基于深度卷积网络的多传感器信号故障诊断方法研究

针对传统故障诊断方法中多传感器数据融合技术难度大、特征提取困难等问题,提出了一种基于深度卷积网络的多传感器信号故障诊断方法,通过构建测量数据帧进行卷积计算实现多通道数据的自然融合,利用深度网络结构实现高层特征的自动提取和分类,从而高效地实现了故障分类诊断；经分别采用小规模数据集REF和大规模故障数据集BI02进行实验验证,均取得了较高的故障识别准确率,具有很强的工程应用价值。     

基于改进U-Net++和近红外光谱技术的羊毛含量快速定性分析方法研究

羊毛制品因其柔软、保暖性好等优点广受欢迎,羊毛含量是衡量这类产品质量的重要依据。目前市场上羊毛制品质量参差不齐,传统检测方法具有破坏性大、主观性强等缺点,已无法满足实时快速评估目标羊毛制品质量情况的需求。近红外光谱技术是一种无需破坏样品结构、可模型封装操作的快速测量方法。将近红外光谱技术和深度学习技术融合,提出了一种基于注意力机制和U-Net++网络的羊毛含量快速定性分析方法。在数据准备方面,使用手持便携式光谱仪采集羊毛制品样本的光谱数据,其波段范围为908.1～1 676.2 nm,并根据其含量的不同对原始样本进行了等级划分。为减少光谱采集方式对建模数据集的影响,针对同一样本在距探头5, 6, 8, 9和19 mm 5种高度,分别采集了5次光谱数据,并使用马氏距离法剔除异常样本,最终共5 125组光谱数据用于建模。在模型选择方面,U-Net++网络可通过下采样、跳跃连接和上采样等环节实现对光谱数据的特征提取,并进一步对样本进行分类预测。然而,该网络使用了大量密集的跳跃连接,易产生模型参数冗余、低层特征被重复使用等问题。鉴于此,在原始网络的基础上引入了注意力门控模块,可以更有效地提取特...     

深度学习与辐射传输模型协同的气溶胶反演

传统气溶胶反演方法通常先基于模型假设确定地表反射率,但反演结果会受到假设的影响;而深度学习方法基于数据驱动,能在气溶胶定量反演中得到更加准确、高效的结果,但模型训练需要充足的优质样本数据支持。为此,使用大气辐射传输模型构建模拟样本,支持深度学习方法实现气溶胶定量反演,旨在解决当前训练数据代表性不足、数据获取困难的问题。利用辐射传输模型模拟不同参数条件下传感器获得的辐射信息,考虑概率组合及筛选标准限制进行模拟数据构建,并使用深度置信网络（DBN）对模拟样本进行训练,获得气溶胶反演模型。将模型应用于Landsat-8数据,在中国北京地区开展气溶胶反演实验。最后使用AERONET地面站点的实测数据对反演结果进行精度验证。验证结果表明,模型估算的气溶胶与站点测量值吻合良好,相关系数为0.8989,均方根误差为0.1029,约74.05%的估算值在误差标准内。本文提供了一种基于辐射传输方程构建样本数据集的思路,可减少样本质量与数量导致的局限性,实现深度学习方法对气溶胶光学厚度的高精度反演。     

基于支撑先验与深度图像先验的无预训练磁共振图像重建方法

基于深度学习的磁共振成像(magnetic resonance imaging, MRI)方法需要大规模、高质量的病患数据样本集进行预训练.然而,由于病患隐私及设备等因素限制,获取大规模、高质量的磁共振数据集在实际临床应用中面临挑战.本文提出一种新的基于深度学习的欠采样磁共振图像重建方法,该方法无需预训练、不依赖训练数据集,而是充分利用待重建的目标MR图像的结构先验和支撑先验,并将其引入深度图像先验(deep image prior, DIP)框架,从而削减对训练数据集的依赖,提升学习效率.基于参考图像与目标图像的相似性,采用高分辨率参考图像作为深度网络输入,将结构先验信息引入网络;将参考图像在小波域中幅值大的系数索引集作为目标图像的已知支撑集,构造正则化约束项,将网络训练转化为网络参数的最优化求解过程.实验结果表明,本文方法可由欠采样k空间数据重建得到更精确的磁共振图像,且在保留组织特征、细节纹理方面具有明显优势.     

