基于滑动窗和多块卷积自编码器的故障检测

为了进一步提升故障检测性能,充分挖掘时序和隐含特征信息,提出一种基于卷积自编码器的故障检测方法。在对原始信息集进行建模的基础上增加了对累计信息与变化率信息的建模,以增强对隐含信息的挖掘;对重构的3个信息集进行滑动窗采样,基于卷积自编码器进行时序特征提取和建模;将卷积自编码器的决策结果进行贝叶斯融合得到统计量,并用核密度估计的方法确定控制限从而进行故障检测。将该方法进行数值仿真并应用于TE过程,仿真结果验证了所提方法的有效性和检测性能。

基于多尺度卷积自编码器的地震噪声智能压制方法及应用

针对传统地震噪声压制方法存在的泛化性不足、主观性强以及实际无噪声数据稀缺等问题,利用深度学习方法的泛化特性,在保护有效信号的基础上,建立了一种地震噪声智能压制方法。基于有效利用少量实际无噪声数据的原则,首先通过正演数值模拟地震数据构建数据集,再搭建基于InceptionV4卷积模块和注意力机制的卷积自编码器网络,并利用正演数据对网络预训练。该过程首先依靠数据驱动方法和网络强大的特征提取能力初步获取地震数据的有效特征表达,通过正演数值模拟数据试验分析发现,该方法既能有效压制绝大部分随机噪声和相干噪声,还能比DnCNN网络更大程度地避免损伤有效信号;然后,再采用迁移学习的策略和少量实际地震数据继续训练网络,最终获得实际地震数据噪声压制模型。将该方法应用于实际地震数据噪声压制试验,并从压制效果、保幅性等方面评价方法效果,结果表明该方法对于随机噪声、面波等噪声干扰具有一定的压制能力,准确地恢复了有效信号,且具有处理成本低、效率高等优势。

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。

基于卷积自编码器的座椅电机故障诊断

故障数据的缺失一直是制约设备故障诊断发展的重要因素,现有研究通过刻意损坏设备的方法来采集故障数据。为实现座椅电机的无损故障诊断,文章对座椅电机的故障机理进行分析,确定可能发生的故障类型,通过在座椅电机表面粘贴微型喇叭并播放故障声音,来模拟故障的发生。在自编码器系统的基础上,引入卷积操作,使用卷积层代替全连接层,通过输入数据维度、卷积核的尺寸和数量以及池化、正则化等操作对模型结构进行调整。采用IDMT Isa Electric Engine数据集作为源域数据,对模型进行预训练。使用迁移学习方法将源域中已经学习到的数据分布迁移到座椅电机故障诊断任务中,并与各类模型检测结果进行对比。结果显示,文中方法在召回率保持1.00的情况下,曲线下面积达到0.86,检测结果可靠,具有实际应用价值。

基于注意力残差卷积自编码器的轴承故障诊断

以卷积神经网络为代表的有监督深度神经网络凭借优异的提取能力,在轴承故障诊断领域得到广泛应用,不足是需要大量标签数据。在残差跳跃中嵌入注意力机制,构建注意力残差模块,并将注意力残差模块与卷积自编码器结合,得到注意力残差卷积自编码器。采用注意力残差卷积自编码器,在无监督学习下进行轴承振动信号的特征提取,显著提高轴承故障诊断能力。试验结果表明,注意力残差卷积自编码器具有优异的特征提取和选择能力,特征学习能力和故障诊断效果明显好于现有典型深度神经网络。

CAE_AD:基于卷积自编码器的无监督时间序列异常检测方法

时间序列数据的有效异常检测对现代工业应用非常重要。然而,由于缺乏异常标签、数据高波动性、训练不稳定,导致建立一个能够准确地进行异常检测的系统是一个具有挑战性的问题。尽管异常检测的深度学习方法最近有所发展,但其中只有少数能够应对所有这些挑战。本文提出了CAE_AD,这是一种基于卷积自编码器(CAE)的无监督异常检测模型。为了尽量地放大异常,避免错过异常,笔者引入了两阶段的对抗训练。同时,为了提高训练稳定性,笔者引入了第一阶段的重建误差以作为第二阶段卷积自编码器的输入。笔者将CAE_AD与先进的时间序列异常检测方法在多个数据集上进行了比较。实验结果表明,本文提出的模型性能优于这些对比方法。在SMAP数据集上,相比于其他模型,CAE_AD模型的f1领先了4%,Precision领先了8%。

