基于特征增强的汽车发动机积碳程度识别模型

汽车发动机积碳的长期累积容易加速汽车老化,及时检测并清理可以有效延长汽车使用寿命。对此提出了一种基于视觉图像的积碳程度识别方法,首先针对积碳图像数据量小且类别分布不均的问题对数据进行预处理,其次基于积碳图像特征分布范围广及细粒度特点设计了一个特征重采样模块,从空间和通道两个方向加强特征表达,最后设计了一个轻量化的积碳程度识别模型方便检测部署。结果表明,与其他方法相比,该方法具有较高的预测速度,为179帧/s,且测试精度为84.5%,满足实际需求。

基于神经网络的损伤构件及损伤程度识别

确定损伤构件及其损伤程度是分阶段损伤识别的最后一步,同时又是进一步制定结构安全运行决策的前提和基础。研究了在确定了结构损伤区域的条件下,应用反向传播(BP)神经网络同时实现对具体损伤构件及其损伤程度识别的方法。探讨了针对上述神经网络训练数据的构造和训练策略。应用提出的方法对汲水门斜拉桥桥面结构进行了损伤识别仿真模拟。基于模态参数对损伤的灵敏度分析,选取了12个自振频率和损伤区域附近的6个振型分量作为构造网络输入的基本数据。网络的输出向量同时指示了损伤构件及其损伤程度。就模拟的10种损伤情况,当损伤程度达到60%以上时,有9种实现了正确的构件识别,半数以上给出了可以接受的损伤程度描述。

数据集不均衡下的设备故障程度识别方法研究

在机械故障诊断中,由于故障样本难以收集且数量远远少于正常样本,即产生数据集不均衡问题。这将导致传统的分类算法如支持向量机(SVM)在处理不均衡分类问题时对少数类样本(故障样本)的分类准确率过低。加权支持向量机(C-SVM)算法是一种处理样本集不均衡问题的常用算法,可以在一定程度上改善少数类样本的分类准确率。但是在故障程度相近时会导致样本间距过小,加权C-SVM算法对这类故障样本的识别精度不理想。为提高数据集不均衡下故障程度相近样本的分类准确率,采用二叉树结构与加权C-SVM相结合的方法,综合考虑样本类间距离、类内距离和不均衡程度,优化二叉树结构。结果表明,该算法能够有效处理样本距离过近的不均衡数据集分类问题,从而提高了故障程度相近样本的分类准确率。

基于EMD和Lempel-Ziv指标的滚动轴承损伤程度识别研究

针对不同损伤程度的滚动轴承内、外圈故障,提出一种基于经验模式分解(EMD)和Lempel-Ziv指标的评估方法。EMD用于高效地分解信号,并结合能量与峭度条件找出蕴含故障本质特征的最优IMF分量,在此基础上分别计算最优IMF及其包络的Lempel-Ziv归一化值,再加权求和得到最终的Lempel-Ziv综合指标。由于EMD消除了噪声干扰,有利于准确揭示轴承恶化情况,并且指标本身受实验条件影响不明显,同时介于0和1的取值方便快速使用。轴承内、外圈故障实验证实:内圈损伤的Lempel-Ziv综合指标随故障加重递减,而外圈损伤相反,随故障加剧递增。同时还分别给出了内、外圈损伤情况下不同故障程度评估的Lempel-Ziv取值区间,能有效用于轴承故障程度的识别。

多重分形去趋势波动分析在滚动轴承损伤程度识别中的应用

为了评估多重分形去趋势波动分析(MFDFA)在滚动轴承损伤程度识别中的性能,采用MFDFA计算了轴承故障信号的多重分形谱,多重分形谱的左右端点和极值点可以近似描述多重分形谱的形状和位置,提取这三个特征点的坐标作为刻画轴承动力学行为的特征参数。将MFDFA、4个常用的时域统计参数、小波变换(WT)方法和经验模态分解(EMD)方法分别用于识别轴承滚动体和外圈损伤的严重程度,然后分别采用马氏距离判别法、BP神经网络和支持向量机对WT、EMD和MFDFA所提取的特征参数进行分类,并比较了这些方法在故障分类中的效果。结果表明,马氏距离判别法与MFDFA的组合以及支持向量机与WT或EMD的组合可以获得较好的轴承损伤程度识别结果。研究结果进一步验证了早期工作的结论。

简支梁桥损伤程度识别的模拟和试验

在结合钢桁桥损伤程度识别方法的基础上,提出了适用于简支梁结构的两种损伤程度识别方法:整体振型的相关系数法和保证准则法,将其应用到实验室简支梁结构上分别进行数值模拟和试验。脉冲激励下的结果表明,两种方法能较准确地识别损伤单元的等效损伤程度,具有很强的抗噪能力。最后,探讨了激励对提出方法的影响,为工程应用奠定了基础。

