基于卷积神经网络的深孔镗削加工过程颤振监测研究

提出了一种基于卷积神经网络(convolutional neural networks,CNN)的深孔镗削加工过程颤振监测方法。利用传感器采集蕴含加工过程状态信息的振动信号,采用短时傅里叶变换(short-time Fourier transform,STFT)对采集的信号进行分析,得到的能量频谱图作为CNN模型的输入,建立了基于CNN的深孔镗削颤振监测模型,最后结合实际案例研究了CNN网络结构与参数对颤振监测准确率的影响。试验结果表明:通过STFT对原始信号分析得到的能量频谱图比原始信号能更有效地表征过程状态,文中方法能有效监测深孔镗削加工过程颤振状态。     

半主动动力吸振镗杆系统的颤振抑制机理

深孔镗削过程中,针对影响工件加工精度和表面质量的颤振现象,建立单自由度切削颤振系统的动力学模型,利用谐波平衡法求得机床主轴转速与极限切削宽度的关系式,并绘制了机床主轴转速与极限切削宽度的稳定性图,结合半主动动力吸振镗杆刚度和阻尼系数的可控性,分析了机床结构刚度及阻尼系数大小对颤振抑制的影响。研究结果表明：机床颤振频率随着主轴转速呈分段线性变化,增大机床结构的刚度和阻尼,系统的稳定性区域在一定范围内相应的增大。为今后进行半主动动力吸振镗杆具体模型的建立和相关参数的选取提供了理论依据,具有实际意义。     

基于混合算法的柴油机缸内工作过程评估

针对船舶柴油机故障数据少,而正常状态数据丰富的特点,建立粒子群支持向量数据描述的混合算法,对柴油机缸内工作过程进行状态评估.选取并处理缸内气体压力变化数据,并将其作为基准数据,对示功图特征参数进行提取与计算,运用粒子群优化算法获得最优参数,并代入支持向量数据描述算法模型,以获得最小封闭超球体理论半径,将状态点距离正常工作过程理论球心位置的数值与理论半径的数值作对比,以评估柴油机缸内工作过程,并采用待测半径占理论半径相对长度的方式对评估结果进行打分.通过实例验证,表明该方法具有良好的实船应用价值.     

RV减速器摆线轮轴承孔精镗加工工艺分析

以RV80E减速器摆线轮为研究对象,利用金属切削有限元软件Advant Edge FEM对其轴承孔精镗加工过程进行仿真分析,模拟了切削温度和切削力的变化情况.在此基础上,分析了不同进给量对切削温度、刀具切削力的影响,确定了摆线轮轴承孔精镗加工的最佳进给量范围,仿真分析结果为实际摆线轮轴承孔镗削加工的切削参数选择提供了参考.     

基于卷积网络与自适应SVM的齿轮箱故障诊断

针对齿轮箱运作过程中故障诊断效果不理想的问题,提出了一种卷积神经网络(CNN)与粒子群优化的支持向量机(PSO-SVM)方法.首先利用特征参量求出信号的时频特征统计量,其次利用卷积神经网络对时频特征统计量进行二次特征提取,最后利用粒子群优化的支持向量机进行分类.经实验验证,此方法准确率不仅高于其他经典网络模型,而且训练...     

基于DCNN与HMM融合的疲劳驾驶检测方法研究

首先提出一种深度卷积神经网络(DCNN)与隐马尔可夫模型(HMM)融合的疲劳驾驶检测方法,针对眼睛和嘴巴状态单一特征,构建3层DCNN来识别眼睛和嘴巴闭合状态;再针对训练样本人工标记困难的问题,提出结合人工标记、采用Dlib特征点检测和疲劳参数加权获取驾驶员疲劳等级的方法进行标记;最后,针对疲劳驾驶是一个从状态良好到重...     

