采用多尺度自适应选择卷积神经网络的轴承故障诊断研究

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征,合并为初始特征;构建多尺度自适应选择卷积块,提取不同尺度的特征,利用改进的注意力机制自适应调整不同尺度的特征权重,加入残差连接,防止模型退化;通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明:在模型改进实验中,与没有改进注意力机制的模型相比,所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中,所提模型的轴承故障诊断准确率均高于93%。

基于卷积神经网络的图像数据增强优化策略研究

论文基于卷积神经网络模型,提出一种改进的自动化图像数据增强策略。针对原有策略搜索空间的离散化及模型训练过程中超参数优化不稳定的问题,通过降低搜索空间策略的复杂度、优化子网络模型的训练过程、选取更有效率的增强随机搜索算法实现超参数优化等方法对原有策略进行改进。并针对不同类型的数据集进行了验证,实验结果表明,论文提出的数据增强策略在CIFAR-10、CIFAR-100、ImageNet数据集上提升了图像分类的准确性,取得了先进的实验效果。

基于自适应学习率卷积神经网络的新型配电网源网荷储无功协调优化技术

随着“双碳”目标的推进,分布式新能源接入电网的容量大幅度提升,配电网源网荷储协调优化策略是实现分布式新能源消纳的重要方法,其中无功优化能够保证电网安全稳定运行。文章提出了一种基于自适应学习率卷积神经网络的配电网源网荷储无功协调优化技术。首先以最小网络损耗和最低电压偏移为目标,构建无功优化模型;其次利用卷积神经网络强大的非线性拟合能力,挖掘出电网运行场景和无功调压设备、储能充放电策略之间的映射关系,引入自适应学习率的方式更新网络参数,提高了网络训练效率;再次通过控制无功调压设备和储能装置充放电情况协调分布式电源出力,实现电力系统无功电压主动优化控制;最后通过IEEE33节点电网模型进行了仿真验证。结果表明,文章所提的配电网源网荷储无功协调优化方法提高了电力系统电压调节能力,为配电网安全可靠运行奠定了良好基础。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

基于卷积神经网络的自适应波束形成

提出一种基于卷积神经网络的自适应波束形成方法,旨在通过自适应调整接收波束方向以提高通道中信号的信噪比。采用同时多波束接收信号的概念,对阵列天线接收信号以不同的相位加权并相加,即依据自适应多波束形成多通道接收。利用神经网络的非线性处理能力,在阵列接收不同来波方向信号时可以对其实现自适应波束形成。使用波束形成方式设计标签,通过比较输出信号的信噪比相对于输入信号信噪比的增益以评价该方法的有效性。仿真有效提高了信号的信噪比,接收阵列可以同时接收多个波束信号并按各输入信号的入射角度不同在不同的通道输出对应信号。

基于卷积神经网络的遥感图像目标识别仿真

在遥感图像中,目标往往位于复杂的地物背景中,包括不同类型的植被、土地覆盖、建筑物等。上述复杂的地物背景对目标识别造成了困难。为了精准识别遥感图像目标,提出一种卷积神经网络下遥感图像目标识别算法。将暗通道原理和双边滤波算法有效结合,对遥感图像展开增强处理。统计分析遥感图像目标尺度范围,通过训练和测试卷积神经网络,得到最佳目标感兴趣区域尺度。确定目标感兴趣区域最佳尺度后,构建基于卷积神经网络的遥感图像目标识别架构,完成遥感图像目标识别。通过实验分析证明,采用所提算法可以有效提升遥感图像增强效果,具有较好的遥感图像目标识别性能。

基于卷积神经网络的颜色修正水下图像增强方法

在水下环境中,由于光线的吸收和散射等环境问题,使得图像的颜色失真和对比度低,导致图像质量下降。为了提高图像的视觉效果,提出了一种基于卷积神经网络的水下图像增强算法。首先,利用新的水下成像模型校正水下图像的色偏问题;然后,利用卷积神经网络提取修正后的图像通道特征,通过多尺度注意力模块重新加权通道特征以增强不同特征图的一致性,并与颜色校正后的图像进行特征融合;最后,通过重建计算模块融合特征,改进图像增强效果。实验结果表明,该算法能够更好地校正图像颜色失真,提高图像对比度,最主要的优势在于该算法的运行速度比其他先进的水下图像增强方法快两倍。

基于连续小波卷积神经网络的轴承智能故障诊断方法

传统故障诊断方法存在特征提取有限和故障检测不准确的问题,为此提出新的轴承智能故障诊断方法.构建连续小波卷积层取代卷积神经网络(CNN)中的初始卷积层,用于提取轴承数据的初级特征;使用增强ACON激活函数处理提取的振动信号;设计新的计算空间,提高CNN的整体自适应性.在凯斯西储大学轴承数据集上开展滚动轴承故障诊断方法对比实验.结果表明,与传统基于CNN、快速傅里叶变换-CNN、长短时记忆CNN故障诊断方法相比,所提方法的故障诊断精度分别提高了7.45、4.46和1.53个百分点,CNN的收敛速度更快.在不同工况的泛化任务中,所提方法的平均准确率为99.64%,准确性和泛化能力良好.