基于生成对抗式神经网络的红外目标仿真方法

提出了一种应用于红外目标仿真的模型。利用训练后的条件深度卷积生成对抗网络,只需输入随机噪声和类别标签,便能够自动产生预期类别的红外目标仿真图像。在手写数字数据集(MNIST)和红外数据集上分别训练模型参数,再进行自动生成实验,均可以产生高真实度的样本图像;将判别网络提取的特征用于分类实验,并将所提方法合成的图像用于数据增强,以提升分类器性能。研究结果表明,所提方法能够有效模仿红外辐射特征。     

视频监控下利用改进型C3D-RF的人群异常行为检测

传统基于卷积神经网络(CNN)算法的人群异常行为检测方法由于采用二维卷积核提取图像特征,故无法准确捕捉视频流在时序上的动态特征。为此,提出一种基于改进C3D网络与随机森林(RF)算法相结合的检测方法。利用具有时间特征捕捉能力的C3D网络进行视频流梯度方向直方图(HOG)特征提取,并作为三维卷积核输入以实现对视频时空特征的提取;使用随机森林分类器替代softmax全连接层以避免训练过程中繁琐的梯度计算操作,并降低对训练数据集样本规模的要求;基于基准数据集的算例结果表明,所提出的改进C3D-RF方案对人群异常行为的检测准确率保持在90%以上,且与传统C3D网络、支持向量数据描述模型(SVDD)、编码深度卷积神经网络(CAE)等方法相比,其训练时间缩短了15.34%以上。     

基于深度架构网络的矮新星自动分类研究

矮新星是一类特殊而稀少的半相接双星。发现更多的矮新星对于深入研究物质转移理论、理解密近双星演化过程意义深远。利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。传统的自编码器是仅包含一个隐层的经典神经网络模型,编码能力有限,数据表征学习能力不足。模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征,通过对底层特征的逐渐抽象学习获得高层特征,进而提高光谱的分类准确率。以自编码器为基础构建了由输入层、若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络,用于处理海量的光谱数据集,挖掘隐藏在光谱内部具有区分度的深度结构特征,实现对矮新星光谱的准确分类。鉴于深度架构网络的参数设置会严重影响所构建网络的性能,将网络参数的优化分为逐层训练和反向传播两个过程。预处理后的光谱数据先由输入层进入网络,再经自编码器算法和权值共享实现对网络参数的逐层训练。反向传播阶段将初始样本数据再次输入网络,以逐层训练所得的权值对网络初始化,再把网络各层的局部优化训练结果融合起来,根据所设置的输出误差代价函数调整网络参数。反复地逐层训练和反向传播,直到获得全局最优的网络参数。最后由末隐层作为重构层搭建支持向量机分类器,实现对矮新星的特征提取与分类。网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减,并由反向传播算法微调整个网络,从而防止发生深度过拟合现象,减少因隐层神经元间的相互节制而学习到重复的数据表征,提高网络的泛化能力。该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力,其特征检测层可从无标注数据中隐式地学习到深度结构特征,有效刻画光谱数据的非线性和随机波动性,避免了光谱特征的显式提取,体现出较强的数据拟合和泛化能力。不同层之间的权值共享能够减少冗余信息的干扰,有效化解传统多层次架构网络易陷入权值局部最小化的风险。实验表明,该深度架构网络在矮新星分类任务中能达到95.81%的准确率,超过了经典的LM-BP网络。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率，蕴含着丰富的空间光谱信息，近年来被广泛用于城市地物分类中。在高光谱图像分类过程中，空间光谱特征的提取直接影响着分类精度；传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理，因而丢失了大量的复杂、有效信息；卷积神经网络（CNN）虽然可以自动提取空间光谱特征，在保留图像空间信息的同时，简化网络模型，但是，随着网络深度增加，网络分类产生退化现象，而且网络间缺乏相关信息的互补性，从而影响分类精度。该工作引入CNN自动提取空间光谱特征，并且针对CNN深度增加所导致的退化问题，设计了面向地物分类的高光谱特征融合残差网络。首先，为了降低高光谱图像的光谱冗余度，利用PCA提取主要光谱波段；然后，为了逐级提取光谱图像的空间光谱特征，定义了卷积核为16，32，64的低、中、高3层残差网络模块，并利用64个1×1的卷积核对3层特征输出进行卷积，完成维度匹配与特征图融合；接着，对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量；最后，引入具有可调节机制的Large-Margin Softmax损失函数，监督模型完成训练过程，实现高光谱图像分类。实验采用Indian Pines，University of Pavia和Salinas地区的高光谱图像来验证方法有效性，设置批次训练的样本集为100，网络训练的初始学习率为0.1，当损失函数稳定后学习率降低为0.001，动量为0.9，权重延迟为0.000 1，最大训练迭代次数为2×104，当3个数据集的样本块像素分别设置为25×25，23×23，27×27，网络深度分别为28，32和28时，3个数据集的分类准确率最高，其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%，平均Kappa系数为0.98。实验结果表明，基于残差网络的分类方法能够自动学习更丰富的空间光谱特征，残差网络层数的增加和不同网络层融合可以提高高光谱分类精度；Large-Margin Softmax实现了类内紧凑和类间分离，可以进一步提高高光谱图像分类精度。     