一种将通用量具改装成专用测孔组合装置的方法

在精镗孔加工过程中,不拆卸加工工件,在停机状态下,用本“专用测孔组合装置”,可绕过镗杆,测量孔径,实现曲线测量孔径,大大提高原有工作效率及测量精度。     

基于集成式神经网络的扁平箱梁颤振导数预测

扁平箱梁因具有较优的颤振性能,已被应用于绝大多数大跨径桥梁. 为便于桥梁设计者在大跨度桥梁初步设计阶段快速评估扁平箱梁的颤振性能,提出了一种基于集成学习的深度神经网络模型,用于快速预测扁平箱梁颤振导数. 首先采用强迫振动风洞试验获取了15种典型扁平箱梁的颤振导数,结合自由振动风洞试验和二维颤振计算验证了颤振导数的准确性;基于风洞试验数据,构建了大小为525的颤振导数数据集,以此数据集为基础,对所提出的集成式深度神经网络开展了模型训练和性能测试. 计算结果表明:所提出的集成式深度神经网络模型仅依靠扁平箱梁的气动外形特征即可准确且快速地预测不同折算风速下的8个颤振导数,且仅利用本文60%的数据集进行训练即可获取较高精度的预测结果;对比传统的多项式回归模型和单一人工神经网络模型,本文所提出的集成式深度神经网络模型预测精度更高,可直接应用到桥梁初步设计阶段的气动选型和颤振计算中.      

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支权重并对各分支多通道特征图进行加权融合;最后根据融合特征图,利用多层感知机预测下一时段交通流.基于加州交通运输部性能测试系统中的高速公路交通流数据设计实验进行模型验证和对比分析.实验结果表明,在大多数站点,MKAN模型的预测均方根误差和平均绝对误差低于长短期记忆网络、门控循环单元、K近邻算法和支持向量回归模型,对140号站点进行全天交通流预测,在1d内的各时段,MKAN模型预测绝对误差均小于其他对比模型;相比于单核卷积神经网络,在绝大多数站点,MKAN模型预测结果的均方根误差和平均绝对误差降低7％以上,对31号站点进行全天交通流预测,在1d内的大多数时段,MKAN模型预测绝对误差小于其他单核卷积神经网络.实验证明,多核自适应网络可有效提高交通流预测准确率,其预测效果优于部分传统预测模型和单核卷积神经网络.     

卷积神经网络及其在智能交通系统中的应用综述

从特征传输方式、空间维度、特征维度3个角度,论述了近年来卷积神经网络结构的改进方向,介绍了卷积层、池化层、激活函数、优化算法的工作原理,从基于值、等级、概率和转换域四大类总结了近年来池化方法的发展,给出了部分具有代表性的激活函数对比、梯度下降算法及其改进型和自适应优化算法的工作原理和特点;梳理了卷积神经网络在车牌识别、车型识别、交通标志识别、短时交通流预测等智能交通领域中的应用和国内外研究现状,并将卷积神经网络算法与支持向量机、差分整合移动平均回归模型、卡尔曼滤波、误差反向传播神经网络、长短时记忆网络算法从优势、劣势和在智能交通领域的主要应用场景三方面进行了对比;分析了卷积神经网络在智能交通领域面临的鲁棒性不佳和实时性较差等问题,并从算法优化、并行计算层面和有监督学习到无监督学习方向研判了卷积神经网络的发展趋势。研究结果表明:卷积神经网络在视觉领域具有较强优势,在智能交通系统中主要应用于交通标志、车牌、车型识别、交通事件检测、交通状态预测;相比其他算法,卷积神经网络所提取的特征更加全面,有效地提高了识别准确度与速度,具有较大的应用价值;卷积神经网络未来将通过网络结构的优化、算法的改进、算力的提升以及基准数据集的增强,为智能交通带来新的突破。      

基于神经网络和支持向量机的大客车运行车速组合预测

为了降低单个预测方法的不确定性,综合神经网络和支持向量机两种学习型算法,基于二者的最优加权组合对大客车运行车速进行了预测.以二级公路上244个路段的平曲线半径和纵坡度等线形数据和实测车速为样本,分别应用BP神经网络、支持向量机、最优加权组合预测以及线性回归对大客车第85百分位运行车速进行了预测.选择均方根误差和判断系数为评价指标,对比结果表明,最优加权组合预测能够综合单个预测方法的信息,提高了预测精度.     

