一种1D-CNN与多传感器信息融合的液压系统故障诊断方法

针对液压信号复杂且难以诊断的难点,提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型(MS1D-CNN-MSIF)对液压泵与蓄能器进行故障诊断。在提出方法中,采用不同大小的卷积核对故障信号进行多尺度特征提取;然后使用多传感器信息融合策略将多个传感器的特征信号进行融合,最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明,与支持向量机、堆栈自编码、深度置信网络比较,提出模型具有更好的故障诊断性能,蓄能器识别精度可达99.50%,液压泵识别精度可达99.73%。

Time-resolved K-shell x-ray spectra of nanosecond laser-produced titanium tracer in gold plasmas

A study of a nanosecond laser irradiation on the titanium-layer-buried gold planar target is presented. The timeresolved x-ray emission spectra of titanium tracer are measured by a streaked crystal spectrometer. By comparing the simulated spectra obtained by using the FLYCHK code with the measured titanium spectra, the temporal plasma states, i.e.,the electron temperatures and densities, are deduced. To evaluate the feasibility of using the method for the characterization of Au plasma states, the deduced plasma states from the measured titanium spectra are compared with the Multi-1D hydrodynamic simulations of laser-produced Au plasmas. By comparing the measured and simulated results, an overall agreement for the electron temperatures is found, whereas there are deviations in the electron densities. The experiment–theory discrepancy may suggest that the plasma state could not be well reproduced by the Multi-1D hydrodynamic simulation, in which the radial gradient is not taken into account. Further investigations on the spectral characterization and hydrodynamic simulations of the plasma states are needed. All the measured and FLYCHK simulated spectra are given in this paper as datasets. The datasets are openly available at http://www.doi.org/10.57760/sciencedb.j00113.00032.

基于多尺度1D-CNN和注意力机制的汇率多步预测研究

深度学习在处理时间序列数据上具有优势,在汇率时间序列的应用研究中,目前深度学习主要关注于单步预测,即利用以前时点的数据预测下一个时点的汇率数据.然而,在实际应用中,这种单步预测方式往往无法为决策者提供足够的决策信息;同时,由于汇率时间序列呈现出非平稳、复杂度高等特点,直接利用传统深度学习方法进行预测无法充分挖掘汇率序列的特征及规律.为此,本研究提出一种基于多尺度一维卷积神经网络(1D-CNN)和注意力机制的汇率多步预测方法,该方法在自适应的融合多尺度特征的同时,差异化的融合汇率不同时刻的时间序列特征,实现汇率的多步预测.通过实验发现,所提方法相较于基准方法,如差分整合移动平均自回归模型、支持向量回归、随机游走、极限梯度提升算法、长短期记忆网络等具有更高的预测精度,表明该方法能够为外汇市场投资者提供决策支持.

基于多特征的雷达辐射源个体识别方法研究

为解决复杂电磁环境下基于单一特征的雷达辐射源个体识别准确性低、稳健性不强的问题,提出了一种基于多种特征的雷达辐射源融合识别方法。该方法以脉冲前沿包络、载波频率偏差以及谐波衰减系数为识别特征,通过设计多通道结构的一维卷积神经网络,实现不同结构特征的融合识别。实验表明,该方法在低信噪比条件下依然具有较好的识别率,能够有效解决复杂电磁环境下基于单一特征的雷达辐射源个体识别的效果不佳问题。

低过采样数字调制信号的多尺度一维卷积神经网络解调器

针对应用深度学习方法对数字调制信号进行解调时过采样要求较高的问题,设计低过采样的多尺度一维卷积神经网络数字解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能保证传统解调方法相同的误码性能。仿真结果表明,在高斯和Rayleigh衰落信道下,给出的数字调制信号解调器可以在保证解调误码性能的同时,减少了对采样倍数的要求,降低了神经网络结构的复杂性。

基于多模态特征融合的飞机货舱火警探测技术

针对当前飞机货舱火警误报率高及人工特征提取适应性差的问题,使用一维卷积神经网络,建立了多模态融合火警预测模型,进行特征提取,开展模型的评估与验证,将特征提取与分类进行整合,实现了端到端的火警预测任务,提高了模型的可靠性与准确性。采用双波长烟雾探测技术,探测悬浮颗粒物的索特平均粒径、温度、红外光和蓝光的接收光与发射光功率比值。相较于传统火警探测算法将特征提取和分类分开处理策略,按照无火、阴燃、有火3种类别,进行火警信息的分类预测。结果表明,多模态融合的火警探测模型相对于单模态火警探测模型可以达到更高的探测精度,精度可达0.95以上。

