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.      

基于改进小波变换方法的混沌信号去噪研究

针对混沌信号和噪声频谱互相重叠,传统方法难以实现有效滤波这一问题,提出一种改进的小波去噪方法.该方法采用参数加权法构造信号,将小波分解系数进行阈值处理,通过循环迭代,利用序列中包含的有效信息,将有用信号提取出来.仿真结果表明,利用改进小波变换去噪方法改善了混沌时间序列的预测结果,证明了该方法的有效性.     

基于多小波分析的暂态信号去噪方法研究

由于多小波分析方法的特殊性,需要对原始信号进行预处理.不同的预处理方法对多小波去噪效果有着非常明显的影响.文中介绍了多小波理论,选用GHM多小波,采用了4种预处理方法对信号进行预处理,分析了基于这4种方法进行信号去噪的结果,并与单小波处理结果进行了比较.将比较结果应用于检测系统输出电压信号进行分析,结果表明,利用多小波变换方法对暂态信号去噪比用单小波方法具有明显的优越性.     

基于机器学习的RC桥梁病害检测方法

针对现有桥梁检测中人工判别病害工作量大、效率低的问题,以钢筋混凝土(RC)桥梁为对象,阐述了机器学习在RC桥梁病害检测中的应用。从现有桥梁病害检测方法、机器学习方法、机器学习在RC桥梁中的应用进展三个方面进行研究,结果表明,基于深度学习的病害检测方法能够自动从病害图像中提取特征,实现病害的分类和定位,提供了一种病害自动化检测场景,有利于桥梁智能化管养。     

基于拟静力位移的桥梁损伤定位研究

为克服传统桥梁损伤定位中存在的耗时长和易受操作环境影响大等问题,该研究提出一种高效、准确的桥梁损伤定位方法。通过有限脉冲响应滤波器将拟静力位移表示为总位移的线性组合,建立拟静力位移的精度函数对滤波器系数进行求解。将该方法应用于移动荷载作用下的桥梁位移响应中,提取其拟静力位移。基于拟静力位移,判定桥梁的损伤位置。再分别以某简支梁和连续梁为例,验证了该方法识别简支梁和连续梁损伤位置的准确性。该研究可为桥梁损伤定位检测提供借鉴。     

自编码器及其改进算法在滚动轴承故障诊断的应用

自编码器作为神经网络中典型的无监督学习模型,在数据降噪和数据可视化降维方面具有明显的优势,且在各应用领域都引起了普遍重视,在滚动轴承故障诊断中的应用也日渐增加。为了及时了解并掌握自编码器及其改进算法在滚动轴承方面的应用,对近年具有代表性的自编码器相关算法进行了分类和总结。首先,阐述了自编码器的原理和几种基于其改进的自编码器方法的理论简述,并分析了这些算法的改进目的与改进方式。然后,列举了上述算法在滚动轴承故障诊断领域的应用。最后,总结了当前自编码器及其改进算法存在的问题,分析了解决问题的思路。     

基于混合约束自编码器的机动车工况智能构建方法

为构建更具代表性的机动车行驶工况,实测采集福州地区1辆机动车共20d的真实驾驶数据,选取14个特征参数表征运动学片段信息,运用主成分分析和K-means聚类划分运动学片段聚类,根据聚类中心的距离筛选备选片段并随机组合构建工况集合。提取11个特征参数计算构建工况的误差,选择集合中误差最小的工况作为构建工况,提出利用混合约束自编码器构建工况优化模型,并研究参数标定方法,最终将平均误差由2.97%缩小到2.39%。混合约束自编码器模型的分析验证结果表明,优化策略符合实际情况,可以有效避免随机选择带来的误差不确定性,验证了所提出行驶工况构建流程的合理性,并提升了工况预测的精确度,得到模型参数推荐值。对实现碳达峰目标下的机动车碳排放预测及排放控制具有重要的现实作用和意义。     

