基于深度自编码器和t-SNE算法的电梯故障预警

为提高电梯承运质量,针对电梯轿厢系统,设计基于深度自编码器(DAE)和t分布随机邻域嵌入算法(t-SNE)相结合的电梯轿厢系统故障预警模型。通过计算电梯轿厢系统运行时振动信号的重构误差,并将其与预警阈值进行对比分析,可以直观地对振动信号波形进行分类,判别轿厢系统运行是否出现异常,通过t-SNE算法进行可视化分析。实验结果表明:该模型能够有效实现电梯轿厢系统的故障实时预警功能,为电梯的预防性维护提供依据。

基于图卷积网络和自编码器的半监督网络表示学习模型

为了保留网络结构信息和节点特征信息,结合图卷积神经网络(GCN)和自编码器(AE),提出可扩展的半监督深度网络表示学习模型(Semi-GCNAE)。利用GCN捕获节点的K阶邻域中所有节点的结构和特征信息,并将捕获的信息作为AE的输入。AE对GCN捕获的K阶邻域信息进行特征提取和非线性降维,并结合Laplacian特征映射保留节点的团簇结构信息。引入集成学习方法联合训练GCN和AE,使模型习得的节点低维向量表示能同时保留网络结构信息和节点特征信息。在5个真实数据集上的广泛评估表明,文中模型习得的节点低维向量表示可以有效保留网络的结构和节点特征信息,并在节点分类、可视化和网络重构任务上性能较优。

基于LSTM-AE的民机空调热交换器性能异常检测方法

空调热交换器性能异常检测技术是快速判断民机空调系统运行状态并合理安排维修任务的关键,传统的异常检测方法难以有效处理高维时序数据,无法实现系统早期故障预警。为此,本文提出了一种基于长短期记忆网络(LSTM,long-short term memory)与自编码器(AE,autoencoder)模型的无监督异常检测方法,用以识别民机空调系统异常运行状态。首先,基于民机空调系统原始传感器参数构建表征空调热交换器性能的特征监测参数;其次,构建LSTM-AE模型进行数据特征重构并计算重构误差;最后,使用孤立森林(iForest, isolation forest)进行无监督异常监测。将本文构建的无监督异常检测方法与传统方法对比,并建立模型评估指标,验证结果表明,所构建的模型方法可以对民机空调热交换器性能异常状态进行有效检测。

基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测

针对现有滚动轴承性能退化趋势预测方法存在退化指标选取困难、预测精度较低的问题,提出基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测方法。首先,构建轴承振动信号混合域高维特征集,采用指标综合评价值初步筛选敏感性高、趋势性好的性能退化指标;然后,利用自编码器融合高维特征集,消除混合域特征之间的冗余信息;在此基础上,将融合后的特征输入门限循环单元(gated recurrent unit,GRU)神经网络模型以完成滚动轴承退化趋势预测。试验结果表明,所提方法能获得更加准确的滚动轴承退化趋势预测结果。

基于CAE-GAN的滚动轴承故障诊断方法

由于滚动轴承故障样本获取困难,导致训练样本分布往往呈现极强的不平衡性,严重影响轴承智能故障诊断的准确率。针对滚动轴承训练样本不平衡的问题,提出一种基于约束式自编码器-生成对抗网络(constrained autoencoder-generative adversarial network, CAE-GAN)的故障诊断方法,通过增强故障样本特征以提高诊断模型的精度。首先结合自编码器和生成对抗网络,构建一种基于编码-解码-判别结构的网络模型,以提高生成器捕捉真实样本分布的能力;为进一步提高生成样本的质量,提出一种基于距离约束的方法以限制不同类别样本之间的距离,从而避免生成样本全部来自同一类型。通过滚动轴承故障诊断试验证明了该方法能有效提高生成样本的质量,解决样本不平衡问题,轴承故障诊断准确率较其他方法有明显提高。

基于深度学习的TC4钛合金零件微小缺陷超声相控阵检测图像降噪方法研究

钛合金因具有强度高、耐蚀性好、耐热性高等特点被广泛用于航空航天等领域,针对其内部微小缺陷超声相控阵检测过程中存在信噪比低、易漏检等问题,提出一种基于深度学习的微小缺陷超声相控阵检测图像降噪方法。首先通过钛合金试块相控阵检测试验获得缺陷含噪原始图像,采用Mask RCNN模型训练并构建高噪–低噪数据集,进而基于变分自编码器设计微小缺陷检测图像降噪模型,通过与传统滤波降噪、时频域降噪算法对比,证明所提出的算法可保留原始图像缺陷细节信息,与含噪原图对比,其峰值信噪比优化了11.35%,结构相似性提升154.17%。最后开展了某钛合金航空机匣环件超声相控阵检测试验,采用所提方法对环件内部φ0.2 mm平底孔缺陷检测图像进行降噪处理,有效降低了散射噪声对微小缺陷检测的影响,同时也证明所提降噪算法具有良好的泛化性能。

