基于SDP和MCNN-LSTM的齿轮箱故障诊断方法

齿轮箱在长期使用过程中,不可避免地会产生齿轮故障和轴承故障,严重影响传动精度和设备运行安全。基于此,针对齿轮箱常见故障类型,研究多通道对称点图案(symmetrized dot pattern, SDP)数据处理方法,并利用最小能量误差法实现SDP关键参数的选取。结合多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)的空间处理优势、长短时记忆网络(long short term memory, LSTM)的时间处理优势及其良好的抗噪性和鲁棒性,提出了一种基于SDP和MCNN-LSTM的齿轮箱故障诊断模型。同时利用东南大学齿轮箱数据集,验证了基于SDP和MCNN-LSTM的齿轮箱故障诊断方法对齿轮和轴承常见故障类型特征提取的有效性,并与现有其他故障诊断方法进行对比,结果表明了所提方法具有更高的精度。

基于CEEMDAN-FastICA-MCNN的多传感信息融合轴承故障诊断

针对轴承振动信号易受噪声干扰、变工况及单一传感器提取特征信息不完备的问题,提出基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition of Adaptive Noise,CEEMDAN)、快速独立分量(Fast Independent Components Analysis,FastICA)降噪和多输入卷积神经网络(Multiple-input Convolutional Neural Networks,MCNN)的多传感信息融合轴承故障诊断方法。首先分别对多传感采集的振动信号划分数据集,并输入CEEMDAN得到本征模态函数(Inherent Nodal Function,IMF);随后,选择峭度大于3的IMF构造观测信号,其余IMF构造虚拟噪声信号,作为两个输入源输入FastICA,分离出特征向量;最后,设计MCNN识别故障类型。在CWRU和XJTU-SY数据集上的正确率分别为99.94%和99.64%。在信噪比为-8 dB的抗噪性能测试中,正确率分别为96.95%和98.29%;在信噪比为0 dB的抗噪性能测试中,正确率分别为99.00%和99.23%。对比实验结果表明此方法能够提取更为全面的故障特征信息,获得更高的准确率。

考虑外部因素的MCNN-ABiLSTM交通流量预测模型

针对交通流量序列的时间依赖性、空间相关性及易受外部因素的干扰等问题,提出一种基于多尺度卷积神经网络和融合注意力机制的双向长短期记忆神经网络自适应融合预测模型(MCNN-ABiLSTM模型)。通过串联的多尺度结构增强卷积神经网络的特征提取能力,融合注意力机制的双向长短期记忆网络提升对时序特征的连续性、周期性的挖掘能力,将2个分支特征自适应融合以提升交通流量预测的准确性。同时,通过计算各路口时序流量的皮尔逊相关系数分析交通流量的空间相关性,并提出改进粒子群算法(IPSO)设置外部因素标签值。实验结果表明,MCNN-ABiLSTM模型比其他基线模型预测准确性更高,RMSE、MAE以及MAPE均有明显下降。

基于MAC-WD-CNN-MCNN模型的超短期负荷预测

为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MACWD-CNN-MCNN。通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN网络结构,采用CNN网络和MCNN网络分别预测高低频负荷信号,最后通过小波重构输出负荷预测值。试验仿真结果表明,与CNN-GRU模型和MAC-WD-CNN-GRU模型相比,所提超短期负荷预测模型的RRMSE、MMAE、ssMAPE均更小,具有更高的预测精度。

SE-MCNN-CTC的中文语音识别声学模型

为了解决传统卷积神经网络在识别中文语音时预测错误率较高、泛化性能弱的问题,首先以深度卷积神经网络(DCNN)-连接时序分类(CTC)为研究对象,深入分析了不同卷积层、池化层以及全连接层的组合对其性能的影响;其次,在上述模型的基础上,提出了多路卷积神经网络(MCNN)-连接时序分类(CTC),并联合SENet提出了深度SE-MCNN-CTC声学模型,该模型融合了MCNN与SENet的优势,既能加强卷积神经网络的深层信息的传递、避免梯度问题,又可以对提取的特征图进行自适应重标定。最终实验结果表明:SE-MCNN-CTC相较于DCNN-CTC错误率相对降低13.51%,模型最终的错误率达22.21%;算法改进后的声学模型可以有效地提升泛化性能。