基于秩最小化矩阵去噪的船舶轨迹重构方法

针对船舶自动识别系统(Automatic Identification System,AIS)在实际应用中存在错误数据频发、数据丢包等问题,本文提出一种基于秩最小化矩阵去噪的船舶轨迹重构方法,利用去噪实现轨迹重构,同时,实现对轨迹的去噪和缺失补全。该方法通过线性插值实现经度对齐,将轨迹数据转化为轨迹矩阵,从而补全轨迹中的缺失值。由于补全结果存在非常大的误差,因此,引入PLR(Patch-Based Low-Rank Minimization)算法去噪,消除误差。同时,为进一步提升补全效果,通 过2D-VMD(Two-Dimensional Variational Mode Decomposition)算法将矩阵分解为不同频率的IMF(Intrinsic Mode Function),并分别进行PLR去噪,合并去噪结果,得到最终重构后轨迹。本文以长江武汉段水域船舶AIS轨迹为研究对象,通过实验证明该方法在不同缺失比例以及随机缺失和连续缺失两种情境下具有鲁棒性和较强的稳定性;并与 HALRTC(High-Accuracy Low-RankTensor Completion)、TRMF(Temporal Regularized Matrix Factorization)等方法进行比较,结果表明,该方法相较于HALRTC等方法具有更高的精度,并在高损失率下表现出较好的重构效果。     

小波和Kalman滤波用于GPS数据去噪方法分析

根据小波分析基本理论和GPS信号噪声特性,将小波分析这一数学工具应用到GPS数据的去噪处理中,同时引入Kalman滤波方法,将其与小波分析方法有机结合,进而提出利用小波分析的自适应Kalman滤波方法进行GPS数据去噪处理。     

基于Curvelet变换阈值法的地震数据插值和去噪

成功的信号分离和去噪依赖于所用的变换能否足够稀疏地表达该类信号.事实上,信号在某变换域的系数越稀疏,阈值去噪的效果也就越好.Curvelet变换是一种非自适应的多尺度.多方向性变换,地震数据在Curvelet域有着几乎最优的稀疏表达.最近的研究表明,Curvelet阈值能够得到比小波阈值更好的随机噪声抑制效果,更高的提...     

基于车致振动响应的铁路桥梁损伤位置识别

为识别列车荷载引起的桥梁结构损伤,基于车致振动的加速度响应,提出了一种损伤位置识别方法.该方法通过结构易损性分析,确定结构易损的部位,并根据易损部位的损伤状态,从列车行驶的时间区域中选择若干子区域;然后,假设在每一个子区域内特定易损部位的损伤状态保持不变,将损伤位置识别分为2个层次进行,每一层次均以加速度时程数据构建损伤指标,从多个角度优化样本库,并采用支持向量机作为分类工具,建立损伤位置识别模型.对一连续梁的实例分析表明:该方法能够考虑结构状态与列车荷载的相关性,在损伤最易出现的时间子区域内,对易损部位进行损伤识别,可获得较好的损伤位置识别结果;且在低水平噪声干扰下,识别结果变化不大.     

复杂结构损伤识别的广义子结构法

为实现对复杂结构损伤位置的识别,采用分步识别策略,将原结构划分为多个广义子结构,先进行广义子结构的识别,再进行损伤单元的识别．为克服广义子结构划分的主观性,提出了基于聚类分析的广义子结构划分方式．以悬臂桁架结构为数值算例,对比了3种划分方式的网络训练收敛情况以及网络对带噪声检验样本的识别结果．研究结果表明,按基于聚类分析的广义子结构划分方式构造的网络易于收敛,且对带噪声检验样本的正确识别率高于另外2种划分方式1％～5％．     