基于改进卷积神经网络的频谱自适应通信传输

虽然无线通信应用十分广泛,但是无线通信环境越来越复杂,很容易受到各种电磁干扰和电磁攻击的影响,提高其抗干扰性能一直是无线通信关注的重点。针对这一问题,利用认知无线电的电磁频谱感知结果,提出了一种基于改进卷积神经网络的频谱自适应通信传输方法。首先,利用传统的卷积神经网络和改进卷积神经网络对典型干扰类型进行识别,并根据识别结果估计对应的干扰参数,在此基础上结合频谱感知结果,遵循高效频谱利用效率原则自适应选取不受干扰影响的频谱来进行通信传输,以此达到抗干扰通信传输和提升频谱利用效率的双重目的。通过仿真验证了文中所提方法对干扰类型的识别正确率达到了98%以上,干扰参数估计的平均绝对百分比误差低于0.01,最后,利用软件无线电平台开展了实际的频谱自适应通信传输实验,在不同信干比下均能实现正常通信,实验结果表明其抗干扰通信效果显著。

变工况下动态卷积域对抗图神经网络故障诊断

针对基于无监督域自适应故障诊断方法忽略了域间数据结构信息、传统域对齐平均最大差异法全局泛化能力差等问题,本文提出一种基于无监督域自适应理论的动态卷积域对抗图神经网络故障诊断模型,分别通过对数据的类别标签、域标签和数据结构信息进行建模。通过分类器和域鉴别器分别建模类别标签和域标签,通过图神经网络将数据结构信息嵌入到实例图节点中,利用高斯Wasserstein距离来度量不同领域的实例图之间的差异。本文对比了不同工况下共14种迁移任务在各模型下故障识别的准确率。实验结果表明:基于动态卷积的域对抗图神经网络模型在变工况下的故障诊断效果均优于其他对比模型,且模型性能稳定。

基于随机卷积核神经网络数据增强的软测量

精对苯二甲酸(PTA)生产过程中PX氧化反应的副产品4-CBA难以在线测量,只能通过离线分析获得少量样本。针对该问题,提出一种基于随机卷积核神经网络数据增强的动态软测量模型RCKN-XGBoost。该模型首先采用随机卷积核神经网络(RCKN)进行数据增强,扩充样本数量并改善其多样性;然后将原始样本与扩充后的样本线性组合,构成新的数据集;最后采用XGBoost对网络进行训练与预测。在某化工厂PX氧化过程4-CBA含量数据集上对RCKN-XGBoost模型与XGBoost、CNN、CNN-XGBoost、Laplace-XGBoost模型进行比较,发现RCKN-XGBoost模型的MRE指标分别降低了1.07%、0.92%、0.80%和0.65%,RMSE分别降低了27.9、18.62、12.58和8.05,证明了该模型的有效性。

基于深度卷积神经网络的低照度图像增强方法

低照度条件下的图像细节和纹理难以分辨,导致信息丢失严重,传统增强方法需要大量人工调参、效率低且增强后细节不突出。为解决这一问题,提出一种基于卷积神经网络(CNN)的低照度图像增强模型,其通过数据驱动的网络结构自动学习低照度图像的分解与增强,并通过端到端训练更新模型参数。模型包括分解网络、光照调整网络和降噪模块,并在分解网络和光照调整网络中加入卷积块注意力模块(CBAM),以更全面地捕获图像中的重要信息。模型首先通过分解网络将图像分解为光照分量和反射分量,然后分别输入光照调整网络和降噪模块进行处理,最后重建得到增强后的图像。实验结果表明,与其他增强算法相比,该方法能更有效地提升低照度图像的对比度和纹理细节,提供更清晰可靠的图像质量。