基于MCNN人群密度估算的安全预警

针对大规模人群聚集造成的拥挤和踩踏事件给城市公共安全带来的巨大损失,确定高密度人群区域进行安全预警变得至关重要。使用高斯滤降低噪声,输入到多列卷积神经网络MCNN(Multi-column Convolutional Neural Network),将图像映射为人群密度图,准确的估算人群数量,确定出高密度人群区域。在Shanghaitech数据集上实验,test_data_A部分MSE和MAE分别为229.55和162.58,test_data_B部分MSE和MAE分别为43.68和25.61。

基于改进MCNN的密度图在室内定位中的应用

北京商场购物人群众多,易发生人群拥挤踩踏事故,使得确定高密度人群区域的位置变得至关重要,因此本文引入人群密度图,确定图中人群分布情况,得出室内人群的定位信息。首先将采集的人群视频分割为图像帧,并分成训练集和测试集;然后对训练集图片作人头标签处理,生成地面实况密度图,将其作为改进的多列卷积神经网络算法的训练数据生成模型,并将模型应用于测试集图片生成人群密度图;最后运用Arc GIS对人群密度图与室内平面图作地理配准处理,从而实现对高密度人群的定位。研究结果表明,利用人群密度图确定的高密度区域的位置坐标与实际坐标值基本一致,将人群密度图应用于室内定位是可行的。

基于多尺度CNN和BiLSTM的船舶推进永磁同步电机故障诊断

鉴于船舶推进永磁同步电机(permanent magnet synchronous motor,PMSM)的匝间短路和永磁体不可逆均匀退磁故障可能导致严重的船舶航行事故,提出一种基于多尺度卷积神经网络(multi-scale convolutional neural network,MCNN)和双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)的多信号融合的故障诊断方法(MCNN-BiLSTM),用于诊断PMSM故障。该方法以振动和三相电流信号为输入,采用三列并行的不同尺度的CNN结构来提取信号的全局和局部特征;使用BiLSTM进一步提取特征并识别故障类型。在一台PMSM试验台架上进行多种工况下的故障模拟试验,结果表明与采用单一信号和其他深度学习算法的故障诊断方式相比,本文提出的故障诊断方法具有很好的抗噪声干扰能力和泛化能力。

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明:传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。

基于一维卷积神经网络的列车异响识别系统研究

在列车行驶过程中,车内异响可作为反映车辆设备状态的信息源。为此提出一种基于1D-CNN的识别模型,对车辆异响进行识别,并设计列车异响识别系统。首先构建音频数据的试验样本库,然后利用MFCC提取异响数据样本的特征信息。针对列车噪声特征与车辆状态类型间的映射关系复杂、难解耦的问题,构建一种基于MFCC输入的1D-MCNN对异响所蕴含的故障信息进行识别分类。最后对识别模型进行实验与优化,确定MFCC阶数、学习率与批尺寸等模型参数,采用t-SNE算法、混淆矩阵进行模型特征提取的分析评价。试验结果表明该方法对列车异响识别诊断效果较好,准确率达98.38%。

基于多尺度卷积神经网络的人群聚集异常预测

已有的公共场所人群聚集异常行为检测方法较少,且大多检测方法都是在人群已经异常聚集后再进行检测,检测准确率不高,时效性不够好。提出一种基于多尺度卷积神经网络(MCNN)的人群聚集异常预测模型。首先,通过多尺度卷积神经网络训练一个人群计数模型,用训练好的模型对人群聚集异常视频进行测试;然后在测试中完成人群人数统计与人群头部坐标点获取,进而计算人群密度、人群距离势能与人群分布熵;最后将得到的3种人群运动状态特征值利用PSO-ELM进行训练,得到预测模型,通过特征数据的变化,完成人群聚集行为的预测。实验结果表明,与现有算法相比,该模型能有效实现人群聚集异常行为的预警与检测,时效性强,为采取相应应急措施提供了更多时间,预测准确率达到了97.17%。

