商业银行远程金融视频服务流程再造的实践与思考

本文以远程金融视频服务流程再造为切入点,通过对比分析商业银行远程金融视频服务发展现状,指出商业银行应从技术、业务、流程、风控等多方面持续发力,以客户需求为导向,不断增强“零接触”远程金融视频服务能力。

基于迁移学习的小样本轴承故障诊断方法研究

针对实际应用中训练样本严重不足的问题,提出了一种改进迁移学习方法,将模型在源域上学习的故障诊断知识迁移至目标域,并将其用于小样本轴承故障诊断研究。采用全局均值池化层代替卷积神经网络中的全连接层进行分类输出,减少了网络的待训练参数量。采用预训练微调的迁移学习方法,使用数量充足的源域样本来训练网络,避免了数据不足导致的过拟合现象。将网络结构和参数迁移至目标域后,微调较深层的网络参数,使得网络适应目标域样本的数据分布。在凯斯西储大学轴承数据集和实验室轴承数据集上进行了迁移学习实验和轴承分类诊断,结果表明:在跨工况和跨型号的情况下,仅使用1%目标域训练集数据进行微调时,所使用的方法获得了92.25%的平均分类准确率。所提方法完成了小样本下的滚动轴承故障迁移诊断任务,对迁移学习理论在轴承故障诊断中的研究应用具有一定价值。

深度学习技术及其故障诊断应用分析与展望

“大数据”时代给机械设备智能诊断带来了数据总量大、产生速度快、形式多、价值密度低等新挑战,传统智能故障诊断“人工特征提取+模式识别”的模式已然不能满足发展需求。本文分析了机械大数据的特性对故障诊断结果的影响,详述了堆叠自编码网络(SAE)、卷积神经网络(CNN)、深度置信网络(DBN)、循环神经网络(RNN)4个基本框架和其他深度学习模型在故障诊断领域,尤其是复杂机械数据的特征学习和各种机械设备健康监控任务的目标预测等相关研究。分析了不同模型的利弊和适应问题:SAE与DBN属于无监督学习模型,对数据要求较低,具有强大的特征提取能力,但性能难以保障;CNN在高维数据处理上优势明显,但训练迭代次数较多;RNN可以处理变化的时序数据。文中分析指出机械大数据下深度学习存在的问题:包括机械数据不平衡、来源分散;应用模式简单,缺乏对网络本身性能的分析;机械式引进较多,缺少适应性改造;学习处于“黑箱”阶段,无法解释等。最后,讨论了应对问题的有效措施并对深度学习未来的发展趋势进行展望。

改进深度卷积神经网络及其在变工况滚动轴承故障诊断中的应用

为了解决目前常用的最大池化丢失大量信息和平均池化模糊重要特征的问题,提出了一种小尺度卷积核以跳动的方式进行降采样的方法。该方法用步长为2、激活函数为Rectified Linear Unit(ReLU)的小尺度卷积层代替传统的池化层,既可以使输出图像的尺寸变成输入的一半,实现降采样的功能,又能让小尺度卷积核在训练中自动调整权重挑选有效的特征。与最大池化相比,该方法可有效地提高神经元激活比例并增加神经元活性值的多样性。综合采用提出的池化方法、深度可分离卷积核和全局平均池化层3个策略改进的深度卷积神经网络,在实验室变转速多滚动轴承数据集上进行测试,结果表明,改进后的网络识别正确率达到98.4%,高于作为对比的其他网络,同时还大幅提高了网络的稳定性,减少了40%以上的训练时间。提出的方法可以为科研技术人员在搭建深度卷积神经网络和变工况滚动轴承故障诊断时提供参考。

基于能量峰定位的经验小波变换及在轴承微弱故障诊断中的应用

为了解决经验小波变换在轴承振动信号频谱分割不当的问题,提出了一种基于自适应能量峰定位的经验小波变换。该方法采用Teager能量算子对傅里叶频谱进行能量集中,降低噪声和无关分量影响;利用多尺度寻峰定位算法自适应确定频谱分割边界;通过构建小波滤波器组提取各模态分量。依据峭度指标挑选故障信息最大的模态分量,最后通过Hilbert包络解调提取轴承的故障特征频率。仿真和实验分析结果表明:提出的方法从能量角度入手,鲁棒性更强;频段划分考虑频谱的形状,能自适应识别故障频带;与原始经验小波变换方法相比,改进方法能明显增强早期微弱故障特征,提高轴承早期故障诊断性能。

磁耦合谐振技术的无线可充电SenCar节点设计

结合磁耦合谐振技术,设计了一款基于磁耦合谐振的无线可充电SenCar节点。通过携带大能量电池,SenCar节点为网络普通节点进行充电。基于模块化设计思想,给出SenCar节点软硬件设计,使其具有能量传输功能同时,能够监测本身及其网络节点能量信息,为后续网络能量管理奠定基础。实验结果表明,本文设计的SenCar节点满足设计要求。

基于二维经验小波纹理域特征自适应提取的轴承故障诊断方法

针对滚动轴承变故障类型、变故障程度的复杂条件,为了获得更加丰富的故障信息,提出一种新的二维纹理域信号特征自适应提取方法。在新的二维纹理域构造方法中,将一维振动信号转换为二维纹理矩阵。经验证,构造的二维振动信号纹理域对于不同故障类型、不同故障程度的滚动轴承,均有较强的故障征兆能力。为了弥补直接从原始信号纹理提取特征时受限于纹理像素的缺点,提出一种基于二维经验小波变换的纹理域自适应提取方法。利用二维经验小波变换将二维振动信号纹理自适应分解为多个纹理分量,分别提取多尺度纹理特征,既考虑了宏观纹理,又兼顾了细节纹理,解决了纹理像素对纹理域提取的限制和影响,能准确提取到轴承振动信号的故障特征。利用支持向量机对不同故障程度、不同故障类型的滚动轴承进行识别,与不经过二维经验小波变换处理相比,识别准确率从19.8%提升至98.1%,验证了方法的有效性。所提方法适用于变故障类型和变故障程度复杂条件下的滚动轴承故障诊断。