基于全局自适应跨步全卷积神经网络的网络流量分类方法

目前,深度学习算法尤其是卷积神经网络,在网络流量分类问题中取得了不错的效果,但是该方法在进行流量分类时普遍存在耗时的问题。针对该问题,设计一种全局自适应的卷积神经网络结构(Global Adaptive stride Convolutional Neural Network,GACNN),采用跨步卷积层替换卷积层和池化层,并分别使用自适应的全局最大池化层和自适应的跨步卷积层代替经典卷积神经网络中的全连接层,以减少卷积神经网络的权重和连接数从而提高分类效率。实验结果表明,文章所设计的神经网络结构在提升分类精度的同时提升了数倍的测试速度。与此同时,设计的结构具有动态自适应功能,能够应对混合维度数据的输入。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

用于热成像数据的卷积神经网络特征图筛选方法

红外热成像数据可以有效辅助可见光图像数据,弥补其在天气和光照条件上的不足。现有的研究往往借助域适应将基于可见光图像数据训练得到的卷积神经网络用于处理热成像数据,以弥补热成像数据缺少大量标注训练集的不足,但是这类方法仍无法避免一定程度的训练。而一些研究者发现,图像在频域上呈现域不变成分和随域改变成分的分离现象。受这一现象的启发,提出一种基于离散余弦变换和卡方独立性分数的卷积神经网络特征图筛选方法。利用频域分离域不变成分和随域改变成分,借鉴卡方独立性检验的思想提出基于频段分量的独立性分数,用于度量特征图的差异度,使用聚类将特征图分类,保留主要包含域不变成分的特征图分支,得到适用于热成像数据的网络。实验结果表明,该方法可以充分利用预训练卷积神经网络的潜在预测能力,且不需要重新训练模型。预训练网络无法预测热成像数据,而筛选后的网络前5位预测结果与目标相关的比例最高可达90%。

基于卷积神经网络和无人机倾斜摄影图像的单个高层建筑物高度测算方法

为了提升单个高层建筑物高度测算效果,本文提出了基于卷积神经网络的无人机倾斜摄影图像的单个高层建筑物高度测算方法。首先,采用无人机倾斜摄影技术采集高层建筑物图像;然后,在卷积神经网络中输入高层建筑物图像,对其展开增强处理,提高图像的清晰度;最后,通过波段转换指数和阴影指数计算阴影长度,以此为依据测算单个高层建筑物的高度。试验结果表明,本文方法的图像增强处理效果较好、高度测算精度和效率较好。

基于改进卷积神经网络的变工况轴承故障诊断

原始信号中的故障特征随工况变化而散布在不同的观测尺度上,针对传统卷积神经网络(CNN)模型仅从单一尺度提取特征,容易出现域移现象并丢失其他尺度信息的问题,提出了基于多尺度自适应加权卷积神经网络(MSAWCNN)的故障诊断模型。首先,采用多个尺度的卷积核并行提取不同观测尺度上的特征;然后,引入自适应加权结构,动态调制多尺度特征以削弱运行条件对特征表达的影响;最后,使用全局均值池化(GAP)层代替全连接层,减少运算量并避免过拟合。利用西安交通大学转速连续变化的轴承数据集进行试验验证的结果表明:MSAWCNN模型的平均准确率达99.69%,具有较强的抗噪性,能从多个尺度全面地提取故障特征,适用于变工况下的轴承故障诊断。

动态自适应学习率优化的卷积神经网络轴承故障诊断方法

滚动轴承的工作转速和载荷很多时候是变化的,基于先验知识的诊断方法很难取得令人满意的分类效果。针对这一问题,提出了基于Nesterov动量的自适应卷积神经网络,用于轴承故障诊断。首先,将网络中传统动量规则替换为Nesterov动量,改善传统方法容易错过最优解问题。其次,为了改善网络泛化能力,设计了一种根据误差变化率动态调整学习率的自适应学习率规则。最后,将采集到的原始数据直接输入到提出的网络中训练故障诊断模型,并利用测试数据对模型进行评测。实验结果表明,提出的优化方法改善了神经网络的收敛性,提高了轴承故障分类精度。

基于数据增强型一维改进卷积神经网络的变压器故障诊断方法

为提升基于深度学习的变压器故障诊断精度,提出了一种数据增强型一维改进卷积神经网络的变压器故障诊断方法。首先,针对传统变分自编码器数据生成过程中的盲目性弊端,提出改进变分自编码器(improved variational autoencoder,IVAE)优化变压器溶解气体数据生成策略。其次,为使深层网络结构能适应变压器溶解气体数据,构建一维改进卷积神经网络(one-dimensional improved convolutional neural network,1D-ICNN)作为故障诊断分类器。最后,通过算例仿真验证了所提方法的可行性和适应性。结果表明IVAE能有效解决变压器故障数据样本少、诊断准确率低的局限;数据增强型1D-ICNN在分类精准度上表现优异,准确度提升了13.49%,研究结果可为变压器故障的准确诊断提供新思路。