基于GAF-ResNeXt的偏心辊式破碎机状态识别方法

偏心辊式破碎机需要在恶劣的环境下长时间连续作业,因此进行偏心辊式破碎机的状态识别对保证破碎机安全、稳定、高效的运行具有重大意义。基于试验数据建立了偏心辊式破碎机工况数据集,设计了基于GAF-ResNeXt的偏心辊式破碎机状态识别方法,并通过数据集验证了识别方法的有效性。

基于GAF-Alexnet-ELM的齿轮箱故障诊断方法

针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-Alexnet-ELM的齿轮箱故障诊断模型。利用格拉姆角场(GAF)的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网络(Alexnet)进行特征提取,最后将Alexnet提取的特征放入极限学习机(ELM)进行故障识别。为了验证模型性能,采用千鹏公司QPZZ-II旋转机械振动分析及故障诊断试验平台系统的数据集进行齿轮箱故障诊断分析,同时进行多组对比实验,验证不同模型的故障诊断性能和泛化性能。结果表明,该模型故障识别准确率达到了96.33%;在噪声、转速、加载电流变化的情况下,故障识别准确率也较高,证明了所提方法具有良好的故障诊断效果和泛化性能。

基于GADF融合RDSAN的跨工况轴承故障诊断

针对在不同工况下获取到的滚动轴承振动数据特征分布存在差异,以及由于存在噪声而导致故障特征不明显的问题,提出了一种融合格拉姆角差场(GADF)与残差深度子领域自适应(RDSAN)模型的跨工况轴承故障诊断方法。首先,为充分利用GADF在故障特征差异化显示上的优势,利用GADF来生成滚动轴承一维振动时域信号对应的图像数据集;其次,将数据集输入RDSAN模型,其中使用由改进图像集预训练的ResNet-18网络结构进行源域与目标域通用特征的进一步提取,并引入局部最大均值差异(LMMD)计算匹配条件分布距离进行子领域自适应;最后,在添加0.5 dB高斯白噪声的CWRU滚动轴承数据集上进行跨工况试验验证,结果表明所提方法的平均诊断精度达到96.8%;将所提出的方法与不同的诊断方法进行比较分析,结果验证了该方法的有效性和优越性。

轻量化CNN与时间序列融合识别刀具磨损方法

针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题,提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明:在初期磨损和正常磨损阶段使用MobilenetV2,在急剧磨损阶段使用MobilenetV3对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明,轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题,增加了信息处理的容错性,能有效减少模型体积和计算量,便于植入嵌入式系统并集成到机床系统中。

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示:最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。

GADF和改进CNN的齿轮箱复杂环境下故障诊断

针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Network,简称MACNN)的齿轮箱故障诊断方法。首先将采集得到齿轮箱的一维振动信号的故障数据集进行预处理;然后通过格拉姆角差场将一维数据集转为二维图像数据;其次,将二维数据集数输入到改进的带有多注意力机制的卷积神经网络模型中进行训练;最后采用Softmax对齿轮箱故障数据集进行分类。通过试验验证,这里所提的方法在两个负载数据集上都可以达到99.80%以上,改进之后的模型训练效率更高、耗时更短,同时这里所提方法也优于一些已经发表的齿轮箱故障诊断的方法,此外本方法对齿轮箱在同时处于变负载和噪声的复杂环境中,依然有着较强的故障诊断能力。

基于卷积神经网络的电网电缆局部放电自动化诊断系统

针对当前电缆局部放电诊断过程中利用信号难以匹配特定放电故障等问题,设计基于卷积神经网络的电网电缆局部放电自动化诊断系统。采集电网电缆局部放电信号,将信号转换为二维图像,将放电信号二维图像作为卷积神经网络的训练样本,训练卷积神经网络;将采集测试样本,基于训练好的卷积神经网络实现电网电缆局部放电自动化诊断。实验结果显示,该系统在卷积核数量为100的条件下,基于GAF时间序列转换图像特征可获取较为满意的诊断结果,降低研究对象局部放电故障时间,提升研究对象运行稳定性。

基于GAF-CNN的弓网电弧识别方法研究

由于高速铁路接触网会产生弓网电弧对弓网系统有危害,为了减少弓网损害。提出一种电流时间序列编码技术,即格拉姆角求和/差分场(GASF/GADF)。由于不同受流状态的电流信号不同,其时间序列编码形成的图像也不同,这使得计算机视觉技术可以用于时间序列分类,用来识别弓网电弧。共进行了5组不同条件下的弓网受流实验,测量得到不同条件下弓网系统中的电流数据,并将弓网实验得到的电流数据的状态分为正常受流状态和电弧受流状态。通过构建神经网络,提取电弧电流信号,以格拉姆角场(GAF)图像的形式直观展示了卷积神经网络(CNN)对弓网电弧数据的抽象特征提取情况。实验结果表明,该方法可在不同条件下准确识别弓网电弧避免视频图像背景变化的问题为弓网电弧故障识别提供一种思路。

一种GAF-CNN行星齿轮箱故障诊断方法

为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法.

