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。

基于残差连接和1D-CNN的滚动轴承故障诊断研究

针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。

基于深度学习的水平非均匀蒸发波导反演方法研究

水平非均匀蒸发波导是一种异常的大气结构,在海上出现的概率高,对海上低空雷达具有较强的电磁捕获能力.然而,海上低空蒸发波导修正折射率剖面反演过程中由于水平方向剖面参数的非均匀变化,导致在实际的海洋环境中产生较大的反演复杂度和误差.为解决上述问题,首先提出了一维残差扩张因果卷积自编码器(one-dimensional residual dilated causal convolutional autoencoder,1D-RDCAE)网络实现低自由度的非均匀蒸发波导剖面建模,其次提出了多尺度卷积残差网络(multi-scale convolutional attention residual network,MSCA-ResNet)框架来实现水平非均匀蒸发波导剖面反演.为验证建模模型的有效性,在模拟海杂波功率数据集上验证降维模型的有效性,实验结果表明,基于1D-RDCAE比基于主分量分析法、堆栈自动编码器和一维卷积自动编码器降维重构后更接近原始数据,并且在模型训练过程中收敛速度更快.为了验证反演模型的有效性,在模拟的海杂波和实测海杂波数据上进行了测试,结果表明基于仿真海杂波和实测海杂波数据分别可实现蒸发波导高度反演准确率为96.98%和91.25%,优于目前典型的反演方法.本文提出的基于深度学习的水平非均匀蒸发波导反演方法具有模型反演效率高、模型复杂度低、反演误差小的特点,为海上反常传播环境实时高精度认知提供了新技术.