基于CapsNet模型的过程故障识别研究

为了实现过程故障的识别诊断,文章使用CapsNet模型训练数据。首先,运用网络模型的空间特性,以向量的形式对训练数据进行特征表示、归一化处理。然后,进行卷积操作,在动态一致路由更新上进行故障分类。最后,增加重构模块来对输入数据矩阵反馈修正,降低损失误差,使网络快速收敛。同时,在每一层网络进行特征可视化,能清楚看到每一层网络特征图的变化。实验结果表明,文章模型的过程故障识别性能优于其他神经网络模型。     

改进残差网络和迁移学习的齿轮箱故障诊断

针对齿轮箱故障诊断问题,提出一种基于多尺度特征提取与融合混合注意力机制的残差网络模型。该模型直接对原始振动信号进行特征提取,通过增加混合注意力机制来增加网络深度,提取关键信息,提高网络稳定性与故障识别准确率;串联首层多尺度特征提取模块,增加网络宽度,提取不同频率特征值的同时避免了梯度爆炸问题,最终故障诊断精度达到99.9%;通过噪声实验,验证网络具有较强鲁棒性。网络使用迁移学习的方式,解决了实际工业中数据量不足的问题,并验证了网络的泛化能力。所提网络具有公开性与实用性。     

拟合振动信号模型实现滚动轴承故障诊断

针对现有旋转机械故障诊断模式的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断的方法.首先建立了滚动轴承故障振动信号模型,对原始振动信号做EMD(empirical mode decomposition)分解,并对包含有故障调制信息的IMF(intrinsic mode function)分量做信号重构,最后采用遗传算法对重构信号和故障信号模型做数据拟合,根据拟合结果可知损伤点所在部位和损伤程度.通过在风力发电机组齿轮箱高速端滚动轴承故障诊断中的应用,验证了方法的有效性和实用性.     

基于MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

基于改进ACGAN的齿轮箱多模式数据增强与故障诊断

针对现有生成对抗网络(GAN)难以高效率生成多模式的故障样本和训练不稳定问题，提出了一种改进辅助分类生成对抗网络(ACGAN),并将其用于齿轮箱多模式数据增强和智能故障诊断，以确保运载工具的安全运行；引入独立的分类器构建新型ACGAN框架，改善了经典ACGAN的分类精度与判别精度之间的兼容性；使用Wasserstein距离定义具有平滑特性的新型对抗损失函数，以此克服GAN易出现模式崩塌和梯度消失的缺点；引入谱归一化方法替代权重裁剪，限制判别器的权重参数，提高对抗训练过程的稳定性；为验证改进ACGAN的有效性和优越性，对齿轮箱的6类健康状态样本进行试验分析。分析结果表明：改进ACGAN生成的故障样本在数据层面和特征层面取得了更好的质量评估结果，其中基于结构相似度的评估指标平均优于对比方法0.249 3,基于最大平均差异的评估指标平均优于对比方法0.696 6;改进ACGAN的训练过程更加稳定，其损失函数具有更优的收敛性，同时在多模式故障诊断情景下具有更高的效率，其训练时间缩减为对比方法的20%;针对故障样本缺失的情况，改进ACGAN的生成样本能有效辅助深度学习智能故障诊断模型的训练，可将...     

动态交通数据故障识别与修复方法

为提高交通模型输入信息的可靠性,通过对交通传感器采集到的动态交通数据的故障进行识别,并根据不同的故障种类采取补充、还原或修正等方法对数据进行修复。分析结果表明,动态交通数据的故障识别与修复方法是可行的,尤其是对数据的补充处理,可以很好地解决因为数据丢失而给后续处理带来的困难。     

基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战。本文构建基于数据增强的LSTM-AE-Attention深度学习模型，进行车辆轨迹重建和异常轨迹识别。首 先，使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集，实现数据增强；其 次，通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建；最后，结合自编码网络预训练和注意力机制构建异常识别模型。采用实际车辆轨迹数据测试，模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型，重建实验中模型的决定系数为0.968，异常识别实验中模型的F1值较对比模型平均提升9.8%。结果表明，本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹。     

基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明：与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

���ڻ�ɫ�в�GM(1,N)ģ�͵Ľ�ͨ�����ݻָ��㷨

交通检测器采集的原始交通数据的质量会直接影响智能交通系统的后续效益.本文针对采集的交通数据普遍存在的故障问题,以交叉口检测器的交通流数据为研究对象,提出基于灰色残差GM(1,N)模型的数据修复算法.首先针对交叉口四个路口的交通流进行灰色相关分析,然后建立灰色GM(1,N)模型对故障数据进行预测修复,并进行了残差修正,提高了修复数据的精度.分析结果表明,提出的故障数据灰色残差GM(1,N)模型算法是可行的,可以更好地解决因为数据故障而对后续处理带来的困难,同时也为其他领域的故障数据修复提供借鉴.     

