基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

基于DWNN的机电作动器渐变性故障诊断

飞机飞行控制系统机电作动器（EMA）的渐变性故障很难准确预判,若不能及早发现而任其发展就会影响到飞机的飞行安全性。针对EMA的渐变性故障,提出一种基于动态小波神经网络（DWNN）的故障诊断方法。首先,利用EMA在电机电枢绕组匝间短路、传动装置丝杆和滚珠磨损等多种渐变性故障状态下的运行数据来训练DWNN故障诊断模型;然后,利用训练好的DWNN模型对EMA渐变性故障进行诊断。创新之处在于DWNN模型利用小波分解算法去除了传感器测量信号中高频分量的影响,利用反馈神经网络的记忆能力融合了过去输入的信息和过去预测的信息,提高了对EMA渐变性故障诊断的准确性。通过对某型EMA进行故障诊断实验,仿真结果表明所提出的DWNN方法可以实现对EMA部件渐变性故障的准确诊断。      

基于循环神经网络的卫星姿态执行器故障诊断

针对卫星姿态控制系统执行器机构故障问题，提出了一种基于循环神经网络的故障诊断方法。对卫星姿态控制系统建模，进行故障分析并采集星敏感器和角速度陀螺的连续时刻故障数据。设计六种异构的循环神经网络，对故障数据进行故障诊断和分类, 分别从网络深度、反馈单元、激活函数和训练算法对比网络效果。带有门循环单元的 (gate recurrent unit，GRU)深层循环神经网络训练效果更好，其故障诊断准确率达到了95.7%。结果表明对于时序的卫星数据，门循环单元和带有一定深度的循环神经网络故障诊断效果更优。     

基于多特征融合与RF的球磨机滚动轴承故障诊断

由于冶金工业工况复杂，很难从单一信号中获取高质量的故障特征，诊断效果不佳。针对直接使用电流和振动信号进行融合，不能体现2类信号在不同频段上的优势和彼此之间的互补信息，而影响诊断性能的问题，提出一种基于振动和电流信号的多特征互补融合故障诊断方法。将振动信号和电流信号的高频系数特征通过最大绝对值规则融合，形成体现高频段特征的互补特征；将振动信号和电流信号的低频系数特征通过稀疏表示（SR）融合，形成体现低频段特征的互补特征。通过定义由多特征组成的特征矩阵融合全频段特征，增强全局特征表征能力。采用递归特征消除法消除融合后的冗余特征，提高分类精度，结合随机森林（RF）对轴承故障状态进行分类。实验结果表明：所提方法相比基于振动信号和基于电流信号的诊断结果更加准确。     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

小卫星多级故障诊断系统设计

提出一种基于模糊神经网络的小卫星多级故障诊断系统,利用多级的方式对小卫星的故障进行诊断。其中第一级采用模糊聚类的方法,将故障定位于模块级;第二级采用模糊径向基神经网络,完成故障的部件级定位。最后用该故障诊断方法针对卫星故障仿真系统做了实验,对其预设故障进行了诊断,诊断结果与仿真系统预设故障完全一致。实验表明:多级故障诊断结构提高了故障诊断的系统性、准确性并大大降低了故障诊断中的计算量。     

显著性引导的低光照人脸检测

针对卷积神经网络难以对低光照环境拍摄的图像进行人脸检测的问题。提出了一种将图像显著性检测算法和深度学习相结合的算法，并应用于低光照人脸检测。所提算法将图像的显著性信息与图像原始RGB通道融合，用于神经网络训练。在低光照人脸数据集DARK FACE上进行了充分的实验，结果表明:所提方法在DARK FACE数据集上获得了比当前主流人脸检测算法更好的检测精度，进而验证了所提算法的有效性。      

基于振动参数聚类融合的空间轴承故障辨识方法研究#br#

轴承是飞轮和控制力矩陀螺(CMG)等空间惯性执行机构的核心部件，其健康状态直接影响整机性能和使用寿命.当前，由于轻载轴承在正常运转时也可能产生类似于微弱故障特征的现象，导致单一故障特征参数难以辨识正常和微弱故障状态.针对这一问题，本文提出了一种基于振动参数聚类融合的轴承微弱故障辨识方法.首先，通过轴承振动实验获得数据；然后，基于特征频率比值等方法对振动信号进行特征参数的提取；在此基础上，利用K Medoids算法对正常样本进行聚类，并根据3σ法则构建正常运转的安全边界；最后，计算不同轴承故障数据的超限概率，根据概率大小进行故障状态的识别.结果表明，该方法对轴承正常和微弱故障的辨识是可行和有效的.     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

基于VMD-MPE的开关磁阻电机功率变换器故障诊断

故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点, 提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解, 得到若干本征模态分量, 取多尺度有效模态分量排列熵平均值作为特征向量, 输入支持向量机分类器进行故障识别。为验证所提方法的可行性, 建立仿真模型, 与传统的小波分析等故障诊断方法进行对比；搭建了开关磁阻电机实验台架, 测试了开路、短路故障状态。仿真和实验结果表明:所提方法可减小噪声影响, 提高故障识别准确率。      