基于多尺度一维卷积自编码器的输气管道泄漏判别

针对声发射输气管道不同泄漏信号难以判别的问题,提出了一种基于多尺度一维卷积自编码器的输气管道泄漏判别方法。利用多尺度一维卷积自编码器对信号特征进行无监督学习训练,提取数据特征信息,通过多尺度的卷积层和池化层对数据特征信息进行学习,最后,输出管道泄漏判别结果。实验结果表明:该自编码器能够精确判断不同类型的管道泄漏,准确率达到97.13%。通过与其他自编码器进行对比验证了该自编码器在泄漏判别方面的准确性。

基于卷积自编码器的侧信道分析

兴趣点作为侧信道分析中的重要指标,准确选择出有效的兴趣点具有重要意义。针对公钥密码算法的聚类模型中兴趣点选择效果不佳,导致低识别率的问题,本文提出一种基于卷积自编码器的兴趣点选择方法。该方法在数据预处理后使用卷积自编码器来对数据特征进行学习,将其编码输出作为选择的兴趣点,结合聚类算法来完成侧信道攻击,最终成功恢复出密钥。实验以SM2解密算法中的多倍点运算过程作为研究对象,结果显示本文提出的方法可以用于侧信道分析中数据的兴趣点选择,大大提高了神经网络在侧信道分析方面的灵活性和实用性。

基于中心损失-改进卷积自编码器的滚动轴承半监督故障诊断

当前基于深度学习的旋转机械故障诊断技术,凭借其强大的逐层加工和内置特征变换功能受到广泛关注,然而传统用于故障诊断的深度网络需要大量标签数据,且诊断结果依赖于标签的数量和准确性。为此,提出一种基于中心损失-改进卷积自编码器(center loss-improved convolutional auto-encoder, CL-ICAE)的半监督故障诊断方法。该方法首先利用连续小波变换将故障信号转换为时频图,细化故障特征表征;之后构建改进的卷积自编码器网络结构,并引入批量归一化(batch normalization, BN)和Dropout,在特征提取阶段防止过拟合;之后在分类阶段,通过将中心损失(center loss)引入Softmax损失函数,构建联合损失函数,使故障特征实现类内距离更小,特征差异更大,进一步提高分类精度。最后,将所提方法通过凯斯西储大学轴承数据集和轴承故障试验平台进行验证,结果表明在少量标签样本情况下,均可实现有效的故障诊断,提升诊断准确率。

基于深度卷积自编码器的岩性分类与识别

在地质勘探与地震信号处理中,岩性分类是一个最基本的问题。然而,由于实际的岩性分类涉及到各种复杂的因素与环节,使得传统的统计和机器学习方法难于得到满意的分类准确率,无法在实际应用中进行有效的岩性识别。为了有效地解决这一问题,本文依据测井曲线数据提出了一种基于深度卷积自编码器的神经网络模型及其相应的参数学习算法,来实现有效的岩性分类与识别,并采用游程平滑算法对分类结果中孤立点进行剔除,进一步改善岩性分类的效果。实验结果表明,即使在少量的测井曲线标注样本条件下,本文所提出的深度学习模型也能够显著地提高了岩性分类的准确率,能够达到实际应用的要求。

基于卷积自编码器的风电机组变桨轴承故障预警与定位

以变桨轴承为研究对象,文章提出了一种基于卷积自编码器的变桨轴承故障预警与定位方法。首先,在分析不同风速工况下风电机组变桨控制运行特性的基础上,选取恒功率阶段运行数据进行分析;其次,建立卷积自编码网络(CAE)模型对多个相关特征变量进行编码和解码重构,实现对不同特征变量间内在相关性的建模与特征挖掘,进一步通过余弦相似性函数和差异性函数分析特征变量重构残差的变化来检测和定位故障;最后,基于某风电场风电机组SCADA数据进行验证分析。相较于传统主成分分析和自编码器网络以及全工况监测,文章所提方法能够更早预警故障的发生,且误报率低,能够实现故障准确定位。