多特征尺度融合改进Faster-RCNN视网膜微动脉瘤自动检测算法

视网膜微动脉瘤的检测对于早期发现糖尿病视网膜病变等重要疾病至关重要,但该病灶尺寸相对较小,属于眼底图像中的微小目标,现有的微动脉瘤检测算法难以实现该病灶的精准检测,为此提出了基于多特征尺度融合的改进Faster-RCNN微动脉瘤自动检测算法。该算法在Faster-RCNN网络模型的基础上,首先采用多特征尺度融合对特征提取网络与RPN结构进行改进以提高网络对于微小目标特征的利用;然后,通过感兴趣区域齐平池化以消除感兴趣区域池化过程中引入的量化误差;最后,通过对损失函数中的smooth L1损失函数进行重新设计得到平衡L1损失函数以实现损失函数优化,从而有效降低大梯度难学样本与小梯度易学样本间的不平衡问题,进而使得模型能够得到更好地训练。针对眼底图像中微动脉瘤的自动检测,将优化后的Faster-RCNN网络模型在Kaggle数据集上进行训练及测试,并与其他方法进行对比。实验结果表明,与其他各种结构的Faster-RCNN网络模型相比,所提出的基于多特征尺度融合的改进Faster-RCNN算法能显著提高检测结果（F-score与原始FasterRCNN相比提升了9.36%）;与其他网络模型以...     

面向嵌入式平台的轻量化神经网络手势识别方法

针对传统基于图像分割和特征提取的手势识别算法在复杂背景下识别准确率低、灵活性差的问题,基于目标检测神经网络的手势识别算法可以有效提高复杂环境下手势识别的准确性。受嵌入式处理器体积和功耗的限制,常用的目标检测神经网络在嵌入式上的识别速度较低,不能满足实时手势识别的要求。在SSD目标检测的基础上对其进行优化,使用MobileNetv3网络实现特征提取,目标检测方面则是使用SSD-lite结构,其使用深度可分离卷积替代普通卷积,实现了轻量化MobileNetv3-SSDLite手势识别算法的设计。针对手势识别的要求,制作了包含不同手势的数据集,利用它在服务器上完成了模型的训练。为了满足嵌入式的算力限制,通过模型的量化压缩将float64的网络参数量化为int8,并压缩网络结构,提高网络在嵌入式上的推理速度,实现基于嵌入式的手势识别。实验结果表明,基于嵌入式的MobileNetv3-SSDLite手势识别算法可以达到平均准确率99.61%,且识别速度达到每秒50帧以上,满足实时手势识别的要求。     

基于LGSPP-Bayes的故障检测与辨识方法

针对主元分析(Principal component analysis, PCA)和局部保持投影(Locality preserving projections, LPP)方法在降维过程中分别只能保留数据集的整体信息和局部信息,提出一种基于局部整体结构保持投影的贝叶斯故障检测与辨识方法(Local and global structure preserving projections and bayes, LGSPP-Bayes)。首先,将正常工况操作下的原始数据通过局部整体结构保持投影方法投影到低维特征空间,得到高维到低维的数据转换矩阵;然后通过设计贝叶斯分类器来进行故障检测;最后当检测到故障后通过计算贝叶斯分类函数的大小来识别故障种类。将LGSPP-Bayes方法应用于TE过程,仿真结果表明对故障的检测优于其他方法,并且可以很好地将故障种类识别出来。     

基于灰色预测和KID离群点检测的AUV故障诊断

提高故障诊断能力对于确保水下机器人AUV系统的稳定运行具有重要意义。针对水下机器人推进器系统,提出一种基于离群点检测的AUV故障检测方法。首先,将传感器采集的数据进行灰色预测处理;然后,提出了一种结合K-mean和DBSCAN的改进迭代聚类(Iterative K-mean DBSCAN,IKD)算法进行离群点检测;最后,与K-mean和DBSCAN算法相比,仿真实验结果表明基于灰色预测和KID离群点检测算法的故障检测准确率高,能够有效地实现水下机器人AUV的无监督故障诊断。     

电阻放大法检测开尔文电桥故障

实验教学中开尔文电桥很难找到平衡,而故障检测工作又较繁琐,文章提出一种快速检测故障的方法,即电阻放大法检测开尔文电桥故障。     

A New Deep Dual Temporal Domain Adaptation Method for Online Detection of Bearings Early Fault

