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。      

基于人工智能的丝杠寿命预测技术

为了研究丝杠在不同加工条件下的性能退化趋势,研究了影响丝杠寿命的关键因素:丝杠转速和负载力.利用振动信号和切削力信号实时监测丝杠性能状态,用经验模态分解方法对传感器信号滤波后,通过时域、频域和时频域分析方法提取影响丝杠寿命的关键特征,采用多模型融合技术和B样条模糊神经网络,建立了丝杠寿命预测模型.试验结果表明,寿命预测的最大误差为846 h,能够满足丝杠的主动维护需求.     

基于轻量级模型的隧道岩性快速识别方法

为了解决隧道岩性现有识别方法中识别时间长、安全性低、主观性大等问题,结合不同岩性表面具有不同的成分特征,提出了一种基于轻量级模型与岩石图像的隧道岩性快速识别方法. 首先,通过相机采集隧道常见的片麻岩、花岗岩、石灰岩、大理岩、凝灰岩、砂岩等6类主要岩石,建立了岩石图像数据集并划分训练集、验证集与测试集;然后,基于轻量级模型MobileNet V2在ImageNet数据集上进行预训练,改进模型分类器结构以适应岩石数据集,并采用模型迁移学习训练方法对1170张训练集图像进行训练,获取了岩石岩性识别模型;最后,选取共计300张测试集图像在离线条件下进行了模型测试,并与VGG16模型与SVM （support vector machine）模型进行了对比. 实验结果表明:模型在测试数据集上的各项总体评估指标均在85%以上,其中凝灰岩各项评价指标达到94%以上,模型大小仅28.3 MB,平均识别时间为2880 ms,表明该识别模型体积小,识别准确率高,识别时间快,在精确率与识别速度上均优于传统方法.      

基于图自编码-生成对抗网络的路网数据修复

完整的交通路网数据是实现智能交通系统的前提，故本文提出一种基于图自编码-生成对 抗网络的方法对路网中缺失数据进行修复。首先，通过降噪图变分自编码器提取路网缺失数据 的时空特征，使其能最大程度捕获原始路网信息；其次，基于该时空特征利用生成对抗网络生成 路网数据，加入重建损失并优化生成对抗网络的目标函数，实现对缺失数据的有效插补；最后，采 用西雅图(Seattle)和加州(PEMS04)路网速度数据集，针对不同缺失类型和缺失率下的数据修复进 行对比实验。当随机缺失率在 10% ~70%时，Seattle 数据集的 MAE 指标在 2.38~3.25 之间， PEMS04 数据集的 MAE 指标在 1.46~2.38 之间；当聚集缺失率在 10%~70%时，Seattle 数据集的 MAE指标在2.51~2.82之间，PEMS04数据集的MAE指标在1.52~1.54之间。对比结果表明，本文 提出的路网数据修复方法均优于BP、DSAE、BGCP等模型。     

基于数据挖掘的齿轮副磨损状态评估方法

为了提高齿轮副磨损状态评估的准确率,基于数据挖掘技术提出了一种新的齿轮副磨损状态评估方法.该方法通过设计直齿圆柱齿轮副磨损实验,提取实验齿轮副全寿命周期内的油液参数和振动参数,对齿轮副磨损状态进行聚类划分,建立了监测参数与齿轮副磨损状态之间的关联规则集及齿轮副磨损状态关联规则匹配算法,用于识别齿轮副的磨损状态.研究结果表明:基于数据挖掘的齿轮副磨损状态评估方法对齿轮副磨损状态的识别率达90%,能有效地评估齿轮副磨损状态.      

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。     

基于ResNet50的列车常见垃圾自动分类算法

针对现今的智能垃圾桶使用方法大都无法应用在列车的问题,提出了一种基于迁移学习方法的智能垃圾分类方法.首先建立了12种列车常见垃圾数据集,并应用迁移学习ResNet50模型进行模型设计与参数设计,给出了模型的准确率与模型收敛速度曲线,并与Inception-V3模型进行了对比实验,实验结果表明ResNet50模型有更好的识别效果.最后通过PyQt5编写GUI仿真系统,实现了基本的拍照与分类识别功能.     

基于多重分形与SVM的高速列车运行状态识别方法

为了评估高速列车服役性态问题,提出基于多重分形与支持向量机(SVM)的高速列车状态识别新方法.该方法计算了高速列车振动信号的多重分形谱,分析了多重分形谱参数与列车状态之间的关联关系,提取了多重分形谱宽度、分形维数差和谱偏斜度作为高速列车状态的特征,使用支持向量机来对高速列车状态进行识别.获取了某型列车的正常状态、抗蛇行减震器失效、空簧失效3种典型的多重分形特征,训练了不同速度下的SVM和单一速度为160 km/h的SVM,并进行了工况识别实验.所提方法对高速列车的状态识别率大于88.8%,表明了该方法的有效性.      

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.     