改进抗干扰CNN的变负载滚动轴承损伤程度识别

针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti⁃interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法。首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;其次,将注意力机制引入到卷积神经网络的各个特征提取层中以建立特征提取通道之间的联系,得到基于改进ACNN的变负载工况下轴承损伤程度识别模型;然后,将训练集数据输入到改进ACNN中进行学习,将得到的识别模型应用于测试集,输出损伤程度识别结果,在训练过程中,为了提高模型的抗干扰能力,将Dropout算法引入到卷积层,为抑制过拟合,对原始训练样本进行加噪处理;最后,通过滚动轴承损伤程度模拟试验,在变工况下进行测试。结果表明,在噪声环境中所提方法能更准确地实现变负载工况下的轴承损伤程度识别。

STFT变换在高层框架结构地震损伤程度识别中的应用

为了研究地震作用下高层框架结构的损伤程度信息,以结构刚度折减率为损伤程度指标,以结构的频率变化率为损伤程度识别参数,采用Matlab模拟结构在不同的损伤程度指标下的加速度响应数据,利用短时傅里叶变换方法对响应数据分析得到结构的模态参数,从而建立损伤程度指标与结构模态参数的函数关系。将损伤结构的模态参数代入函数关系式计算结构的损伤程度指标。采用同济大学振动台试验数据,利用此方法识别结构的损伤程度与振动台试验观察到的损伤程度高度吻合。

沪陕两地识别传染病防控需要的准确程度比较分析

[目的]综合评价沪陕两地识别传染病防控需要的准确程度,探讨其对传染病发病率的影响。[方法]穷尽收集政府等发布的涉及沪陕两地传染病敏感指标的公开信息报告和研究文献,描述两地识别传染病防控需要的准确程度变化情况,运用Spearman相关、线性回归分析其与传染病发病率之间的关系。[结果]从2000年到2017年,上海市识别传染病防控需要的准确程度由11.4%上升至48.3%,陕西省则由1.5%上升至36.3%。沪陕两地的识别传染病防控需要的准确程度与传染病发病率均呈现显著负相关关系。[结论]沪陕两地识别传染病防控需要的准确程度均大幅提升,且对降低传染病发病率有积极引领作用。但两地识别传染病防控需要的及时性与连续性仍较为不足。

基于LVQ神经网络的截齿磨损程度识别研究

为实现截齿磨损程度的快速准确识别,提出了一种基于LVQ神经网络的截齿磨损程度的多特征信号识别方法,并利用自制截齿截割实验台对相同截割条件下的不同磨损程度截齿进行截割实验,提取截割的电流信号、红外信号,建立截齿磨损识别模型,研究表明:新截齿B相电流峰值为1 117 mA,随磨损程度的加剧而逐渐增大,严重磨损截齿值为1 183 mA,最大峰值差为66 mA;新截齿齿尖最大闪温值为25.52℃,随截齿磨损程度加剧逐渐降低,严重磨损截齿值为18.96℃,最大温度差为6.56℃。基于LVQ神经网络的截齿识别平均最大正确率均可以达到100%,与BP神经网络方法相比提高了12.86%,因此该神经网络具有良好的可靠性与精确性。

中国农村低保户贫困程度瞄准与识别分析——基于H区域居民实际生活指标研究

由于农村低保对象救助层次很不明显,没有针对低保家庭的不同贫困程度进行等级划分,导致政府很难把有限农村低保资源进行合理的分配。笔者利用层次分析加权法(AHP法),将政府对农村低保群体贫困程度的经验判断给予量化,在目标因素结构复杂且缺乏必要数据的情况下,使用其解决农村低保对象的贫困程度更为方便,从而更好地实施农村低保及配套项目。

齿轮裂纹程度识别的有序分类算法

为识别齿轮裂纹的严重程度信息,提出一种基于有序分类的故障严重程度识别方法.将故障严重程度识别问题视为不同严重程度之间存在序结构,并且部分特征和故障严重程度之间存在单调依赖关系的有序分类问题,从有序分类出发,建立有序分类的故障严重程度识别模型.研究故障严重程度识别中的特征评价和特征选择问题,利用排序互信息指标区分原始特征集中的单调特征和非单调特征,提出单调特征和非单调特征混合存在情况下的有序分类特征选择算法.齿轮裂纹程度识别实验结果表明:提出的有序分类特征选择算法可以降低特征空间维数,能选择出分类能力强的故障特征子集,提高了故障严重程度识别的准确性.