基于数据融合及残差卷积自编码器的结构损伤识别方法

深海混输立管作业期间持续遭受外部风浪流耦合荷载及内部矿液两相流体磨蚀作用,长期作用下结构损伤逐渐积累。立管结构呈高长细比、柔性状态,传统结构损伤识别过程中存在模态参数识别困难、单测点响应损伤敏感度低等诸多问题。针对上述问题,该研究提出了基于数据融合及一维残差卷积自编码器(one dimension residual convolution autoencoder, 1D-RCAE)的深海混输立管结构损伤识别方法,以结构损伤敏感的应变动态响应为输入,使用主成分分析(principal component analysis, PCA)进行多测点应变响应特征融合,进一步利用1D-RCAE自动提取损伤敏感特征,以结构损伤前后敏感特征间的马氏距离构建结构损伤判定指标,实现混输立管结构健康状态监测。通过500 m深海混输立管结构数值模拟和立管物理缩尺模型试验对该研究提出的方法进行验证,结果表明,有限测量信息下能够有效实现深海混输立管结构损伤识别,其中数值模拟验证损伤识别准确率高于99%,物理模型验证损伤识别准确率高于98%。同时探究了噪声污染、海洋环境因素变化对该研究提出方法损伤识别性能的影响规律。

基于注意力动态卷积自编码器的发酵过程故障监测

发酵过程的状态监测对于及时发现各类异常故障起到了至关重要的作用。然而,由于发酵过程数据呈现非线性特性,导致在提取特征信息时存在困难,增加了故障监测的难度。为了解决上述问题,提出了一种基于注意力动态卷积自编码器(attention dynamic convolutional autoencoder,ADCAE)的发酵过程故障监测方法。首先,设计了一种动态卷积结构(dynamic convolution structure),该结构可以在浅层使用大尺寸卷积核提取低级特征,在深层使用小尺寸卷积核提取高级特征,从而拓宽了模型特征学习的尺度;其次,设计了一种通道卷积注意力(channel convolutional attention,CCA)模块,该模块能够从不同尺度提取输入的非线性特征,并且在通道向量转化为权重的过程中可以更好地提取局部特征,提高了对有效信息的关注能力;最后,将动态卷积结构与CCA模块融入卷积自编码器中,使模型能够有效地捕获变量中的非线性关系,从而更好地应对发酵过程中的故障监测问题。利用青霉素发酵过程仿真平台和大肠埃希菌实际生产数据对该方法的可行性进行了验证,结果表明该方法具有较好的故障监测性能。

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。

基于注意力卷积自编码器的传感器故障检测与诊断

为实现传感器故障的实时检测和准确诊断,提出了基于注意力卷积自编码器(Attention-based Convolutional Auto-Encoder,ACAE)的传感器故障自动检测和诊断方案。建立6种典型传感器故障的数学模型,并由此提出故障检测和诊断模型。利用线性SVM分类器进行实时故障检测,区分正常数据和故障数据。检测到故障后,利用基于ACAE的故障分类模块进行准确故障诊断。ACAE通过2个并行特征提取器改善高区分性特征的提取性能,并采用不对称结构提高了模型效率。实验结果表明,所提方案能够完成故障快速检测和准确分类,性能优于其他深度学习方法,且能够满足嵌入式设备的资源约束,有助于提高物联网和信息物理系统的稳定性。