基于特征重整及优化训练的遮挡人脸识别算法

以ResNet50网络为基础网络,提出了使用信息熵的权重特征对池化层的信息进行优化,在不增加额外参数的情况下使得网络特征提取更加充分;同时提出了改进型PSO(粒子群)算法对卷积网络误差反向传播阶段进行优化,通过比较GSA(引力搜索)优化前后最优粒子的适应度函数值,以此确保每次迭代中获得全局最优粒子.实验结果表明本文提出的方法有助于人脸的识别,尤其是在遮挡人脸的识别中,同时优化后的网络的训练收敛速度和识别速度也有了明显提升.     

受电弓故障的车载图像识别技术

针对列车在途中因受电弓发生故障而影响运行安全的问题，提出了一种受电弓故障的车载图像识别技术，以实时检测受电弓降弓、变形与毁坏，碳滑板异常磨耗与缺口，弓角变形与缺失故障；基于更快速的区域卷积神经网络(Faster R-CNN)目标检测框架设计了弓头图像定位目标检测模型，利用残差网络代替原有卷积网络，利用特征金字塔多尺度预测结构构建了候选区域推荐网络，以精准、快速地进行弓头定位和状态检侧；基于掩码区域卷积神经网络(Mask R-CNN)实例分割框架设计了弓头图像分割模型，并针对性地重新设计了检测头的网络结构与特征图尺寸，以适应受电弓的细长弯曲特征，从而准确、快速分割弓头图像；为了在分割后的二值图中更快速地识别与定位故障，根据受电弓结构尺寸和图像分割模型输出的位置坐标，制定了弓角与碳滑板故障的快速模板匹配策略，并在此基础上编制了详细的故障检测算法与程序。研究结果表明：在相应的数据集上，弓头图像定位目标检测模型的平均检测精度为0.944,平均每帧检测时间为0.029 s,弓头图像分割模型的平均分割精度为0.967,平均每帧检测时间为0.031 s,模板匹配的检测精度为0.985,平均每帧检测时...     

基于多传感器数据融合的齿轮箱故障诊断方法

为了解决单通道单维度振动信号输入不能全面表达齿轮箱故障特征的问题,提出一种基于多传感器多通道数据融合的诊断模型,结合卷积神经网络应用于齿轮箱振动信号的特征学习和故障分类中.利用连续小波变换对多通道数据进行二维时频变换,得到二维时频图像;构建神经网络诊断模型,以多通道的时频图作为输入,实现多通道信号特征的故障分类.通过动...     

电机故障识别模型优化研究

提出了基于优化BP神经网络的电机故障识别模型.针对以往隐节点数依靠经验选取,缺乏理论指导的问题,利用隐节点输出的相关系数对网络隐层优化,简化模型结构.实验结果表明,该优化方法可行、所建立的故障识别模型有效.     

基于联合近似对角化的盲源分离在齿轮箱故障诊断中的应用

提出一种采用盲源分离技术对齿轮箱混合故障进行诊断的方法．该方法利用白化信号自相关矩阵的联合近似对角化算法，从观测信号中分离故障特征源信号，并根据分离信号的频谱成功地提取了混合故障的特征信息，有效地诊断出齿轮箱所处的故障状态．     

考虑传输函数特性的行波幅值比较式纵联保护原理

为了精确描述行波在输电线路上的传播过程及其衰减规律,挖掘其携带的故障信息并应用于输电线路继电保护,将线路时域上的波动方程进行Laplace变换,分析了有损均匀传输线的戴维南等效电路,建立了故障附加网络的集总等效电路.在此基础上,推导出输电线两端初始反向行波的数学关系,并提出一种考虑传输函数特性的行波纵联保护算法.该算法利用S变换提取初始行波,计算线路两端初始反向行波的衰减比,依据衰减比识别区内外故障.最后,利用PSCAD/EMTDC仿真数据对保护算法进行测试,结果表明:区内故障时,衰减比大于0.81,区外故障时,衰减比接近0,说明保护算法能可靠识别区内外故障,从原理上克服了线路模型误差、线路参数不确定性等因素产生的不利影响.      

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车，因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究，分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC)，以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%，两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为；考虑相邻前车与周围环境车辆的交互作用，可使模型具有预测性，两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求，为本车驾驶人预留出反应时间，为预测周围车辆行驶轨迹研究提供支持.     

基于非平衡数据的车辆轮对状态集成分类方法

针对地铁车辆轮轨振动信号信噪比低、非线性、非平稳等特点,为实现平轮故障的不解体检测诊断,提出了一种基于非平衡数据的集成分类器模型.以踏面正常、踏面擦伤、踏面剥离和圆周磨耗四种典型的平轮故障为研究对象,对采集的轮轨振动信号进行变分模态分解与模糊熵特征提取,构造故障特征数据集;通过偏置支持向量机筛选训练集中的支持向量样本并进行SMOTE(synthetic minority oversampling technique)过采样,对非支持向量进行分层组合并构造集成分类器,采用有向无环图的方式对测试集进行平轮故障识别;最后,通过查全率和查准率对比分析,给出多类非平衡数据集的分类性能评价.论文在车辆段轨旁进行了空载分类试验,实验结果表明,所提出的方法对4种定性模式障的识别准确率超过96%,可被有效应用于地铁车辆的平轮故障诊断.