基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。

基于卷积神经网络的EHG胎儿早产识别算法

胎儿早产是影响婴儿早期发育及生命安全的直接因素之一,其直接的临床表现为孕妇宫缩强度和频率的变化。子宫肌电信号通过在孕妇腹部采集而得,能准确有效地反映出子宫收缩的情况,比子宫宫内压力导管等侵入式监测技术具有更高的临床应用价值。因此,基于EHG的胎儿早产识别算法研究对于围产期的胎儿监护尤为重要。该研究提出了一种基于卷积神经网络架构的EHG胎儿早产识别算法,通过格拉姆角差域法结合迁移学习技术构建一种深度CNN模型。采用临床实测的足月-早产EHG数据库对模型结构进行优化,实现了94.38%的分类准确度和97.11%的F1值。实验结果表明,本研究所构建的模型对临床胎儿早产的预测具有一定的辅助诊断价值。

基于GADF和PAM-Resnet的旋转机械小样本故障诊断方法

在旋转机械的实际工作中,由于故障样本有限,很难实现准确的故障诊断.对此,提出一种基于GADF和PAM-Resnet的小样本故障诊断方法.首先,构建一种数据增强策略,该策略将数目较少的一维信号样本转化为二维GADF图,之后将GADF图裁剪成多个子图,从而得到大量的图像样本,解决样本数目不足的问题;然后,构建一种位置注意力模块(PAM),该模块使用横向卷积和纵向卷积分别对横向特征和纵向特征赋予权重,融合两种特征得到GADF图的位置信息;最后,将PAM插入残差块中构建PAM残差块,并使用多个PAM残差块构建PAMResnet,PAM-Resnet可以有效地关注位置信息,具有较强的故障特征学习能力.分别进行小样本环境下的齿轮箱故障诊断和滚动轴承故障诊断实验,结果表明所提出方法具有较高的故障诊断准确率,可以准确地诊断出小样本环境下的故障类型.