基于并行多任务深度学习的铁路主要技术标准优选

铁路主要技术标准是铁路全生命周期最重要的先决技术决策之一.传统的基于经验驱动的决策方法工作量大、周期长、严重依赖设计者的经验水平、可能遗漏有价值的方案.而主要技术标准优选的关键在于揭示多维环境因素与主要技术标准值之间的潜在映射关系.受深度学习在规律特征识别方面成功应用的启发,提出基于并行多任务深度学习的铁路主要技术标准优选方法:将影响技术标准决策的多维环境因素为输入,主要技术标准值为输出,构建深度学习模型发掘规律;提出将地形转换为图像,再卷积提取特征,并与运量、路网中的作用等数据融合的方法,解决多模态混合输入学习样本的生成难题;针对各标准之间相互关联问题,建立了适于主要技术标准优选的多任务神经网络结构,并通过大量实验,确定了卷积层、卷积核、全连接层等主要结构参数.经5736 km既有线路实例验证,主要技术标准决策的平均准确率可达88％以上.     

基于搅拌摩擦焊的船体焊缝Matlab分析

焊接工艺的不断进步和发展,为促进船舶制造业的繁荣兴盛发挥了重要作用。焊接工件质量问题是船舶安全中的重点问题。在本文中,针对搅拌摩擦焊工艺技术进行研究,分别介绍搅拌摩擦焊的工作原理及其特点,分析搅拌摩擦焊的焊缝缺陷产生的原因,并提出基于搅拌摩擦焊的船体焊缝Matlab分析方法。首先使用Matlab的小波分析工具箱对焊缝缺陷图像进行降噪与特征提取;然后使用LS-SVMlab Toolbox进行分类识别分析。实验结果表明,Matlab相关工具箱可对焊缝缺陷进行有效分析,能够取得较为理想的检测结果。     

基于大模型混合算法的站台门设备状态预测方法研究

地铁站台门设备关键状态量的监测为设备状态预警提供了重要依据。根据免疫算法及小波神经网络的基本原理,对设备状态预测进行优化,提出大模型混合算法的站台门设备状态预测算法。结合国内外城市轨道交通机电类设备健康运营现状,对基于大模型混合算法(免疫算法+小波神经网络)的站台门设备健康管理系统进行验证,结果表明此算法预测设备状态误差小、理论值准确。     

图像识别与卷积神经网络结合的船舶裂缝图像处理技术

裂缝是船舶致命的缺陷,不仅会降低舰船的防水性能,严重时还会导致整个船体的结构破裂,导致船舶沉没等严重事故。因此,在船舶的生产与制造过程中及时对船舶的裂缝进行识别,在船舶的正常运行维护中提早发现船舶的裂缝缺陷并处理,具有重要意义。传统的船舶裂缝识别主要靠超声波探测等技术,效率低,为了改善这一现状,本文研究了一种基于图像识别与卷积神经网络的船舶裂缝图像识别系统,分别从图像识别技术和神经网络算法进行了相关的阐述。     

基于机器视觉的路桥裂缝病害自动检测技术

为解决路桥表面因荷载作用、疲劳与腐蚀效应、材料老化以及维修养护不及时等原因产生裂缝病害的问题,进一步提高日常养护工作效率,对机器视觉技术、图像处理技术在路桥裂缝病害检测工作中的应用进行了研究.采用对比分析和数据验证相结合的方法,重点针对利用机器视觉技术实现病害特征提取、特征识别和量化计算算法进行了比较研究.研究结果显示:①采用修正后的Faster R-CNN和深度可分离卷积网络能够有效减少参数数量,实现算法速度和精度的平衡;②采用小波变换滤波和KD树算法相结合的方式能够精确实现裂缝病害的连续特征提取;③基于裂缝的统计特征可快速实现病害分类.基于上述研究成果,提出并研发了一种路桥裂缝病害的自动检测方法,通过在广东省8条高速上的实例验证和模型优化,实现了路桥裂缝病害的自动化检测,精度达到95％,大幅度地提升了检测效率,有助于提高路桥的安全运行水平.     

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题，提出了一种基于深度时频特征的机车轴承故障诊断新方法；利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取；为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征，上通道使用一维CNN，为使输入的二维时频域信号能多角度地反映出信号的细微局部变化，下通道使用二维CNN；在融合层中将上下通道特征自动融合成一个新的深度时频特征，并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别；在此基础上，分析了某局机务段实测的7种机车轴承数据，验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%，与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比，平均诊断精度分别提高了0.7%、1.9%和2.2%；本文方法提取的深度时频特征中每类故障分布间隔规则有序，类内间距很小，而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则，类内间距较大，说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越，是一种解决机车轴承故障诊断问题的有效模型。      

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。     

基于卷积神经网络的声信标信号识别方法

声信标信号的有效检测识别方法在找寻失事黑匣子的过程中起到关键作用。本文基于卷积神经网络(CNN)的检测识别方法,把已知声信标信号作为卷积神经网络的训练样本,提取梅尔频率倒谱系数(MFCC)特征后输入卷积神经网络进行训练,得到相应的训练标签。把待测的声信标信号输入经过训练的卷积神经网络进行测试,得到相应的识别结果。试验结果表明,基于卷积神经网络的方法可用于声信标信号的检测识别,并且有较好的识别率。     

小波神经网络在动力系统可靠性优化分配的应用

船舶动力系统属于机电设备工程系统的一种类型,在设计方面始终伴随现代科技及现代设计方法的改变而不断创新。为进一步加快船舶设计工作的发展速度,就必须深入探索并完善设计理论以及方法。需要注意的是,船舶动力装置在船舶中占据核心地位,要想实现船舶运行的安全性与可靠性,最关键的就是要保证其正常航行状态下的各项特征。若船舶动力装置发生故障,将直接提高海损事故发生几率,使得生命安全与财产损失严重,还会污染海域环境。为此,有必要全面优化船舶动力系统的可靠性,将小波神经网络技术融入其中,促进现代船舶海上安全航行。