基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率，建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题，采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数（ReLU）改进为带泄露线性整流函数(Leaky ReLU)，以解决遇到卷积输出数据小于0时神经元被抑制的问题，进而达到提高步态识别准确率的目的。实验结果表明：激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%，与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比，步态识别率有所提高。     

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

多源数据融合与改进注意力机制的轴承智能故障诊断

单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。     

基于差分隐私的航空发动机喘振故障检测

为保护航空发动机数据集包含的众多敏感数据,将差分隐私技术融入卷积神经网络中,提出一种具有差分隐私的卷积神经网络故障检测模型(DP-CNN模型)。阐述了卷积神经网络和差分隐私技术的基本理论和计算步骤,采用差分隐私随机梯度算法更新神经网络参数以建立DP-CNN模型。运用DP-CNN模型对航空发动机喘振故障进行检测,并与其他故障检测模型(支持向量机,长短时记忆网络,多层感知器)的检测结果进行对比。结果表明,DP-CNN模型在准确率、召回率以及f1-sc ore上都更高,分别达到了95.3%、94.6%和96.5%。     

基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

基于合成卷积层网络结构的焊缝X射线图片缺陷筛选技术

焊接技术应用于多个领域,近些年焊缝缺陷自动检测技术成为了重要的研究方向。本文基于VGG-16卷积神经网络的良好分类性能,提出一种SC-VGG网络结构,利用合成卷积层替换了单个卷积层,同时改进了训练过程中的损失函数,使网络结构更为关注焊缝缺陷类型预测的结果。经过实验测试,SC-VGG网络结构在训练过程中损失函数曲线可以很好的收敛,与其他网络结构相比对焊缝缺陷特征的提取性能更好,平均准确率和召回率达到了95.86%和98.33%,为焊缝缺陷自动化识别提供了算法支撑。     

基于卷积神经网络的ZPW-2000R轨道电路运行状态智能识别

为提高ZPW-2000R轨道电路诊断系统的判定准确性和运行效率,提出了一种基于卷积神经网络的轨道电路运行状态智能识别方法。首先,根据轨道电路监测数据集构建轨道电路运行状态灰度图谱,以精准表达轨道电路的运行状态,并通过图像缩放建立实验样本;其次,构建卷积神经网络模型并对轨道电路运行状态灰度图谱进行特征提取与模式识别。实验结果表明,本文提出的方法对轨道电路运行状态识别的准确率为100%,可有效识别轨道电路正向占用状态、逆向占用状态和空闲状态。     

基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题，提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像，使其保留时间相关性；提出多维监督模块（Multidimensional supervision module, MSM），在空间维度和通道维度监测重要故障特征并自适应赋予权重，提升模型捕捉关键特征的能力；将MSM嵌入到卷积神经网络中，构建出MSMCNN模型；通过试验构建复杂工况条件，将MTF图像输入到所提模型进行故障诊断，并运用两种数据集验证模型有效性。试验结果表明，MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右，对比其他诊断模型，本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

视觉感知启发的面向出舱活动的物体识别技术研究

为提高航天员出舱活动(EVA)的工效,提出了一种基于视觉感知启发的物体识别方法。首先对视觉观察到的一定区域内的图像进行采集,然后进行二值化赋范梯度的特征提取,并预测物体所在区域的矩形框,选取比该矩形框扩大一定范围的图像作为输入,传递给深度卷积神经网络CNN进行类别识别和精定位。在自建的数据集上进行测试验证,结果表明:该方法达到了88.2%的平均识别准确率,识别速率为0.047 s,可以满足舱外物体识别需求。该方法可为信息化、智能化的出舱活动任务提供参考,对提高出舱活动任务的工效具有重要意义。     

