小波分解和改进卷积神经网络相融合的水声目标识别方法

针对具有非平稳特性的水声信号的分类识别问题,本文对卷积神经网络进行改进,并将改进的CNN网络与小波分解相融合,提出一种水下目标识别算法WAVEDEC_CNN。应用采集的4类湖试数据,对该算法进行验证。实验结果表明:与传统方法MFCC+SVM对比,WAVEDEC_CNN算法可提升正确识别率15.38%;与NO_CNN、WPDEC_CNN以及EMD_CNN 3种方法对比,WAVEDEC_CNN算法的正确识别率分别提升了4.41%、3.23%、12.81%,同时就计算时间而言,所提出的WAVEDEC_CNN算法所用计算时间最短。本文提出的方法能够有效应用于水声目标识别。

基于深度迁移学习的采煤机摇臂部滚动轴承故障诊断方法

针对长期正常服役的采掘装备典型故障数据少、有标签数据不足,故障诊断模型训练效果不好等问题,提出一种基于深度迁移学习的采煤机摇臂部传动系统故障智能诊断方法。利用该方法将模拟平台故障数据训练后获取的故障诊断模型参数迁移至采煤机智能故障诊断模型中,从而在不同设备之间进行迁移学习,实现基于小样本数据的采煤机摇臂部智能故障诊断。通过构建预训练的卷积神经网络,将转换为二维时频分布的图像数据集作为预训练模型的输入,并将预训练模型的网络参数迁移至采煤机摇臂传动系统故障诊断模型中,通过保证低层网络不变保留模型的泛化能力,将含有标签的数据集作为采煤机摇臂传动系统智能故障诊断模型的训练数据集对模型进行训练,通过微调高层网络参数进行模型优化和权值更新,得到采煤机摇臂传动系统迁移故障诊断模型,提高了模型的特征提取能力减少了误差。为验证方法有效性,以传动系统滚动轴承为研究对象,采用西储大学轴承数据作为训练集,DDS传动系统平台模拟井下采煤机摇臂部传动系统工况得到滚动轴承监测数据,作为测试集进行试验验证。试验结果表明:滚动轴承平均故障识别精度达到99.59%,与传统的智能故障诊断方法相比,提出的智能故障诊断方法收敛速度快且诊断精度高,能够基于实验室的故障诊断知识,实现高精度设备状态识别与分类。