基于多时间粒度时空图网络的蜂窝网络流量预测

蜂窝网络流量预测对于运营商提高网络服务质量、降低能耗、优化资源配置具有重要意义。针对当前蜂窝网络流量预测方法无法同时提取多时间粒度序列特征和空间特征的问题,提出一种基于多时间粒度时空图神经网络的蜂窝网络流量预测方法。该方法首先将基站历史数据建模为多个时间粒度的时序数据,并使用一维卷积网络提取每个序列的特征,然后使用图注意力网络对多时间粒度的特征进行聚合得到单一基站的数据特征,最后将多个基站的特征进行空间聚合,并使用全连接层将每个基站聚合后的特征映射为预测结果。实验选择公开数据集Telecom Italia验证该方法的有效性,使用RMSE和R 2作为预测结果的评价指标,与当前已有方法相比该方法可取得最好的预测结果。论文最后分析了不同时间粒度序列对最终预测结果的影响,结果表明时间粒度位于40分钟至1.5小时之间的序列对提高模型预测效果的贡献最大。

基于多表示动态自适应的不同工况下滚动轴承故障诊断

在对不同工况下的滚动轴承进行故障诊断时,要收集足够多标记的故障样本是非常困难的。为此,以原始振动信号作为神经网络的输入,通过多表示动态自适应(MRDA)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性,从而构建了一种新的深度迁移模型,即一维多表示空洞动态自适应迁移网络(1D MRDDATN)。首先,对迁移学习数据分布进行了问题分析,对DDA进行了理论推导;然后,在一维空洞卷积基础上,创建了一维多表示空洞卷积神经网络(1D MRDCNN),并提出了MRDA算法和多表示动态自适应结构(MRDAM),形成了一维多表示空洞动态自适应迁移网络(1D MRDDATN);最后,采用美国凯斯西储大学(CWRU)的滚动轴承数据集进行了实验验证。研究结果表明:与传统的深度迁移学习方法相比,上述方法的平均诊断准确率有所提升,可达到98%以上;MRDA通过多表示对齐来完成不同工况下的跨域分类任务,自适应地捕获不同方面的信息,可以获得更好的性能。

融合注意力与卷积的系统调用异常检测

基于系统调用数据是实施主机异常检测的一种有效手段,然而现有检测技术无法有效应对混淆攻击。提出一种融合注意力与卷积的系统调用异常检测模型,能够同时关注到系统调用序列展现的进程全局行为与每一个时间窗口的局部行为。首先,设计了一种混淆攻击数据模拟生成方法解决样本数据不平衡问题,提出基于进程行为特征的序列补齐方法增强系统调用语义特征;其次,融合注意力机制与一维权重卷积网络同时从系统调用序列的全局与局部提取数据特征;最后,基于单一变量原则和交叉验证方式获得最优异常检测模型,进而得到异常检测结果。与其他传统异常检测方法对比得出,所提模型具有更高的准确率(96.6%)和较低的误报率(1.9%),同时此模型具有抵抗混淆攻击的能力。

基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断

为解决在复杂工况下风力发电机组轴承故障诊断虚警率高的问题,提出一种端到端的混合深度学习框架——基于多种小波变换的一维卷积循环神经网络。首先,通过多种小波变换得到多个时-频矩阵,以充分提取信号特征;再通过一种扩展的LSTM,对多通道时-频矩阵不同时间步信息进行提取,捕获时-频数据时空特征;最后,通过全局池化层和分类层对故障状态进行分类。实验结果表明:在复杂工况下,多种小波变换的一维卷积循环神经网络对风力发电机组轴承故障识别率能够达到95%以上。

基于一维靶标的多摄像机现场全局校准

基于一维靶标特征点共线的特点,提出一种多摄像机全局校准方法。以其中一个摄像机坐标系为基础,建立全局坐标系,称该摄像机为基础摄像机。在基础摄像机与待校准摄相机前将一维靶标无约束摆放至少两次。计算每个摆放位置一维靶标所在空间直线在图像中的消影点。结合一维靶标点共线的特点,分别求解全部一维靶标点在两个摄像机坐标系下三维坐标。通过两个摄像机坐标系下一维靶标对应特征点的三维坐标求解待校准摄像机坐标系到基础摄像机坐标系的转换矩阵,采用非线性优化方法求解转换矩阵的最优解。当摄像机多于两个时,通过两两摄像机校准的方式完成多摄像机全局校准。该方法不需要高精度外部辅助设备、简单灵活、实用性强。试验证明该方法灵活方便,切实可行。

基于自由运动一维标定物的多摄像机参数标定方法与实验

一维标定方法易于实现且标定效率高,为了克服现有一维标定方法的一些不足,本文提出一种用一维标定物标定多摄像机内外参数的方法,首先进行两两标定,在此过程中,假定主点坐标近似已知而仅考虑畸变、焦距、旋转和平移等参数,接着利用基本矩阵及一维标定物上特征点之间的几何约束,估计两摄像机的内外参数,两两标定完成后,采用Dijkstra最短路径法和捆绑调整对多摄像机系统进行全局标定(含主点坐标),仿真和真实实验表明本文的方法是切实有效的.