卷积自编码器在非定常可压缩流动降阶模型中的适用性

为有效降低使用计算流体力学(CFD)方法的设计成本和周期,降阶模型(ROM)得到广泛关注。对于复杂的可压缩流动,使用本征正交分解(POD)等线性方法进行流场降维,需要大量模态才能保证流场重建的精度,采用非线性降维方法能够有效减少所需模态数。卷积自编码器(CAE)是一种由编码器和解码器组成的神经网络,能够实现数据降维和重构,可看作是POD方法的非线性拓展。采用CAE进行流场数据的非线性降维,同时使用长短期记忆(LSTM)神经网络进行流场状态的时间演化。对于不可压缩问题,使用自编码器和LSTM结合进行流场重构的方法已有较多研究,选择一维Sod激波管、Shu-Osher问题、二维黎曼问题和开尔文-亥姆霍兹不稳定性算例,测试该ROM对非定常可压缩流动的有效性,同时基于POD方法,在不同模态数下构造Sod激波管和黎曼问题的ROM作为对比。结果表明:对于非定常可压缩流动,CAE-LSTM方法能够在使用较少自由变量数的前提下获得较高的重构和预测精度。

基于卷积自编码器的高光谱图像有损压缩方法研究

高光谱图像包含丰富的信息,但其数据量巨大,限制了其在实际应用中的使用。提出一种基于卷积自编码器的高光谱图像有损压缩算法,首先通过卷积层和最大池化层的有效组合来降低图像维度;然后在池化层和展平层之间嵌入通道分组双重注意力模块,以帮助卷积自编码器更好地捕捉输入数据的关键特征,准确地提取特征进行加权处理;最后,使用熵编码技术对量化后的特征映射进行编码,使用转置卷积层来重建图像。在多个数据集上进行实验,采用峰值信噪比(PSNR)和结构相似性指标(SSIM)评估。实验结果表明,在相同压缩比下,与传统的压缩方法相比,此方法 PSNR和SSIM均有较大提升,所提方法能够提供更好的高光谱图像压缩性能。

多组学数据和卷积自编码器的癌症分型算法

整合多组学数据对癌症患者进行分型,对于提高患者的诊断、治疗和预后效果是至关重要的。传统的统计学方法,例如主成分分析等,对于处理高纬度的多组学数据集的能力有限。为有效整合多组学数据,提出了一种基于卷积神经网络的自编码器框架MCAEI (Multi-Omics Convolutional Autoen-coder Integration)。所提出的卷积自编码器设置了三个卷积层和反卷积层以及一个全连接自编码器来对多组学数据进行压缩和降维,将MCAEI应用于三种癌症并进行了分型工作。此外,所提出的方法与普通、稀疏、降噪自编码器进行比较,实验结果表明MCAEI方法更优。对于得到的最佳生存亚型,还进行了差异基因表达分析和富集通路分析。

U型去噪卷积自编码器色织衬衫裁片缺陷检测

由于缺陷样本数量稀缺、缺陷种类不平衡、人工设计缺陷特征构造成本高且特征泛化能力差等实际因素,导致有监督机器学习模型难以解决色织衬衫裁片的缺陷检测问题。针对该问题,提出一种U型去噪卷积自编码器重构模型和残差分析的无监督色织衬衫裁片缺陷检测方法。首先,针对某种色织花型,使用无缺陷样本构造训练数据集;然后,建立并训练一种基于去噪U型深度卷积自编码器的重构修复模型;最后,在检测阶段,通过计算待测色织衬衫裁片图像与其重构图像之间的残差,即可快速检测和定位出缺陷区域。实验结果表明,该方法在不需要缺陷样本和缺陷标记的条件下,能有效地重构色织衬衫裁片的纹理花型,快速地检测和定位出多种色织衬衫花型的缺陷。

基于去噪卷积自编码器的色织衬衫裁片缺陷检测

有监督框架的色织衬衫裁片缺陷检测算法依赖大量标注样本且建模成本高,为此提出一种基于无监督去噪卷积自编码器的色织物缺陷自动检测与定位方法。构建色织衬衫裁片图像数据库;对无缺陷样本加入高斯噪声,利用深度去噪卷积自编码器建立色织衬衫裁片图像的去噪重构模型,对噪声干扰进行重构性修复。计算待测色织衬衫裁片图像和其重构图像的残差,并使用数学形态学算法检测和定位裁片缺陷区域。实验结果表明,在不依赖标注样本的条件下,基于去噪卷积自编码器的色织衬衫裁片图像重构模型和残差图像分析算法可以有效检测色织衬衫裁片的缺陷区域。