排列熵算法能够及时监控各个状态参数的变化, 当发现状态参数异常时, 排列熵的值会发生跳变, 从而有助于及时发现故障征兆; 长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选, 充分保留了有效信息用于时间序列预测; 多变量长短时记忆神经网络能够对多状态参数进行同步分析, 并且将状态参数直接与剩余寿命相对应, 提高了模型效率; 通过多尺度排列熵算法和长短时记忆神经网络模型的结合, 能够考虑到航空发动机的多退化模式, 得到更符合实际退化过程的剩余寿命预测结果; 经过算例分析, 提出方法的剩余寿命预测的均方根误差为5.3, 与长短时记忆神经网络、反向传播神经网络和支持向量机相比, 误差分别降低了63%、72%和78%。      

基于数据驱动的质子交换膜燃料电池寿命预测

质子交换膜燃料电池发电技术是极具应用潜力和工业前景的技术，对质子交换膜燃料电池进行寿命预测是其走向商业推广应用的重要一环. 从质子交换膜燃料电池的退化特性及输出特性出发，分析系统及环境因素是如何影响其退化的；阐述了基于数据驱动的寿命预测方法的研究现状，着重对基于神经网络算法的寿命预测进行了综述；分析了寿命预测算法存在的不确定性来源；最后，对质子交换膜燃料电池的寿命预测研究进行了展望，阐明当前存在的经验数据有限、缺乏对瞬态过程的建模、难以实现在线预测等问题，尤其机车用大功率质子交换膜燃料电池的寿命预测仍存在诸多难点.      

新建牵引变电所的负荷预测及变压器容量优化配置

为了获得新建牵引变电所的负荷情况并校验优化所内牵引变压器的配置容量，将高斯混合模型用于牵引变电所实测数据聚类，然后引入神经网络对新建牵引负荷进行匹配分类. 依据聚类和分类结果，结合概率密度及蒙特卡洛抽样方法，实现新建电气化铁路牵引负荷的预测. 根据热传递原理和相对老化计算，建立新建牵引变电所牵引变压器温升与寿命损失的差分方程模型，对新建牵引变电所的牵引变压器容量进行优化配置. 通过对大量牵引变电所实测数据的分析，聚类后伪-F统计量达12.81，匹配分类后伪-F统计量进一步上升至12.90，表明本文聚类分类方法效果良好. 通过牵引变压器建模，将算例中变压器容量利用率从60%提高到96%，即使考虑安全裕度适当提高安装容量也能使容量利用率达到75%，实现了变压器容量的优化，充分利用了变压器的温度指标和寿命损失.      

基于ARMA的滚动轴承振动数据预测

为实现对滚动轴承的振动数据预测,本文提出一种基于自回归滑动平均(ARMA)模型的预测方法。首先截取滚动轴承全寿命周期的早期无故障数据作为样本,计算截取样本序列的自相关系数和偏相关系数,然后采用最小信息准则(AIC)对ARMA定阶,运用最小二乘法估计参数建立ARMA模型,将轴承同工况与类工况下的数据输入到已建立的ARMA模型中,得到的轴承预测数据与实际故障数据进行对比,计算预测的准确率。结果表明:该方法可以准确预测轴承的实际状态,且同工况相对于类工况下的预测效果更优。     

基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法，分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势，归纳了局部断面交通流预测方法，包括传统机器学习、递归神经网络和混合模型，分析了卷积神经网络、图神经网络和融合多因素网络的特点，阐述了方法的原理、优势、局限性和应用场景，总结了现有场景交通数据集类别，从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律，但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题；图神经网络针对路网拓扑连接关系引入了图结构，在考虑路网和交通流数据的时空相关性上具有明显优势；融合多因素网络充分考虑天气、道路、事故等内外部因素的影响，有效提升了交通流预测的实时性和鲁棒性；由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因，交通流预测方法的改进受到了限制；未来应从交通信息有效挖掘和图卷积方法完善两方面入手，拓宽图结构在交通领域的应用和考虑非常态交通场景，进一步揭示交通数据的内在规律，开发更准确、高效的交通流预测方法，推动交通流预测在工业界的落地应用。     

卷积神经网络在辅助胸部数字X线图像质量控制工作的应用价值

目的探讨卷积神经网络在胸部数字X线(digital radiology,DR)图像质量控制(quality control,QC)工作中的应用价值。方法纳入不同机器拍摄的胸部DR图像1 618张进行分级标记,其中1 294张作为训练集用于卷积神经网络,324张作为测试集用于检测效果;将检测结果用二分类和四分类的混淆矩阵计算敏感度、特异度、阳性预测值(positive predicted value,PPV)、阴性预测值(negative predicted value,NPV)和总准确率。结果二分类结果:敏感度为73.53%,特异度为97.93%,PPV为80.65%,NPV为96.93%,总准确率95.37%;四分类结果的总准确率75.93%。二分类结果总准确率高于四分类结果 (P<0.05)。结论卷积神经网络可满足影像QC工作达到最低标准的要求,但要进行高级别图像质量评分和考核等管理工作,还需更大的数据集和更加细致的特征标记。     

基于轻量级卷积神经网络的烟雾识别算法

由于烟雾图像场景模糊不清，背景复杂多变，难以捕获到有效特征，导致算法识别误报率和漏报率较高；此外，深度卷积神经网络结构复杂，参数繁多，难以缩短其计算时间至1 ms内，这成为实时火灾预警的一大难题. 为了解决上述问题，提出了一种基于4种Inception结构的轻量级卷积神经网络SInception （sequeeze-and-excitation inception）在此基础上加入SE Block （sequeeze-and-excitation block）用于对烟雾特征进行重新分配；同时，为了避免由于训练样本不足引起的过拟合，原始数据集上采用数据增强技术以及生成对抗网络生成更多训练样本，并在后续实验中采用了融合暗通道先验特征的策略. 实验结果表明:该网络在增强的数据集GAN-Aug-YUAN上将识别误报率降为0的同时将准确率提升至99.65%，且计算时间减少到0.26 ms.