基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法

针对牵引电机轴承健康评估中带标签的全寿命周期振动数据获取与可反映轴承性能退化趋势的健康指标构建困难的问题，提出了一种基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法；采用迁移学习，以带标签的轴承全寿命周期数据集为源域数据，以综合试验台数据为目标域数据，构建数据集；采用欠采样与合成少数类过采样技术对全寿命周期数据集进行扩充与平衡，得到了卷积神经网络训练所需的有效样本数量；在时域和频域上提取描述轴承退化过程的特征，利用卷积神经网络，遵循轴承性能退化规律的浴缸曲线，对基本特征进行融合，构造了健康评估指标。分析结果表明：在电机轴承轴电流损伤的健康评估中，所提出的基于迁移学习和卷积神经网络的健康评估方法的准确率为98.17%,遵循直线型、二次函数型和抛物线型退化规律构建健康指标的方法的准确率分别为86.61%、89.56%、91.30%,因此，所提评估方法准确率最大，具有更佳的评估效果，并且实现专家知识与神经网络学习知识的结合，降低了故障特征维度，解决了健康指标构建困难的问题，通过跨设备迁移学习实现了牵引电机轴承的健康评估。     

基于CNN和粒子群优化SVM的手写数字识别研究

针对传统卷积神经网络手写体数字识别中Softmax因指数函数运算而易产生计算溢出以及较高的计算机硬件需求问题,提出了基于卷积神经网络特征提取的支持向量机手写体数字识别方法。同时,为了提高手写体数字的识别精度,设计了基于K-CV意义下适应度函数的粒子群优化SVM参数方法。基于Semeion及MNIST手写体数字集的实验仿真表明,文章所设计的方法与传统方法相比能够获得更高的识别率。     

基于深度学习的复合神经网络机场信号检测框架

针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架. 该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征. 基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.      

列车轮对状态的融合监测系统

为了提高列车轮对故障诊断准确率和改善现有列车轮对状态在线监测方法的不确定性,结合多传感器信息融合原理,设计了列车轮对融合监测系统,采用特征层融合自适应加权算法进行了轮对状态融合监测,以自适应的方式寻求最优加权因子,使状态测量值总均方误差最小,比较了特征层融合自适应加权算法、模糊数据关联算法、变结构多模的状态估计算法和BP神经网络算法的计算结果。比较结果表明:当轮对两端轴承均出现故障后,两传感器输出的测量值分别为22.0470和21.0250,而此融合算法计算出的估计值为4.2642,融合值最接近真值,因此,列车轮对融合监测系统可靠性高,抗干扰性强。     

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。     

慢走丝电火花镗磨工艺方法的研究

针对硬质合金等难加工材料小孔的精加工,文中提出了一种慢走丝电火花镗磨工艺方法,该方法是在慢走丝电火花线切割机床（HCS250）上设计了一套机床镗磨附件进行磨削加工.但电火花加工的放电过程非常复杂,整个加工受多种因素影响.通过正交实验和极差分析法,重点探讨了低速走丝电火花镗磨加工过程中平均间隙电流、平均间隙电压和工件转速对加工工艺的影响状况.实验结果表明,该工艺方法行之有效.     

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.      

基于SVM的核动力管道腐蚀状态评估方法研究

支持向量机(SVM)是根据统计学理论提出的一种新的通用机器学习方法,在解决小样本分类评估等工程实际问题中具有独特的优势.文中根据腐蚀状态与腐蚀影响因素之间复杂的映射关系,通过采用不同的核函数建立支持向量机分类评估模型对核动力某管道的腐蚀状态进行了评估.计算结果表明,采用RBF核函数的计算速度较快,结果较准确,运用支持向量机方法对核动力管道进行腐蚀评估在样本有限的情况下具有明显优势.     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预测上表现较好,预测精度达到90.2％,比决策树模型精度提高了12.4％,比自回归模型精度提高了5.6％.