基于多重注意力卷积神经网络双向门控循环单元的机械故障诊断方法研究

为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力卷积神经网络双向门控循环单元(multiple attention-convolutional neural networks-bidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络(convolutional meural networks,CNN)进行初步特征提取并降维,然后将结果重组输入双向门控循环单元(bidirectional gated recurrent unit,BiGRU),可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练,确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时,通过在CNN和BiGRU中分别加入卷积注意力模块(convolutional block attention module,CBAM)和序列注意力模块(sequence attention module,SAM),进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明:MA-CNN-BiGRU模型可以实现端到端的故障诊断,与变分模态分解(variational mode decomposition,VMD)核模糊C均值聚类算法(VMD-kernel fuzzy C-means clustering,VMD-KFCM)、VMD-反向传播神经网络(back propagation neural network,BPNN)和一维CNN等方法进行对比,MA-CNN-BiGRU模型的故障诊断性能更优。

多重神经网络与遗传算法在舯剖面设计中的应用

结合多重神经网络和遗传编程以实现舯剖面设计的智能化。

多重结构神经网络在平台罗经故障诊断中的应用

提出了基于层次分类诊断模型的多重结构神经网络 (MNN)在平台罗经故障诊断中的应用方法 ,并对其温控子系统的人工神经网络 (ANN)

基于多重结构小波神经网络的航姿系统故障诊断研究

根据飞机航姿系统的结构特点和故障诊断过程的特性,建立了复杂设备故障诊断的多重结构小波神经网络模型结构,并将其应用于飞机航姿系统的故障诊断,结果表明,该方法有效地降解复杂系统故障诊断问题的复杂性,提高了航姿系统故障检测和诊断效率,同时为非线性系统的故障诊断提供了新的理论和方法。

基于MWKCNN与迁移学习融合的风机轴承故障诊断方法

针对实际风电场的风机运行工况多变、数据完备性缺失导致的风机轴承故障诊断精度降低的问题,提出一种基于多重宽核卷积神经网络(multiple wide kernel convolutional neural networks,MWKCNN)与迁移学习融合的风机轴承故障诊断方法。首先,在源域训练MWKCNN风机轴承故障诊断模型;其次,根据3个目标域与源域的相似度,利用基于模型微调的迁移学习方法对源域的MWKCNN模型结构进行调整,并且用实际的轴承数据集进行验证;最后,通过仿真实验进行验证。结果表明:MWKCNN模型对源域的风机轴承故障诊断的精度达到了99.48%;在3种数据完备性缺失的目标域,对风机轴承故障诊断的精度均达到了94%以上;相比于其他模型的迁移效果,MWKCNN模型对轴承振动信号故障特征的挖掘能力更强。

基于深度视频分析的面瘫分级方法

针对面瘫患者诊断视频中面部运动特征的复杂性,设计能够学习更本质面部特征的深层非线性网络结构,结合可见光和深度视频数据更全面地分析面部运动细节特征。该方法主要使用具有多重卷积结构的网络模型和LSTM网络,分析患者与正常人面部运动之间的差异,完成真假面瘫识别;提取面部运动过程中的时序形变特征和纹理变化特征,并进行特征融合,实现面瘫分级评估问题;深入分析患者面部运动在可见光视频和深度视频中所体现出的细微变化特征,使用融合多源视频信息的卷积神经网络模型对面瘫等级进行细粒度评估。

Influence of brittleness and confining stress on rock cuttability based on rock indentation tests

In order to understand the influence of brittleness and confining stress on rock cuttability,the indentation tests were carried out by a conical pick on the four types of rocks.Then,the experimental results were utilized to take regression analysis.The eight sets of normalized regression models were established for reflecting the relationships of peak indentation force(PIF)and specific energy(SE)with brittleness index and uniaxial confining stress.The regression analyses present that these regression models have good prediction performance.The regressive results indicate that brittleness indices and uniaxial confining stress conditions have non-linear effects on the rock cuttability that is determined by PIF and SE.Finally,the multilayer perceptual neural network was used to measure the importance weights of brittleness index and uniaxial confining stress upon the influence for rock cuttability.The results indicate that the uniaxial confining stress is more significant than brittleness index for influencing the rock cuttability.