空域协同自编码器的高光谱异常检测

目的自编码器作为一种无监督的特征提取算法,可以在无标签的条件下学习到样本的高阶、稠密特征。然而当训练集含噪声或异常时,会迫使自编码器学习这些异常样本的特征,导致性能下降。同时,自编码器应用于高光谱图像处理时,往往会忽略掉空域信息,进一步限制了自编码器的探测性能。针对上述问题,本文提出一种基于空域协同自编码器的高光谱异常检测算法。方法利用块图模型优良的背景抑制能力从空域角度筛选用于自编码器训练的背景样本集。自编码器采用经预筛选的训练样本集进行网络参数更新,在提升对背景样本表达能力的同时避免异常样本对探测性能的影响。为进一步将空域信息融入探测结果,利用块图模型得到的异常响应构建权重,起到突出目标并抑制背景的作用。结果实验在3组不同尺寸的高光谱数据集上与5种代表性的高光谱异常检测算法进行比较。本文方法在3组数据集上的AUC(area under the curve)值分别为0.9904、0.9888和0.9970,均高于其他算法。同时,对比了不同的训练集选择策略,与随机选取和使用全部样本进行对比。结果表明,本文基于空域响应的样本筛选方法相较对比方法具有较明显的优势。结论提出的基于空域协同自编码器的高光谱异常检测算法从空域角度筛选样本以提升自编码器区分异常与背景的能力,同时融合了光谱域和空域信息,进一步提升了异常检测性能。

多模态信息引导的三维数字人运动生成综述

基于多模态信息的三维数字人运动生成技术旨在通过文本、音频、图像和视频等数据实现特定输入条件下的人体运动生成。这项技术在电影、动画、游戏制作和元宇宙等领域具有重要的应用价值和广泛的经济社会效益,是近年来计算机图形学和计算机视觉等领域研究的热点问题之一。然而,基于多模态信息的三维数字人运动生成面临着诸多挑战,包括跨模态信息的表征和融合困难、高质量数据集缺乏、生成的运动质量较差(如抖动、穿模和脚部滑动等)以及生成效率低等问题。虽然近年来研究者们提出了各式各样的解决方案来应对上述挑战,但如何根据不同模态数据的特点实现高效、高质量的三维数字人运动生成仍然是一个开放性问题。本文以数字人运动生成所采用的模型架构为分类标准,将现有的主流方法分为基于生成对抗网络(generative adversarial network,GAN)的方法、基于自编码器(autoencoder,AE)的方法、基于变分自编码器(variational autoencoder,VAE)的方法以及基于扩散模型的方法,总结并形成了一种数字人运动生成通用框架。本文还介绍了该领域常见的参数化人体模型、数据集以及评估指标。对于一些具有代表性的工作,本文在一些常用数据集上进行了对比实验,评估这些方法的性能表现。最后综合现有的数据集、算法和代表性研究,总结了该领域的问题和挑战,探讨了完善数据集、优化运动质量和多样性、融合跨模态信息和提高生成效率等潜在的研究方向。

深度学习汉字生成与字体风格迁移综述

汉字字体风格迁移旨在保证在语义内容不变的同时对汉字的字形作相应的转换。由于深度学习在图像风格迁移任务中表现出色,因此汉字生成可以从汉字图像入手,利用此技术实现汉字字体的转换,减少字体设计的人工干预,减轻字体设计的工作负担。然而,如何提高生成图像的质量仍是一个亟待解决的问题。本文首先系统梳理了当前汉字字体风格迁移的相关工作,将其分为3类,即基于卷积神经网络(convolutional neural network,CNN)、自编码器(auto-encoder,AE)和生成对抗网络(generative adversarial network,GAN)的汉字字体风格迁移方法。然后,对比分析了22种汉字字体风格迁移方法在数据集规模方面的需求和对不同字体类别转换的适用能力,并归纳了这些方法的特点,包括细化汉字图像特征、依赖预训练模型提取有效特征、支持去风格化等。同时,按照汉字部首检字表构造包含多种汉字字体的简繁体汉字图像数据集,并选取代表性的汉字字体风格迁移方法进行对比实验,实现源字体(仿宋)到目标字体(印刷体和手写体)的转换,展示并分析Rewrite2、zi2zi、TET-GAN(texture effects transfer GAN)和Unet-GAN等4种代表性汉字字体风格迁移方法的生成效果。最后,对该领域的现状和挑战进行总结,展望该领域未来发展方向。由于汉字具有数量庞大和风格多样的特性,因此基于深度学习的汉字生成与字体风格迁移技术还不够成熟。未来该领域将从融合汉字的风格化与去风格化为一体、有效提取汉字特征等方面进一步探索,使字体设计工作向更灵活、个性化的方向发展。