基于概率神经网络的液压管路泄漏故障程度识别

针对复杂环境下飞机的液压管路系统在故障诊断时存在的各种问题,提出一种基于概率神经网络的液压管路系统泄漏故障的诊断方法。在飞机液压管路系统中主要产生的故障是由于管路系统的振动导致的管路破裂、泄漏等。对飞机液压管进行建模,分析其工作状态下不同液压泄漏故障程度时的固有频率,选取前5阶固有频率作为故障诊断的特征值;构建PNN概率神经网络诊断模型,利用测试样本进行故障诊断实验。结果表明,该方法对液压管路故障具有较高识别率。该研究为液压管路系统的故障诊断提供了参考。

变分模态分解与深度信念网络的双转子不对中程度识别

准确识别不对中严重程度是保障航空发动机双转子系统安全稳定运行的重要途径。但不对中程度信息微弱,现有方法难以对其准确识别,为此本文提出了基于变分模态分解与深度信念网络的双转子不对中程度识别方法。实验采集了3种不对中程度下的振动加速度信号,首先采用变分模态分解将振动信号分解;其次对模态函数进行分析,根据互信息理论确定VMD的分解层数,重构模态信号作为特征输入向量,并用于深度信念网络分类模型训练。通过与VMD+BP、VMD+SVM、原始信号+DBN模型的识别率进行对比分析,结果表明,本文提出的VMD+DBN模型提高了双转子不对中程度的识别准确度,验证了该方法的有效性。

基于流向图和非朴素贝叶斯推理的滚柱轴承故障程度识别

针对流向图分类推理能力较弱、计算成本较高的问题,提出一种基于流向图和非朴素贝叶斯推理的滚柱轴承故障程度识别方法。提取训练样本中滚柱轴承的故障特征构建标准化流向图,用于直观地表示属性间的因果关系;采用基于征兆属性节点重要度的节点约简算法删除冗余的征兆属性节点,以降低分类推理的计算复杂度;利用基于流向图的非朴素贝叶斯推理算法识别待诊样本中滚柱轴承的状态。通过实验验证了所提方法在直观和准确识别滚柱轴承故障程度方面的有效性。

基于PSO-FC优化KPCA的特征提取及行星齿轮磨损损伤程度识别

行星齿轮传动系统发生故障时,其信号传递中相互耦合,呈现非线性的特性,使得行星齿轮的故障类型及损伤程度难以识别。借鉴模式识别中Fisher准则(FC)判别函数,构建核函数尺度参数优化的数学模型,应用改进的粒子群优化方法对其寻优,充分改善核主元分析法(KPCA)对于非线性问题的分析性能,将其应用于行星齿轮的磨损损伤程度的识别和诊断中。实例分析结果表明,基于PSO-FC智能优化后的KPCA改善了特征空间内数据分布结构,在行星齿轮的磨损损伤程度识别中取得了较好的尺度聚类效果,可以有效地解决复杂机械传动中损伤边界模糊、损伤程度难以识别的问题。

基于改进深度残差网络的光伏板积灰程度识别

光伏板积灰会降低光伏发电的转换效率,同时易造成光伏板的损坏;因此,对光伏板的积灰进行智能识别具有重大意义。针对以上问题,提出一种基于改进深度残差网络的光伏板积灰程度识别模型。首先,通过分解卷积和微调下采样,对次代残差网络(ResNeXt)50进行改进;然后,融合坐标注意力(CA)机制,将位置信息嵌入到通道注意力中,通过精确的位置信息对通道关系和长期依赖性进行编码,并通过二维全局池操作将特征图像分解为两个一维编码,以增强关注对象的表示;最后,用监督对比(SupCon)学习损失函数替代交叉熵损失函数,从而有效提高识别准确率。实验结果表明,在真实光伏电站4个等级的光伏板积灰程度识别中,改进后的ResNeXt50的识别准确率为90.7%,与原始ResNeXt50相比提升了7.2个百分点。所提模型可满足光伏电站智能运维的基本要求。

研发项目供应商早期参与程度识别分析

在早期研发阶段,为了更好地实现研发目标并保证量产供应链的稳定,企业需要识别供应商的重要度,识别各阶段供应商参与角色并与之建立适当的合作关系。企业可以借助质量展开工作对实现研发目标所需的内部外部资源进行识别,层层展开分解成具体的研发任务,并评估供应商的参与能力。本文从产品立项、研发设计、工艺设计、量产导入4个阶段展开分析,识别各个阶段需要供应商参与的部分,借助罗伯特.蒙兹卡理论对各类供应商的重要度进行初步识别分析。

基于LMD和GNN-Adaboost的滚动轴承故障严重程度识别

提出一种基于局部均值分解(Local Mean Decomposition,LMD)和遗传神经网络自适应增强(Genetic Neural Network Adaptive Boosting,GNN-Adaboost)的滚动轴承损伤程度识别方法。通过LMD方法将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数(Production Function,PF),对能反映信号主要特征的PF提取能量矩,结合原始振动信号的时域特征参数(方差、偏度、峭度),组成故障严重程度识别特征参数矩阵。将基于LMD方法的特征参数矩阵作为GNN-Adaboost方法的输入向量,对不同载荷与转速工况下的轴承进行故障严重程度识别。结果表明,基于LMD和GNN-Adaboost的方法能够有效提高轴承故障严重程度识别准确率,对滚动轴承等关键旋转部件的故障识别与定位具有重要意义。

基于轻量级神经网络MobileNetV3-large的黄茶闷黄程度判别

以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3-Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3-Large识别模型,并利用Grad-CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明:经训练后的MobileNetV3-Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3-Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad-CAM热力图可视化显示,MobileNetV3-Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3-Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。