基于深度残差收缩网络的雷达空中目标识别

雷达空中目标高分辨距离像(high resolution range profile,HRRP)中往往包含一定的杂波噪声,利用HRRP开展空中目标识别需要重点考虑噪声的影响。针对上述问题,提出一种基于深度残差收缩网络(deep residual shrinkage network,DRSN)的雷达空中目标HRRP识别方法。该网络将深度残差网络、软阈值函数和注意力机制结合起来,采用跨层恒等连接方式,不仅可以避免网络层数过深造成梯度消失或梯度爆炸,从而导致网络学习能力下降的问题,还可以有效过滤掉识别过程中噪声特征的影响,使模型专注于目标区域的深度特征识别,提升强噪声背景下模型的识别能力。实验结果表明,相对于其他常用的深度学习模型,所提方法在各个信噪比条件下,识别效果均有一定的优势,该模型对噪声具有较强的鲁棒性。

基于并行融合深度残差收缩网络的有源配电网故障诊断

针对含分布式电源的配电网故障呈现方式多样化以及故障诊断易受分布式电源类型、输出功率等非线性因素影响等问题,提出一种基于并行融合深度残差收缩网络(P-FDRSN)的故障诊断模型。首先,构建具有故障识别支路和故障定位支路的并行网络结构——P-FDRSN,在残差模块中引入收缩机制,减少网络中噪声或冗余信息的影响,提高网络对噪声的鲁棒性;其次,将故障录波信号波形幅值变化转换为灰度图和时频图,送入深度残差收缩网络进行深度特征提取并在汇聚层中将获取的特征进行融合,以增强故障录波信号的特征学习能力。仿真结果表明:在不同分布式电源类型和不同输出功率下,模型故障定位与识别精度均能保持在98.75%和97.25%以上,即使在噪声干扰的情况下,诊断准确率仍可保持在96.75%以上,模型具有较高的精度和较好的自适应性。

基于时序深度残差收缩网络的混叠信号调制识别方法

基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法,引起广泛关注。但是,当前方法多数针对单信号样本进行识别,无法适用于混叠信号识别场景。针对该问题,对混叠信号调制识别方法进行了研究,结合长短期记忆(long short term memory,LSTM)网络和深度残差收缩网络(deep residual shrinkage network,DRSN),设计了时序深度残差收缩网络模型,其中包含残差模块、收缩模块和LSTM模块。残差模块和收缩模块负责提取混叠信号中的显著信息并自适应生成决策阈值,LSTM模块用于提取混叠信号中的时序隐含特征。三者结合可以有效提高混叠信号的识别精度。公开和实测数据集测试结果表明,所提方法识别精度优于5种典型方法,在高信噪比下的平均识别分类准确率可以达到92.7%;21种混叠信号中有12种识别准确率接近100%。

小波变换和深度残差收缩网络在齿轮箱故障诊断中的应用

齿轮的精确故障诊断是确保旋转机械设备稳定可靠运行的有效手段,针对强噪声环境下齿轮箱中齿轮故障分类问题,提出了一种基于连续小波变换和深度残差收缩网络的故障诊断模型。首先,采用小波变换对一维时间序列的振动数据进行时频分析,将其转化为二维时频图作为深度残差收缩网络(DRSN)的输入;其次,在多层卷积神经网络的基础上加入残差结构中的跨层恒等连接解决了梯度消失和爆炸的问题,同时利用自适应阈值子网络实现软阈值化降噪;最后,将故障样本的时频图作为诊断模型的输入进行故障分类。实验结果证明了与其他模型相比,本文采用的故障诊断方法更容易识别故障特征,分类准确率达到了99.15%。

基于深度残差收缩网络的刀具故障自感知系统研究

传统机器学习在特征提取方面需要手动进行特征提取工程,存在局限性和维度灾难问题,同时处理非线性关系能力不足且精度有限。针对这些问题,基于深度残差收缩网络(DRSN),提出一种融合了注意力机制(MCA-a)及空间细化特征(SRU)和通道细化特征(CRU)的改进深度残差收缩网络(DRSN-IAM),有效解决传统神经网络由于网络过深而导致的梯度爆炸、梯度消失和特征提取能力不足等问题。使用公开数据集(即美国纽约预测与健康管理学会(PHM)2010年高速数控机床刀具健康预测竞赛的开放数据)进行验证,结果表明所提出的算法模型分类精度达到99.2%,比现有的DRSN错误率降低了40.1%。

基于改进深度残差收缩网络的电缆早期故障识别

电缆早期故障的多次发生易造成电缆出现永久性故障,给电网的稳定运行带来严重的影响。为了在永久性故障发生前准确识别出电缆早期故障,提出一种基于改进深度残差收缩网络的电缆早期故障识别方法。首先通过改进的完全自适应噪声经验模态分解方法(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)进行故障信号处理,并利用相关系数筛选本征模态函数(intrinsic mode functions,IMF);然后对IMF分量求其复合多尺度排列熵作为进一步的特征提取,以构建特征数据集;最后利用改进的收缩模块,多尺度卷积层、Self-Attention和SimAM注意力机制对深度残差收缩网络进行改进。使用改进的深度残差收缩网络进行电缆早期故障识别实验。实验结果表明:该算法能准确识别出电缆早期故障,且具有一定的抗干扰能力。