With the quick development of sensor technology in recent years, online detection of early fault without system halt has received much attention in the field of bearing prognostics and health management. While lacking representative samples of the online data, one can try to adapt the previously-learned detection rule to the online detection task instead of training a new rule merely using online data. As one may come across a change of the data distribution between offline and online working conditions, it is challenging to utilize the data from different working conditions to improve detection accuracy and robustness. To solve this problem, a new online detection method of bearing early fault is proposed in this paper based on deep transfer learning. The proposed method contains an offline stage and an online stage. In the offline stage, a new state assessment method is proposed to determine the period of the normal state and the degradation state for whole-life degradation sequences. Moreover, a new deep dual temporal domain adaptation (DTDA) model is proposed. By adopting a dual adaptation strategy on the time convolutional network and domain adversarial neural network, the DTDA model can effectively extract domain-invariant temporal feature representation. In the online stage, each sequentially-arrived data batch is directly fed into the trained DTDA model to recognize whether an early fault occurs. Furthermore, a health indicator of target bearing is also built based on the DTDA features to intuitively evaluate the detection results. Experiments are conducted on the IEEE Prognostics and Health Management (PHM) Challenge 2012 bearing dataset. The results show that, compared with nine state-of-the-art fault detection and diagnosis methods, the proposed method can get an earlier detection location and lower false alarm rate.     

一种嵌入式边界扫描测试数据压缩及合成方法

随着嵌入式测试概念的产生,边界扫描技术作为高密度电路板故障检测的主流技术,将结合嵌入式测试方法,成为板级乃至系统级故障检测的新研究方向。嵌入式边界扫描是电路板级故障检测的必然发展趋势。文中首先介绍了嵌入式边界扫描技术,然后提出了一种嵌入式边界扫描测试数据压缩及合成方法,阐述了嵌入式边界扫描的数据生成及下载,最后以某数字电路板为对象进行了嵌入式边界扫描测试验证,并给出结论。总体上,嵌入式边界扫描测试以增强测试自动化、提高测试覆盖率和测试效率为目的,能够更好的降低产品整个寿命周期的测试维修成本。     

基于动态核主元分析的大功率LED阵列动态光源在线状态观测与故障诊断

大功率LED阵列动态光源工作过程中光电热参数具有不确定性和时变时滞非线性特点,利用动态核主元分析方法（DKPCA）对大功率LED阵列动态光源进行在线状态观测与故障诊断能有效地捕捉观测数据的非线性和相关性特征,根据历史数据的主元特征计算出的统计量阈值和在线数据的统计特征实现故障检测,利用重构贡献图法实现故障的分离。仿真实验表明,对大功率LED阵列动态光源典型的传感器和执行器故障进行有效监测和诊断相对于核主元分析方法对故障更为敏感,故障检测率最高提高了7.5%,误检率下降了4.2%。     

一种基于特征点提取的扬声器异常声检测方法

针对短时傅里叶变换在扬声器异常声检测中有效信息提取的随机性问题,提出了特征点法在扬声器异常声检测中的应用.此方法基于扬声器经扫频信号激励所得响应信号的短时傅里叶变换时频图,用改进的尺度不变特征转换算法对合格扬声器与异常声扬声器做特征提取,并将多组特征点经分割剔除后叠加组成特征矩阵模板.以合格扬声器样本提取特征曲线阈值构...     

ARX model-based gearbox fault detection and localization under varying load conditions

The development of the fault detection schemes for gearbox systems has received considerable attention in recent years. Both time series modeling and feature extraction based on wavelet methods have been considered, mostly under constant load. Constant load assumption implies that changes in vibration data are caused only by deterioration of the gearbox. However, most real gearbox systems operate under varying load and speed which affect the vibration signature of the system and in general make it difficult to recognize the occurrence of an impending fault.This paper presents a novel approach to detect and localize the gear failure occurrence for a gearbox operating under varying load conditions. First, residual signal is calculated using an autoregressive model with exogenous variables (ARX) fitted to the time-synchronously averaged (TSA) vibration data and filtered TSA envelopes when the gearbox operated under various load conditions in the healthy state. The gear of interest is divided into several sections so that each section includes the same number of adjacent teeth. Then, the fault detection and localization indicator is calculated by applying F-test to the residual signal of the ARX model. The proposed fault detection scheme indicates not only when the gear fault occurs, but also in which section of the gear. Finally, the performance of the fault detection scheme is checked using full lifetime vibration data obtained from the gearbox operating from a new condition to a breakdown under varying load.