A Statistical Parameter Analysis and SVM Based Fault Diagnosis Strategy for Dynamically Tuned Gyroscopes

Gyro's fault diagnosis plays a critical role in inertia navigation systems for higher reliability and precision. A new fault diagnosis strategy based on the statistical parameter analysis (SPA) and support vector machine (SVM) classification model was proposed for dynamically tuned gyroscopes (DTG). The SPA, a kind of time domain analysis approach, was introduced to compute a set of statistical parameters of vibration signal as the state features of DTG, with which the SVM model, a novel learning machine based on statistical learning theory (SLT), was applied and constructed to train and identify the working state of DTG. The experimental results verify that the proposed diagnostic strategy can simply and effectively extract the state features of DTG, and it outperforms the radial-basis function (RBF) neural network based diagnostic method and can more reliably and accurately diagnose the working state of DTG.     

基于深度主动学习的MVB网络故障诊断方法

多功能车辆总线MVB （multiple vehicle bus）用于传输重要的列车运行控制指令和监视信息,准确地诊断MVB网络故障是列车智能运维的基础,为此,提出一种将主动学习和深度神经网络相结合的MVB网络故障诊断方法. 该方法采用堆叠去噪自编码器自动提取MVB信号物理波形特征,并将该特征用于训练深度神经网络来实现MVB网络故障模式分类;基于不确定性和可信度的高效主动学习方法,可解决实际应用中标记样本不足和人工标记成本高昂的问题,使用少量标记训练样本就能得到高性能的深度神经网络模型. 实验结果表明:为达到90%以上分类准确率,所提方法只需要600个标记训练样本,小于随机采样方法所需标记训练样本数的2 800个;在相同标记训练样本数下,所提方法在3种性能指标下均优于传统方法.      

Transfer Learning Based on Joint Feature Matching and Adversarial Networks

Domain adaptation and adversarial networks are two main approaches for transfer learning. Domain adaptation methods match the mean values of source and target domains, which requires a very large batch size during training. However, adversarial networks are usually unstable when training. In this paper, we propose a joint method of feature matching and adversarial networks to reduce domain discrepancy and mine domaininvariant features from the local and global aspects. At the same time, our method improves the stability of training. Moreover, the method is embedded into a unified convolutional neural network that can be easily optimized by gradient descent. Experimental results show that our joint method can yield the state-of-the-art results on three common public datasets.     

基于Copula函数的高速列车转向架故障特征提取

为了实时监测高速列车转向架关键部件的工作状态,提出了一种基于Copula函数的特征提取方法.以某型高速列车转向架正常、抗蛇形减振器失效、空气弹簧失效、横向减振器失效4种工况的振动信号为研究对象,将信号进行聚合经验模态分解,针对得到的本征模态函数,使用Gaussian Copula函数构建它们的联合概率密度函数.提取边缘分布的Kullback-Leibler Distance值,及联合概率密度函数的均值和方差作为特征,采用支持向量机进行识别.实验结果表明,在200 km/h速度下,故障平均识别率在95%以上,表明了该特征提取方法的有效性.      

基于改进低秩矩阵补全的交通量数据缺失值插补方法

提出了一种低秩矩阵补全的改进方法以研究道路交通量数据缺失值插补问题。应用基于核范数的低秩矩阵补全对交通量数据矩阵中的缺失值进行第1轮插补; 通过层次聚类算法将交通量数据划分为不同类别, 使得同类中的数据具有较强相关性, 异类中的数据具有较弱的相关性; 在每类样本上应用低秩矩阵补全得到缺失值的第2轮插补; 为了减少聚类数的影响, 提出最小二乘回归集成学习方法将不同聚类数下的插补结果进行融合, 得到最终的交通量数据插补结果; 用美国俄勒冈州波特兰市的交通量数据比较了5种方法的插补误差, 并分析了不同聚类数和距离度量方法的影响。研究结果表明: 在完全随机缺失模式下, 缺失率为10%~60%时, 其相对于传统的低秩矩阵补全模型的插补误差降低了5.93%~9.11%;在随机缺失和混合缺失模式下, 插补误差也分别降低了8.32%~9.55%和8.14%~9.20%;集成不同聚类数下的多个插补结果比单一聚类数下的插补误差降低2.62%~4.76%。可见, 在3种数据缺失模式下, 改进低秩矩阵补全方法降低了交通量数据的插补误差, 能有效提高插补后交通量数据的有效性。      

基于半监督哈希算法的交叉口交通状态识别

准确辨识交叉口交通状态是实施有效交通控制策略的前提. 传统交通状态识别方法是利用占有率、排队等统计数据设计指标实现状态识别,存在只能从单一角度刻画交叉口交通需求的问题. 对此,提出基于半监督哈希算法的交叉口交通状态识别方法. 从原始数据丰富特征入手,构建交叉口有效检测区域的图像化模型;将交叉口交通状态识别转化为图像搜索问题,利用监督哈希算法实现基于部分标签信息的图像搜索,进而得到交叉口的交通状态;最后,利用仿真对该方法进行了验证. 结果表明,所提方法在识别精度和速度上具有可行性和有效性.     

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.