基于改进深度残差收缩网络的旋转机械故障诊断

旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象,同时含噪数据样本也会使模型故障诊断正确率偏低,数据样本不平衡会引起模型训练具有倾向性,针对以上一系列问题,提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先,对多故障、长时间序列数据样本进行了矩阵化处理,得到了模型容易接受的多维度灰度图故障样本;针对旋转机械从正常状态到故障状态的机械老化过程,采用了多点随机采样方法,构建了全寿命周期数据样本,用于后续的故障诊断;然后,在卷积神经网络(CNN)的基础上,通过引入残差项、注意力机制和焦点损失函数,构建起了多层深度残差收缩网络,对旋转机械进行了故障诊断(其中,残差项降低了训练过程中样本数据的特征损失,避免了模型的退化和过拟合;注意力机制和软阈值化自动设置噪声阈值,降低了噪声对故障诊断精度的影响;焦点损失函数修正了模型训练的倾向性,提高了模型训练效率和灵敏性);最后,利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明:DRSN模型在训练过程中没有出现明显的退化现象,能够始终保持较高的训练效率和故障诊断精度,有效避免了噪声干扰,在不平衡数据集上修正了模型训练的倾向性。与其他模型相比较,DRSN多层模型的平均故障诊断精度提高约1%~6%。

深度残差收缩网络的多特征锅炉炉管声波信号故障识别

为了提高锅炉炉管声波信号故障识别的学习效果和识别精度,采用特征向量并行和拼接两种融合方式构成特征层,以及平均得分和最大值得分两种融合方式构建决策层等不同信息融合机制,提出基于深度残差收缩网络的多特征锅炉炉管声波信号故障识别方法。首先,考虑锅炉炉管上各声波传感器的差异性,分别计算声波信号谱特征一阶和二阶差分构建三通道特征集作为二维网络的输入特征向量;然后,在卷积神经网络和双向长短时记忆网络基础上引入注意力机制构建基线模型,并采用深度残差收缩网络对二维网络的通道权重进行优化分配,提高模型的故障识别精度。大量实验结果表明:采用特征向量并行融合方式构成特征层的信息融合机制是一种更有效的策略;本文模型的识别精度得到较大程度提高,与基线模型相比较,未加权平均召回率提高了4.32%。

改进的深度残差收缩网络轴承故障诊断方法

针对深度残差收缩网络(deep residual shrinkage network,DRSN)在降噪过程中引起的信号失真问题,提出了一种改进的深度残差收缩网络(improved deep residual shrinkage network,IDRSN)并将其应用于滚动轴承的故障诊断中。首先,引入一种改进的半软阈值函数(improved semi-soft threshold function,ISSTF)用于解决恒等偏差的问题并消除软阈值函数引起的信号失真。然后,设计了半软阈值模块(semi-soft threshold block,SSTB)和自适应斜率模块(adaptive slope block,ASB)构建改进的残差收缩单元(improved residual shrinkage building unit,IRSBU),用于自适应设置最优阈值并进一步修正输出。最后,将所提方法应用于两种不同工况的滚动轴承故障诊断中。研究结果表明,与现有方法相比,所提方法的分类准确率和鲁棒性更高,对于变转速工况下的故障诊断更为有效。

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先,采用多传感器对振动信号进行采集,完善振动信号的故障特征信息。其次,针对振动信号的非平稳、非线性等特征,提出基于多元多尺度散布熵的多通道融合方法,获取一维故障特征向量,从而达到增强故障冲击特征的目的。然后,将故障特征向量输入到深度残差收缩网络模型,通过注意力机制,利用软阈值函数降低样本噪声及无关特征干扰,实现轴向柱塞泵故障特征识别。最后,通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明,该方法可有效提取振动信号的故障特征,识别正确率明显高于典型的深度学习方法。

基于深度残差收缩网络的电力系统暂态频率安全集成评估

在我国能源结构加速转型、力争实现“双碳”目标的背景下,传统电力系统也将迎来结构性的转变。其中由于可再生能源的随机性、不确定性和低惯量等特性,大规模新能源并网带来的一系列影响使得电力系统的频率安全问题日益突出。而传统的时域仿真方法在进行评估时有运算量大、计算时间长等缺点,故难以实现实际电力系统灵活多变的运行方式和大量量测数据下的快速评估。为实现对系统频率安全的快速评估,提出一种基于深度残差收缩网络(deep residual shrinkage network,DRSN)的电力系统暂态频率安全集成评估方法。深度残差收缩网络在深度残差网络的基础上引入注意力机制,能够增强有用信息并抑制冗余信息。在此基础上,将样本按最大频率变化率进行划分,并分别采用DRSN网络进行训练构建集成模型。通过引入风电的新英格兰39节点和118节点系统上的仿真结果,表明所用方法与传统深度学习方法相比精度更高,并有着优异的泛化性、鲁棒性和适用性。