基于ResNeXt网络和迁移学习的非侵入式负荷监测

为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和迁移学习的非侵入式负荷监测,采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入,放入迁移学习下ResNeXt网络进行负荷识别。该方法采用现有电表采集的低频数据作为输入,减少数据输入维度并加入了时间特性,再将输入图像进行标准化处理后通过堆叠深层次的残差神经网络来学习负荷深层次信息,利用迁移学习将在ImageNet-1K数据集下已训练好的网络模型参数传入新的目标域,加快网络的收敛速度,提高负荷分类的识别准确率和网络的泛化性。最后,利用公开数据集AMPds和UK-DALE模拟不同用电场景验证了所提方法的高效性和泛化性。

融合格拉姆角场的深度特征学习在痕量气体浓度识别中的应用研究

针对气体绝缘金属封闭式组合电器(gas insulated switchgear,GIS)设备中痕量气体紫外分析光谱信号易出现吸收峰重叠的问题,提出了一种结合格拉姆角场(Gram's angle field,GAF)和VGG16改进模型的多组分痕量气体的定量检测方法。首先利用GAF将一维紫外光谱信号转换为时序图像,将光谱信号映射为具有丰富特征信息的图像形式,从而提升原始光谱信号的特征表达能力。其次将GAF特征图输入到VGG16改进模型中,实现痕量气体浓度的特征识别。最后通过不同浓度下采集到的CS2、SO2和H2S的单组分气体和混合气体,与卷积神经网络(convolutional neural network,CNN)、VGG16和SDP_VGG16等模型进行对比实验,并结合受试者工作特征曲线下面积(area under the curve,AUC)进行验证。结果表明,该方法可以有效地检测出SF6分解所产生的CS2、SO2和H2S痕量气体,是一种行之有效的特征提取方法。

面向CNN和RNN改进的物联网入侵检测模型

针对卷积神经网络的原始池化层存在信息丢失的问题和循环神经网络在处理长序列数据时存在梯度消失的问题,提出了基于卷积和循环神经网络改进的物联网入侵检测模型。通过格拉姆角场图像化方式对时间序列数据图像化,为数据作为入侵检测模型的输入做好准备,由SoftPool池化层代替原始的池化层;将多头自注意力机制中的多头结构应用于循环神经网络中,循环神经网络选择参数较少的双向门控循环单元。以TON-IoT物联网数据集作为基准数据集进行试验,试验部分主要包括图像化方式的选择、池化层组合的选择和多头双向门控循环单元层头数的选择,仿真试验结果显示选择格拉姆角和场、SoftPool+SoftPool的池化层组合和三头结构的模型在多分类上在准确率、精确率、检测率、F1得分和假阳性率上的性能最优,并且精确率、检测率、F1得分和假阳性率优于现有模型至少0.14、0.09、0.13和0.08。

基于深度学习神经网络的油气管道漏磁检测缺陷诊断

管道缺陷尺寸预测时,由于管道漏磁数据量庞大以及常规预测方法精度不高,提出一种基于迁移学习的改进型卷积神经网络与贝叶斯优化算法,以预测管道缺陷尺寸。将已训练好的Lenet网络进行迁移,对迁移后的网络结构进行重构,建立了TB-CNN改进型网络。提出了改进型神经网络的贝叶斯优化算法,对迁移学习改进后的模型的训练过程进行超参数优化,得到最优的TB-CNN模型。在制作训练集时,提出了格拉姆角场(GAF)算法将一维的漏磁曲线数据转换为二维图像方法。通过仿真及实验,证明了该网络对长度和宽度为10~40mm范围、深度在2~10mm范围的缺陷预测均方误差根(RMSE)为0.0691,和其他网络相比,该方法对管道缺陷尺寸的预测精度更高。