样本标签污染条件下的雷达辐射源个体识别技术

针对辐射源个体识别(Specific Emitter Identification,SEI)中由于数据集存在错误标签导致识别率下降的问题,提出了 1种有监督和无监督融合的错误标签识别和纠正方法。首先采用无监督密度峰值聚类方法将数据集中出现的标签错误样本找出,再使用 K折交叉实验对这些标签异常的样本进行预测投票,将得票数多的标签作为错误标签纠正的结果。经过清洗的数据集再通过卷积神经网络进行训练,得到 1个较为理想的辐射源个体识别的网络模型,保证了在样本污染条件下,辐射源个体识别网络仍能具有较好的识别率。文章所提方法的识别率相比未经处理的数据集的识别率在标签错误率小于 30%时平均提高 3.3%;在标签错误率大于 30%时,也能使个体识别率达到 90%左右,验证了文章所提方法在对错误标签的识别和纠正上可以取得较好的效果。     

基于改进的SqueezeNet直升机滚动轴承故障诊断

针对现有基于卷积神经网络的故障诊断方法存在模型参数量和计算量大的问题，提出一种改进的SqueezeNet模型应用于直升机滚动轴承故障诊断。该模型借鉴VGG16模型的思想，在经典的SqueezeNet基础上，采用3个3×3卷积核代替1个7×7卷积核，实现了在相同感知野条件下增加网络容量、增强非线性、减少网络参数量，采用卷积层、池化层和Fire模块、池化层两大结构交替的方式组成模型特征提取层，在保障特征提取能力的情况下，进一步减少了网络参数量。通过轴承数据开展模型故障诊断实验，结果表明该模型诊断精度达到99.65%，与传统卷积神经网络及经典的SqueezeNet模型相比诊断精度相当，而计算量与参数量最大缩减约6倍和36倍。     

基于机器学习的单孔绝热气膜冷却效率分布预测研究

为了研究利用机器学习技术对绝热冷却效率进行直接预测的方法及特点,搭建了基于上采样卷积神经网络的机器学习模型,生成了用于训练以及验证的数值模拟数据集,使用了监督式学习的方法对模型进行了训练.训练使用反向传播算法和基于随机梯度下降的Adam优化算法,输入模型的参数包括吹风比、主流湍流强度、喷射角、孔形状、孔尺寸,模型输出为...     

基于人工神经网络的预腐蚀铝合金疲劳性能预测

 通过对BP神经网络算法分析和收敛性改进,从获得的预腐蚀和疲劳试验数据中通过训练建立了LY1 2CZ铝合金腐蚀性能和疲劳特性与预腐蚀温度和时间的映射模型,从而可预测铝合金在一定预腐蚀环境谱下的最大腐蚀深度和疲劳特性。神经网络算法采用 BP算法 ,网络结构采用2-4-2形式。结果表明 ,神经网络用于预腐蚀铝合金的腐蚀状况和疲劳性能预测是可行的     

基于冲击特征提取的旋转机械智能故障诊断

针对齿轮、轴承故障，提出了基于冲击特征提取胶囊网络的旋转机械智能故障诊断模型。在胶囊网络的构架基础上，将原始故障振动信号作为输入，通过构造首层小波核卷积层，针对性提取冲击故障特征，提高深度学习网络特征提取的可解释性。在小波核卷积层之后扩展一层卷积层，强化首层小波核卷积层提取的特征，将强化的特征经初级胶囊层、数字胶囊层输出分类结果，从而构造了“端到端”的小波卷积胶囊网络模型。通过对各层提取的特征可视化分析，证明了该模型对故障振动信号的冲击特征具有良好的提取能力。3个不同实验平台的数据集验证结果表明不同故障类型、不同故障程度的齿轮及轴承的识别精度最高可达到100%，并具有良好的泛化能力。     

局部自主遥操作中的抓取构型识别研究

针对局部自主遥操作过程中识别目标准确率低的问题,提出了一种基于改进快速区域卷积神经网络的抓取构型识别方法,通过对其区域生成网络中锚点尺度、前景特征区域、候选框的线性回归和分类网络分别进行改进,以提高抓取构型识别的准确率。首先将抓取构型参数化,然后在目标区域中利用锚点法对抓取构型参数进行识别,结合视觉传感器采集到的深度信息确定目标高度,并通过线性回归方法对抓取区域进行修正。通过搭建机器人试验平台,利用Cornell Grasp Dataset进行训练与测试进行验证。试验结果表明,提出的方法在简单网络识别准确率为96.4%,并成功实现机器人对目标的抓取。