一种基于机器视觉和深度残差收缩网络的智能制造缺陷检测方法

针对基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,提出了一种基于机器视觉和深度残差收缩网络(deep residual shrinkage networks,D-RSN)的智能制造缺陷检测方法,并进行了先验环境下的仿真验证。首先利用互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)相机集群搭建快速机器视觉图像获取装置,形成融合前置训练集和后置测试集的图像特征数据池;然后利用D-RSN对数据池前置训练集进行图像缺陷特征隐性知识学习辨识,构建时间正序下的图像缺陷特征全息感知机制;最后利用深度长短期记忆(deep long short-term memory,D-LSTM)神经网络对数据池后置测试集进行图像缺陷自主检测,借助图像缺陷定位及分类函数输出检测结果。选取某医用外科口罩智能制造生产线为工程实践验证载体,对模型进行了工程应用实践验证,结果表明:所提方法较好地改善了基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,可以自主学习辨识图像缺陷特征隐性知识,大幅度提高了智能制造缺陷检测有效率,图像缺陷检测均值有效率达98.37%,符合医用外科口罩智能制造生产线国检要求。

基于深度残差收缩网络和迁移学习的变工况轴承故障诊断

为了更快速、准确地提取轴承的故障特征,本文在卷积神经网络的基础上,引入残差项并添加软阈值和注意力机制,构建深度残差收缩网络,提取轴承的故障特征信息;并且为了避免出现神经元坏死现象,使用LeakReLU代替ReLU作为激活函数。由于轴承在实际应用中所处的工况并不固定,因此本文通过迁移学习方法,将训练的网络模型应用到不同工况中,并且对本文模型与传统的卷积神经网络模型在不同工况下轴承故障诊断的效果进行对比,验证本文所提方法的有效性。

连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用

当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。

针对油井长时程基于深度残差收缩网络的模型故障诊断

目前,大多数的故障检测都是针对故障发生时的这一段时间来进行检测的。当这种方法被用于检测多种故障类型时,其准确性往往会下降。针对上述问题的多故障、长时间序列的油井电参数信号,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,将采集到的油井长时间序列的电参数信号,按照一定尺寸将其矩阵化。其次,通过将深度残差收缩网络模型应用于故障诊断中,首先是将残差项加入到CNN中解决深度网络的模型退化问题,再通过软阈值化进行样本降噪。最后,为了验证所提方法的有效性,将采集到油井时间序列的数据用于改模型中用于故障诊断。实验结果表明:通过验证该文所提的方法有效性和可行性,表明该诊断方法在油井的故障诊断中有较好的表现和远大前景。

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先,通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号;其次,对所采集的信号进行数据预处理,将其输入至深度残差收缩网络中训练;最后,利用反向传播算法不断优化网络参数,实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明,所提方法在变工况场景下,可有效提取齿轮箱的故障特征并具有较高的识别准确率,证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。

基于改进深度残差收缩网络的心电信号分类算法

心电信号分类是医疗保健领域的重要研究内容.针对大多数方法不能很好地降低样本数量少的类别漏诊率,以及降低预处理操作的复杂性问题,提出了一种基于改进深度残差收缩网络(IDRSN)的心电信号分类算法(即DRSL算法).首先,使用合成少数类过采样技术(SMOTE)扩充数量少的类别样本,从而解决了类不平衡问题;其次,利用改进深度残差收缩网络提取空间特征,其残差模块可以避免网络层加深造成的过拟合,压缩激励和软阈值化子网络可以提取重要局部特征并自动去除噪声;然后,通过长短期记忆网络(LSTM)提取时间特征;最后,利用全连接网络输出分类结果.在MIT-BIH心律失常数据集上的实验结果表明,该算法的分类性能优于IDRSN、DRSN、GAN+2DCNN、CNN+LSTM_ATTENTION、SE-CNN-LSTM分类算法.

基于深度残差收缩网络的滚动轴承健康因子构建方法

针对滚动轴承故障预测过程中用于构建轴承健康因子(Health Indicator,HI)的方法过于依赖专家经验的问题,本研究提出基于深度残差收缩网络(Deep Residual Shrinkage Networks,DRSNs)的滚动轴承HI无监督构建方法。深度学习技术可以自动从原始振动数据中学习特征,以取代传统的统计特征,从而获得更高的诊断准确性。实验结果表明,基于DRSNs的滚动轴承HI构建方法可以更好地反映整个轴承生命周期的变化过程。

基于深度残差收缩网络的恶意代码分类

针对多数分类方法模型参数多、训练耗时长、占用空间大的问题,提出一种基于单通道视觉特征的深度残差收缩网络(IDRSN)模型.首先,优化深度残差收缩网络的结构,解决模型参数多体积大的问题;其次,引入最大池化来缓解过拟合现象.该网络训练参数较少,训练时间较短.实验结果表明,该模型应用于恶意代码分类时,有更高的准确率及鲁棒性,特别在部分相似家族的分类上,取得较好的效果.