基于GASF与MSVM的放射性核素识别方法

提出了一种基于格拉姆角和场(GASF)与基于Mahalanobis距离的支持向量机(MSVM)的核素识别方法。将核素γ能谱数据视为一维序列,利用GASF方法将能谱数据二维化,再利用双向二维主成分分析对二维化能谱数据进行降维以进行特征提取,设计MSVM分类器并结合遗传算法进行参数寻优,实现对γ能谱(核素)的识别,利用Geant 4仿真核素γ能谱数据对本文算法与寻峰算法、SVD-SVM算法进行了对比实验,同时在真实核素γ能谱数据上进行了识别实验。结果表明:本文方法与同类方法相比,通过利用全谱信息,有效提高了核素识别准确率;在探测距离为20 cm内,对真实探测环境中得到的不同探测距离的核素能谱的平均识别率均高于96%,表现出良好的识别性能。

基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断

针对应用传统卷积神经网络进行故障诊断时存在的过拟合现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场图像编码和迁移深度残差神经网络相结合的滚动轴承故障诊断方法。依据格拉姆角场图像编码方法对时间序列编码映射的唯一性,将原始振动信号转化为格拉姆角差场图和格拉姆角和场图,并将在ImageNet上预训练好的ResNet18模型参数,迁移到以格拉姆角场图作为输入的ResNet18中,进行不同故障模式下格拉姆角场图的特征提取和分类,从而达到故障诊断的目的。分析结果表明,所提方法相比于传统灰度图编码,更能突出不同故障模式的内在特征,与传统卷积神经网络模型相比,提出的方法具有更高的识别精度,达到99.30%,且具有更快的收敛速度和更强的鲁棒性。

基于格拉姆角场和改进残差网络的低压配电台区户变关系识别方法

低压配电台区户变关系信息是电力网络的基础性档案,准确识别低压配电台区户变关系对于电网企业尤为重要。采用一维序列分类神经网络进行台区户变关系识别时,存在序列易丢失时间依赖性、识别准确率低、准确率不稳定的问题,为此,提出一种基于格拉姆角场和改进残差神经网络的户变关系识别方法,以用户电压数据为基础,首先采用格拉姆角场方法将一维电压数据序列转换为特征矩阵,将矩阵元素对应于图像灰度采用伪彩色处理形成二维特征图谱;然后采用引入空间注意力模块进行改进的残差神经网络分类特征图谱以识别台区户变关系,采用格拉姆角场和伪彩色处理生成特征图谱,同时保留序列时间依赖性并使用空间注意力模块突出台区电压特征图谱差异,提高户变关系的识别准确率和稳定性。经实验验证,所建立的户变关系识别(CTRI)模型中台区用户识别平均准确率为98.52%,相较于一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)的平均识别准确率分别提升18.26%和10.1%。

基于格拉姆角差场和卷积神经网络的宽频振荡分类方法

宽频振荡模式具有时变性和时空分布特性,对振荡分类方法在准确性、自适应性等方面提出了更高的要求。为此,该文提出一种基于格拉姆差场(gram difference field,GADF)和卷积神经网络(convolutional neural network,CNN)相结合的宽频振荡分类方法。首先,利用GADF将宽频振荡一维时间序列转换为二维特征图,保留了数据对时间的依赖性和数据间存在的潜在联系特征。然后,通过CNN对GADF特征图自适应地完成宽频振荡模态特征的检测和分类。仿真和实测数据分析结果表明,GADF-CNN方法可以有效检测宽频振荡类型,具有更高的分类检测准确率和自适应性。

基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别

为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时间的依赖性。并由此提出基于卷积神经网络与双向门控循环单元(BiGRU)的诊断模型。首先将二维图像作为模型的输入数据,通过卷积神经网络提取图像的空间特征,再由双向门控循环单元筛选其时间特征,最终由分类器完成模式识别。通过对滚动轴承不同故障程度以及不同故障位置的诊断试验,准确率分别达到99.63%以及99.28%,其效果均优于其他常用算法,证明了所提方法的可行性。

基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场(GAF)将时间序列转变为图像格式数据,以便利用卷积神经网络(CNN)来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆(LSTM)网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差(MAE)为3.823,均方根误差(RMSE)为5.274,拟合度(R^(2))为0.8158,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。

脑电波信号多域变换与深度学习癫痫诊断

单一维度的特征检测使现有基于EEG的癫痫诊断准确性受到限制。通过将EEG转换成格拉姆角场图和小波时频图,构建一种由2个2维CNN和1个DNN的集成深度学习模型,2个2维CNN分别提取格拉姆角场图和小波时频图的特征并融合,将融合特征输出至DNN以进行癫痫融合识别。借助波恩大学的脑电数据集测试了该集成深度学习模型的有效性,结果表明,该模型对癫痫EEG识别的准确度、特异性以及敏感度分别为96.5%、95.0%以及96.0%,整体识别性能优于传统的单神经网络模型,可为癫痫等疾病的诊断提供更好的辅助功能。