结合迁移学习与深度卷积网络的心电分类研究

为解决一维深度卷积网络(1D-DCNN)在心电分类方面存在的多类疾病识别不准、难以提取最佳特征等问题,提出一种结合迁移学习与二维深度卷积网络(2D-DCNN)直接识别心电图像的方法。首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号。接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值。本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98%,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性。为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较。量化结果表明,结合迁移学习和2D-DCNN方法,比最优1D-DCNN算法,其准确率提升2%、敏感度提升0.6%、特异性提高4%;在二分类与多分类任务中,均好于现有的其他算法。

改进一维深度卷积神经网络的轴承性能退化指标构建方法

为更好构建能够表征轴承退化过程的性能退化指标,提出一种改进一维深度卷积神经网络轴承性能退化指标的构建方法。首先,构建一维深度卷积神经网络,利用其对原始时域信号自适应提取特征优势,以深度挖掘全寿命时域信号的退化特征;其次,设计一种组合损失函数,在均方误差函数上引入退化特征相邻点正负微分累积值,使得网络在训练过程中退化特征相邻点正微分值不断增大,负微分值不断减小,以提高性能退化指标单调性;最后,通过全连接层将高维特征转化为低维特征,实现性能退化指标构建。通过在公开和实测的数据集上进行实验,验证了所提方法的有效性和可行性。

基于一维卷积神经网络的低压万能式断路器附件故障诊断

由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络(AW-1DCNN)的故障诊断算法。相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。首先,考虑到分合闸线圈电流信号的特点,采用一维卷积神经网络模型,并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域;然后,利用特征提取层对电流信号进行自适应特征提取;最后,利用Softmax分类器输出故障诊断结果。实验结果表明,该算法不仅能对不同相位下同一故障进行有效识别,而且在泛化实验中仍能保持较高的故障识别率,能够有效地克服合闸相位变化对故障诊断结果的影响。

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。

基于深度1DCNN的25YCY柱塞泵故障诊断网络优化及验证

以传统1DCNN模型分析柱塞泵故障时无法完成深度学习过程,对最终数据精度造成不利影响。在设计模型时加入更高比例的卷积层,促进D-1DCNN模型特征提取效率的显著增强。以型号25YCY轴向柱塞泵为测试对象,通过三轴加速度计和耦合器完成振动信号的获取,开展故障诊断测试分析。研究结果表明:对D-1DCNN进行网络参数调节优化确定,学习率为0.3,卷积核高度3,批处理量保持50,最大池化模型,Adam优化器。在10次迭代后再进行第二次迭代时达到100%准确率,训练时间共124 s,表明D-1DCNN能够满足对轴向柱塞泵故障进行准确诊断的结果,完全符合智能故障诊断指标。该研究对提高25YCY柱塞泵的故障诊断具有很好的实际应用价值。

基于深度学习的癫痫脑电不平衡分类方法

癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义。由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的。针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法。首先,为防止不同类别数据之间界限模糊,使用Borderline-SMOTE算法对1/3训练集做平衡处理;之后,设计了金字塔型的一维深度卷积神经网络,并利用平衡处理的训练集进行训练。与常见的二维卷积神经网络不同,本文构造的一维卷积神经网络减少了训练参数,提高了训练速率,能够有效地避免由于训练样本较少而造成的过拟合。在长达991小时的长程头皮脑电数据集上的实验表明,经过平衡处理后的检测效果得到明显改善,最佳敏感度达到92.35%,特异性达到99.88%,阳性预测率达到90.68%,阴性预测率达到99.91%。同时,与其他癫痫检测方法的比较表明,本文方法具有更好的检测结果,更加符合临床应用的要求。

基于1DDCNN和PCA信息融合的滚动轴承FLHI智能提取方法

滚动轴承故障预测方法的核心在于健康指数(HI)的构建,绝大部分已经提出的HI都是基于专家经验人工构造的,且往往只能适用于部件某一特定退化阶段的趋势分析。为解决上述问题,结合振动信号的一维特性,提出一种基于一维深度卷积神经网络(1DDCNN)结合主成分分析(PCA)的滚动轴承全寿命健康指数(FLHI)智能提取法;利用1DDCNN对原始时域信号自适应提取特征,深度挖掘能够表征研究对象健康状态的退化特征矩阵,而后利用PCA法对提取的特征矩阵进行融合,从而实现研究对象的FLHI智能提取。滚动轴承试验振动信号实测结果表明,相较于传统健康指数,FLHI在趋势性、鲁棒性和单调性方面更具有优势。

基于注意力机制和改进CLDNN的雷达辐射源识别

传统的辐射源识别通过比对、匹配辐射源信号与雷达数据库来识别,这种方法很难满足战时高效、快速和准确的识别要求。随着机器学习方法的提出,诸如支持向量机等算法在辐射源识别领域的运用,可以满足战时高效、快速的识别要求,但这种方法在低信噪比环境下,辐射源识别准确率低。针对上述问题,采用深度学习,引入注意力机制和特征融合方法,提出注意力机制特征融合一维卷积长短时深度神经网络(attention-mechanism feature-fusion one-dimensional convolution long-short-term-memory deep neural networks,AF1CLDNN)识别模型。实验验证了注意力机制和特征融合方法的有效性,及新识别模型在低信噪比环境下具有较高识别准确率与识别速度。

基于D-1DCNN的轴向柱塞泵故障诊断研究

由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨损5种状态下的振动信号,并将这些信号制作成样本集,加以标签标记,将样本集划分为训练样本与测试样本;然后,将样本输入到D-1DCNN中,进行了训练样本信号的特征提取工作,通过前向传播和反向传播方式得到了D-1DCNN的具体模型;再使用SoftMax分类器对测试样本进行了分类,并对网络模型中的参数进行了调整,得到了柱塞泵故障诊断的准确率值;最后,通过西储大学的轴承故障信号对此进行了仿真对比。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,其准确率可达到100%;使用D-1DCNN对柱塞泵进行故障诊断时,不需要人工设计或提取特征过程便可实现诊断过程的智能化;对于不同的故障诊断对象,该方法也具备良好的诊断效果,因而具有一定的普适性。

基于STL-1DDCAE的轴承故障诊断研究

由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明:该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1780、1700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。