基于卷积神经网络人群计数的研究与实现

本文的目的是尝试一种方法,可以准确地估计从任意图像与任意人群密度和任意角度人群计数。为此,我们应用简单而有效的多列卷积神经网络(MCNN)架构,将图像映射到它的人群密度图。允许在任意大小或分辨率模式下输入图像。通过利用不同大小感受野的过滤器,每列卷积神经网络学习特点是自适应人/头尺寸对应透视效果或图像分辨率变化。针对这具有挑战性的任务,我们进行了大量的实验,以验证所应用模型和方法的有效性。此外,实验表明,这个模型一旦训练另一个目标数据集,可以很容易地转移到一个模式相近的新应用领域。

基于多特征融合网络的电力设备缺陷文本分类模型

针对深度学习模型特征提取不全面、静态词向量无法表示多义词等问题,提出基于多特征融合网络的电力设备缺陷文本分类模型。利用ALBERT模型动态调整词在具体上下文语境中的向量表示,获取电力文本的动态特征表示;利用多特征融合网络MCNN-TCN模块充分提取文本中的局部特征和上下文语义联系,注意力机制赋予模型聚焦于关键特征的能力。在真实电力设备缺陷文本数据集进行实验,结果表明基于多特征融合网络分类模型具有更好的分类效果,模型F1分数达到了97.28%。

结合ChineseBERT的多尺度语义协同电网故障文本分类模型

针对传统深度学习模型特征提取不全面、静态词向量语义表示质量低等问题,提出基于ChineseBERT-BiSRU-MCNN-AT的电网故障文本分类模型。ChineseBERT模型训练过程融入了字形和拼音信息,结合词的上下文信息进行动态学习,解决一词多义问题。多尺度语义协同模块BiSRU-MCNN提取故障文本局部语义和全局序列特征,确保提取特征的全面性,软注意力层赋予模型识别关键词的能力。通过对电网故障文本数据集进行实验,其结果表明ChineseBERT-BiSRU-MCNN-AT取得了最高的F1值。

基于密度引导的密集目标检测

在目标检测领域中,检测相对密集的物体时,由于存在物体相互重叠和特征相似的问题,要准确地检测物体的位置就变得很困难。因此,本文提出使用密度图产生密度损失的方法来监督网络目标网络的训练过程,以此尝试解决这个问题。网络会通过不同区域的像素点的密度强度来判断当前区域是否存在唯一一个物体,如果不同区域的密度值过大或过小则说明检测结果不正确。本文提出的方法包含两个核心部分,分别为密度生成模块和目标检测器。首先,通过密度生成模块生成准确的密度图;其次,经过密度图引导后将不合理的检测结果去除;最后,通过无人机收集一些密集的橘子图片作为数据集,并在数据集上进行实验。实验结果表明,本文方法能够明显提高目标检测器在密集数据上的检测性能。

基于空间维度循环感知网络的密集人群计数模型

考虑目前对具有透视畸变的高密度人群图像进行特征提取的局限性,提出了一种融合全局特征感知网络(GFPNet)和局部关联性特征感知网络(LAFPNet)的人群计数模型LMCNN。GFPNet是LMCNN的主干网络,将其输出的特征图进一步序列化并作为LAFPNet的输入,再利用循环神经网络(RNN)在时序维度上对局部关联性特征感知的特点将单一的空间静态特征映射到具有局部序列关联性特征的特征空间,从而有效地削减了透视畸变对人群密度估计造成的影响。为了验证所提模型的有效性,在Shanghaitech Part A子集和UCF_CC_50数据集上与原子卷积空间金字塔网络(ACSPNet)进行对比,结果表明所提模型的平均绝对误差(MAE)分别至少减小了18.7%和20.30%,均方误差(MSE)分别至少减小了22.3%和22.6%。LMCNN注重空间维度上前后特征的相关性,通过对空间维度特征与单图像内序列特征的充分融合,减小了由透视畸变引起的人群计数误差,能更加准确地预测密集区域人数,提高人群密度回归精度。

面向运动想象脑电图识别的镜卷积神经网络

目的脑电图(electroencephalogram,EEG)是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络(mirror convolutional neural network,MCNN)模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。

多层细胞神经网络模型的一般状态解及动力值域估计

针对多层细胞神经网络模型，分析了其一般状态解并对其动力值域作了估计。