基于车致振动的桥梁损伤识别

基于移动车辆引起的桥梁振动,采用模式识别的聚类分析方法对桥梁结构损伤定位及损伤程度估计进行了研究．应用车致振动理论计算不同预设损伤位置和损伤程度的桥梁结构在相同移动车辆作用下的动力响应,记录其在测试位置的响应,形成损伤模式库;将在测试位置实际测得的响应与损伤模式进行比较,并利用聚类分析的近邻法识别桥梁结构是否出现损伤、损伤位置及其程度．为直观有效地表示识别结果,分别以损伤位置和损伤程度为独立坐标轴,用等值线和响应云图的方式展示比较结果．以移动荷载匀速通过某简支梁为例,验证了该方法的有效性和鲁棒性．数佰模拟结果表明．该方法能够有效地估计桥梁结构的榀作付罟和榀作程摩．     

基于动力参数的桥梁结构损伤识别方法研究

结合现场试验总结了几种基于动力参数的桥梁结构损伤识别的方法,阐述了这些方法的理论识别原理,并得出了以下结论:自振频率可以确定结构已经发生了损伤,振型变化和柔度矩阵法可以确定结构损伤的位置,刚度矩阵法可以获取结构的损伤程度。     

基于RBF神经网络设计的桥梁结构损伤识别方法研究

首先根据桥梁结构的动力特性分析,构造了用于结构损伤识别的损伤标示量,并从理论上分析了该参数用于结构损伤识别的可行性.然后,从径向基函数(RBF)神经网络结构、网络设计和网络训练算法等方面论述了RBF神经网络理论,着重说明RBF网络的调用及径向基函数中心和宽度的确定步骤.最后,以一座装配式预应力钢筋混凝土系杆拱桥为工程实例,通过改变构件的弹性模量降低单元刚度来模拟结构损伤程度,并以任意三组向量对网络进行测试,说明了基于频率参数和RBF网络方法的结构损伤识别的可行性和准确性.     

基于神经网络和遗传算法结合的桥梁结构损伤诊断

利用神经网络对有限元计算的样本数据建立起桥梁结构的损伤参数——损伤位置、损伤程度（输入）以及位移差——损伤结构与完好结构的位移差（输出）的全局性映射关系，以获得遗传算法求解桥梁结构损伤问题所需的目标函数值，从而识别桥梁的损伤参数．某连续梁桥算例表明，此方法可以在较少的有限元分析次数下获得较好的损伤诊断结果．     

桥梁结构损伤识别的预测模型研究

多元回归分析在工程实际和科学研究中有着广泛的用途，无论是对未来的经济预测还是对结构的健康评估都将起到重要的作用。介绍了基于数理统计理论建立多元逐步回归预测模型的方法，并将其运用到损伤识别领域。根据监测系统所获得的桥梁结构健康状态下的测试数据所建立的预测模型可用于桥梁结构的损伤识别，并且这种方法可考虑各种因素对结构响应量的影响，识别效果好，适用性强。     

蒙特卡罗法在桥梁损伤识别中的应用

以桥梁结构损伤识别为研究对象,采用模态应变能损伤识别与蒙特卡罗法相结合的方法,讨论了测试噪声对桥梁结构损伤定位的影响。在分析过程中对模态的阶数、单损伤、多损伤及损伤部位等进行了研究,依据噪声影响下的模态应变能变化率定位结构损伤。以某连续梁桥为例验证了方法的有效性,利用蒙特卡罗法进行了1万次的计算,得到在不同损伤程度、不同损伤位置随测试噪声水平变化的识别率。研究结果表明,损伤识别率更能表征损伤识别方法,且符合工程实际需要。     

考虑温度效应的简支梁桥损伤识别方法研究

基于模态频率的损伤识别方法得到了广泛的应用,而温度往往会掩盖桥梁损伤造成的模态参数变化.通过建立简支梁有限元模型,改变混凝土弹性模量进行模态分析,得出了温度和损伤作用下的简支梁模态频率.结合BP神经网络,对温度影响下的简支梁桥损伤进行了有效识别.     

综合识别指标在桥梁结构损伤识别中的应用

提出一种应用振动模态频率变化值和静力位移变化值之比而建立的综合识别指标对桥梁损伤进行分析与评定.试验结果表明,应用该方法能够对损伤的位置和程度进行准确的定位和评估.既安全又方便,可为现在的桥梁检测提供参考.