基于深度神经网络的航天器姿态控制系统故障诊断与容错控制研究

针对传统航天姿控系统故障诊断与容错控制诊断精度及控制分配效率较低的问题，提出了一种基于深度神经网络的航天器姿态控制系统故障诊断与容错控制方法。以控制力矩陀螺为执行机构的航天器发生执行机构故障工况时，所提出的方法可保证鲁棒的姿态控制。首先，利用三个异构深度神经网络实现传统容错控制器的故障诊断、姿态控制和力矩分配等功能，建立了全神经网络的智能自适应容错控制器架构。然后，对三个神经网络的网络层数、神经元数目和激活函数等参数进行优化调整，对比分析了神经网络参数对控制器性能的影响。最后，对所提出的新型控制器在控制力矩陀螺发生故障时的控制精度和鲁棒性进行了仿真验证。仿真结果表明，对于具有冗余控制力矩陀螺的航天器，提出的方法不仅能在单一陀螺故障下实现高精度的容错控制，也能在发生多陀螺故障时保证一定的姿态稳定控制。     

基于深度迁移学习的航天器故障诊断

随着航天科技的发展，智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记，因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法，为在轨航天器实时故障诊断提供了可行方法.首先，对航天器运行数据进行预处理，将多维时域信号转换为二维图像信号；其次，搭建基于残差网络的故障诊断深度学习框架，并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练；进而，为了实现当前在轨航天器实时故障诊断，本文采用迁移学习自适应方法，设计网络联合分布自适应代价函数，对故障诊断模型进行参数重调，使模型适应当前在轨航天器故障诊断任务.仿真结果表明，所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.     

基于FSS-kernelBSS方法的机械故障诊断

机械设备发生故障时,故障特征的提取是很重要的.为了从观测信号中分离出不同的故障特征源信号,并根据分离信号准确地进行故障诊断,从观测信号样本出发,提出了基于有限支持样本核函数的盲源分离(FSS-kernel BSS)方法.此方法利用有限的观测样本估计信号的概率分布,得到了评价函数,具有很好的自适应能力.仿真试验结果表明:此方法能成功地分离超、亚高斯混合信号,与其他盲源分离方法相比,此方法具有更好的分离性能.将该方法用于转子不平衡和支座松动的复合故障信号的盲分离,分离出了各复合故障的主要频谱.分离结果表明:此方法应用于机械设备复合故障诊断中是可行的.     

基于深度残差网络的模拟电路软故障诊断方

航天电子电路的故障诊断一直是航天领域可靠性与安全性的一个热点研究课题，航天电子电路的故障将直接影响航天任务是否成功。提出了一种基于深度残差网络的模拟电路故障诊断方法。该方法使用短时傅里叶变换将电路的时域输出信号转换为二维电路图像，并将其作为神经网络的输入，再利用ResNet提取模拟航天电子电路的性能特征，确定元件的故障类型，完成电路的故障诊断。通过仿真验证了该方法的故障诊断性能。仿真结果表明，该方法能够实现高达99.1%的诊断准确率。     

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

基于IoU约束的孪生网络目标跟踪方法

基于孪生网络的跟踪方法通过离线训练跟踪模型，不需要对跟踪模型进行在线更新，兼顾了跟踪精度和速度。现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题，且训练时分类分支和回归分支之间存在低相关性问题，不利于训练出高精度的跟踪模型。为此，提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法。通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征，动态调整正负训练样本的界定阈值，提升跟踪精度。所提方法使用IoU质量评估分支代替分类分支，通过锚框与目标真实框之间的IoU反映目标位置，提升跟踪精度，降低模型的参数量。在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验，所提方法均有较好的表现。在VOT2016数据集上，所提方法的跟踪精度比SiamRPN方法高0.017，期望平均重叠率为0.463，与SiamRPN++相比仅差0.001，实时运行速度可达220帧/s。      

基于高层语义嵌入的孪生网络跟踪算法

在不加深网络的前提下,为提高孪生网络的特征表达能力,提出基于高层语义嵌入的孪生网络跟踪算法。利用卷积和上采样运算设计了语义嵌入模块,有效融合了深层特征和浅层特征,达到了优化浅层特征的目的,且该模块可以针对任意网络进行灵活的设计与部署。在孪生网络框架下,对AlexNet骨干网络不同层之间添加2个语义嵌入模块。在离线训练阶段进行循环优化,使深层语义信息逐渐转移到较浅的特征层,在跟踪阶段,舍弃语义嵌入模块,仍采用原始的网络结构。实验结果表明：相比于SiamFC,所提算法在OTB2015数据集上精度提高了0.102,成功率提高了0.054。