基于动态加权的多尺度残差网络旋转机械故障诊断算法

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。

一种多摄像机视觉系统的标定方法

设计了一种标定多摄像机视觉系统的方法,在多摄像机场景中,放置共线的2点(一维标靶)并使其围绕1个固定端点摆动;通过多摄像机从各自角度同步拍摄,标定出各摄像机含径向畸变系数的内外参数。文中使用的标定物制作简单,解决了标定物各角度的可见性问题,适用于对分布式安放的多台摄像机进行集体标定。

采用张量分解的四摄像机测量系统标定方法

摄像机标定是精密三维视觉测量的关键,为了实现对多摄像机测量系统的精确标定,首先分析了现有基于一维靶标的多摄像机标定方法的优缺点,并针对其不足,提出了一种基于张量分解的多相机标定方法,该方法主要包括以下三个方面的内容:(1)利用透视投影成像模型和刚体变换理论建立多摄像机测量的数学模型;(2)分析现有基于基本矩阵的多摄像机标定方法存在标定结果之间相互耦合的问题;(3)将四摄像机测量系统的四焦张量引入标定过程中,利用一维标定靶标的成像点坐标求解的四摄像机测量系统的四焦张量,并根据四焦张量的简化求解方法来精炼获取摄像机矩阵。最后,通过实验验证了该方法的有效性和准确性,实验结果表明:(1)四摄像机三维测量系统的标定可仅通过三组标定靶标图像即可实现,且标定操作效率相对于基本矩阵法更高;(2)在4 000 mm×4 000 mm×2 000 mm范围内,多摄像机测量系统的精度达到4 mm (3σ),相比于传统方法具有更精确的标定结果。满足室内运动目标位姿精确测量的要求。

基于深度学习的船舶机械微小故障快速诊断方法

微小故障的快速诊断是预防和减少重大显著性故障发生的关键。近年来,基于卷积神经网络(CNN)的智能诊断方法已成为船舶机械领域研究的热点。然而,现行的基于图像处理框架的2D-CNN算法在处理多传感器、多通道故障数据时存在检测时间长、数据融合效率低的不足。为此,提出一种改进的1DCNN-GAP的深度学习新算法,用于船舶旋转机械的故障快速诊断。该方法首先引入1D-CNN处理多传感器数据融合问题,然后设计了一维全局均值池化层(1D-GAP)改进全连接层结构,减少传统CNN的模型参数量和诊断时间。通过将提出的方法用于滚动轴承在1马力、2马力和3马力多种负载工况下的2通道振动传感器故障监测数据进行诊断,诊断精确率分别为99.84%、99.51%和99.33%。通过与主流的SVM、KNN、DNN和2DCNN-FC算法进行对比验证,结果表明,所提方法具备更加优越的诊断性能,更适用于多传感器监测环境下微小故障的快速诊断。

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,提出了产品数据空间和一维卷积神经网络(one-dimensional convolutional neural networks,1D-CNN)-长短期记忆(long short-term memory,LSTM)神经网络的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明:1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。

带约束的多辐射场源半航空瞬变电磁一维自适应正则化反演方法

基于多辐射场源半航空瞬变电磁法,研究了一种带约束的适用于垂直分量的一维自适应正则化反演算法。该算法在Occam反演的基础上,采用CMD自适应调节方案改进了拉格朗日乘子的处理方式,利用自然边界条件和模型修正量可行下降方向法对反演过程进行约束,在提高反演过程计算效率的同时,保证反演结果的稳定性和可靠性。层状模型试算结果表明,该算法可以通过较少的迭代次数和计算时间获得较好的反演结果,HK型模型的反演结果证实该算法对层数更多的复杂地电构造仍具有较好的适应性和有效性;含噪数据的反演结果表明即使包含噪声,不超过10次迭代即可获得满意的结果,反演算法具有较好的稳定收敛性,验证了该算法进行多辐射场源半航空瞬变电磁资料解释的可行性和有效性。

光子晶体多通道可调谐偏振滤波器的设计

利用光学传输矩阵法研究了一维光子晶体偏振滤波性能,通过计算机数值计算和理论分析,得出多通道偏振滤波器透射性能的影响因素:通过改变周期层折射率,可以增加或减少偏振缺陷模个数。在此基础上,可设计出可见光范围内通道数和滤波波长可变的偏振滤波器,该设计在现代光通讯系统,特别是波分复用技术(WDM)中有着重要的应用价值。

备自投装置在多路电源配电系统中的应用

通过对备自投装置PCS-9651D的工作原理以及配电系统一次系统方案的研究,改进了PCS-9651D装置的典型应用方案,将其应用到多路电源配电系统中,并通过通电试验对该配电系统进行了验证。试验结果表明,改进后的应用方案切实可行。