基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异,深度神经网络模型泛化能力差的问题,结合时间卷积网络(temporal convolutional neural network,TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life,RUL)迁移预测方法。首先,将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号;其次,剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络,该网络在较好提取时间序列信息的同时,进一步通过残差自注意力机制捕获轴承局部退化特征,增强模型的迁移特征提取能力;再次,采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异,实现不同工况下轴承寿命状态知识的迁移预测;最后,在公开的滚动轴承全寿命数据集上进行试验验证,结果表明所提方法能有效实现变工况下的滚动轴承RUL预测,并获得较好的预测性能。

基于工况聚类和残差自注意力的发动机剩余使用寿命预测

针对多工况的航空发动机剩余使用寿命(RUL)预测精度较低的问题,本文提出了一种基于工况聚类分析和残差自注意力的发动机剩余使用寿命预测方法。首先,通过聚类将不同的工况进行划分,并构建线性回归分析模型筛选出符合发动机性能变化的退化参数;其次,通过卷积神经网络,获取数据中隐含的发动机性能退化特征;再次,利用双向长短期记忆神经网络挖掘时序退化特性并对其进行记忆;最后,结合残差自注意力机制对退化特征分配不同的权重来实现发动机剩余使用寿命预测。在美国国家航空航天局(NASA)的C-MAPSS多工况数据集上进行了消融试验,验证了该方法的有效性。结果表明,该方法评分和均方根误差均最优,可为发动机剩余使用寿命预测提供一定的参考。

基于残差自注意力机制的航空发动机RUL预测

针对传统神经网络在多维数据高分辨率特征识别和高精度信号提取方面的缺陷,开展基于残差自注意力机制的剩余使用寿命(RUL)预测算法研究。比较分析卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的结构特性,揭示二者在长序列信息特征关联能力和局部特征提取能力上的局限性。研究自注意力机制,引入双层残差网络抑制误差函数反向传播中扩散性,进而构建了一种卷积记忆残差自注意力机制的深度学习方法。基于上述方法对典型航空涡扇发动机退化实验数据集进行仿真分析,结果表明:所述方法能够有效建立监测数据与发动机健康状态之间的关系,关键评价指标——剩余使用寿命预测的均方误差为225,相比传统自注意力机制均方误差降低了17.9%,验证了所述方法的可行性和有效性。

基于EM自注意力残差的图像超分辨率重建网络

基于深度学习的图像超分辨率(SR)重建方法主要通过增加模型的深度来提升图像重建的质量,但同时增加了模型的计算代价,很多网络利用注意力机制来提高特征提取能力,但难以充分学习到不同区域的特征。为此,提出一种基于期望最大化(EM)自注意力残差的图像超分辨率重建网络。该网络通过改进基础残差块,构建特征增强残差块,以更好地复用残差块中所提取的特征。为增加特征信息在空间上的相关性,引入EM自注意力机制,构建EM自注意力残差模块来增强模型中每个模块的特征提取能力,并通过级联EM自注意力残差模块来构建整个模型的特征提取结构。所获得的特征图通过上采样的图像重建模块获得重建的高分辨率图像。将所提方法与主流方法进行实验对比,结果表明:所提方法在5个流行的SR测试集上能够取得较好的主观视觉效果和更优的性能指标。

基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.

基于改进YOLOv4的综采工作面目标检测

综采工作面关键设备及人员的准确检测是实现煤炭智能化开采信息感知的重要环节。传统目标检测算法通过人工提取特征实现目标检测,易受环境影响,不具有普适性。基于卷积神经网络的目标检测算法可以自适应地提取深层信息,但复杂环境下检测精度不高、网络参数多、计算量大。针对上述问题,提出了一种改进YOLOv4模型,并将其应用于综采工作面目标检测。为准确从综采工作面复杂环境中检测到目标,在CSPDarkNet53网络中融入残差自注意力模块,保证参数共享及高效局部信息聚合的同时增强全局信息获取能力,提升图像关键目标特征表达能力,进而提高目标检测精度;为适应综采工作面目标检测高效性需求,引入深度可分离卷积替代传统卷积,以减少模型参数量和计算量,有利于模型的工业部署,提高目标检测速度。实验结果表明,与YOLOv3、CenterNet及YOLOv4模型相比,改进YOLOv4模型平均精度均值最高,达92.59%,且在参数量、计算量、检测精度上具有更优的平衡,可在煤尘干扰、光照不均、目标运动等复杂环境下对目标准确检测。