多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

基于RCNN-ABiLSTM的机械设备剩余寿命预测方法

针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题，提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network, RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练RCNN提取监测数据的深度空间特征；然后通过引入注意力机制，优化双向长短时记忆网络提取时间相关特征的权重参数，加强关键退化信息对剩余寿命预测的表达；最后通过航空发动机数据集验证了方法的有效性。分析结果表明，对于运行条件复杂和故障模式多变的多维监测数据，所提方法能够准确寻找退化时间点，有效提高长时间运行设备的剩余寿命预测准确度。     

基于时间序列数据扩增和BLSTM的滚动轴承剩余寿命预测方法

针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。     

基于退化特征相似性的航空发动机寿命预测

针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通〖JP2〗过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。     

基于卷积神经网络的低空风切变类型识别

针对激光雷达低空风切变信号图像的类型识别问题,提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的多层特征提取及自适应融合算法。该方法可以有效解决网络逐层训练过程中信息丢失的问题。首先,采用DCNN提取低空风切变信号图像的各层网络特征,并将各特征进行L2范数标准化实现同趋化。其次,将其以多通道图像形式输入单层CNN进行自适应融合,将融合特征送入支持向量机进行分类识别。结果表明,采用所提算法进行低空风切变图像类型识别的平均识别率为98.1%,与其他4种算法相比均有提升。所提算法能更有效地实现低空风切变信号图像类型识别。     

基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中特征提取及识别问题, 提出了一种基于一维堆叠池化融合卷积自编码器(one-dimensional stacked pooling fusion convolutional autoencoder, 1D SPF-CAE)的识别方法。首先构造一维池化融合卷积自编码器(one-dimensional pooling fusion convolutional auto-encoder, 1D PF-CAE), 在编码阶段, 采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取HRRP的结构特征; 然后堆叠多个1D PF-CAE形成1D SPF-CAE; 最后使用标签数据对网络进行微调, 实现HRRP目标识别。并使用AdaBound算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明, 该方法具有较强的特征提取能力, 对于HRRP目标识别准确率高、鲁棒性强。     

基于一致性检验的航空发动机剩余寿命预测

针对目前没有将退化的多阶段性和维修前的退化数据用于维修后的剩余寿命预测问题,提出了一种基于多阶段Wiener过程的正态总体均值和变异系数一致性检验的剩余寿命预测方法。首先选用Wiener过程构建多阶段的退化模型;然后根据维修前后的退化监测数据,提出了正态总体均值的一致性检验方法,在检验结果的基础上根据变异系数的倒数构造H随机变量,提出了一种基于概率分布的数据一致性检验方法。最后,根据维修前后的退化数据的一致性检验结果,融合维修前后的退化数据进行剩余寿命的预测,通过预测误差对比结果证实了所提检验方法的有效性。     

基于LSTM-DBN的航空发动机剩余寿命预测

针对航空发动机剩余寿命(remaining useful life, RUL)预测中多传感器监测数据维度高、规模大以及时间序列信息考虑不充分等问题,提出一种融合长短时记忆(long short-term memory, LSTM)网络和深度置信网络(deep belief network, DBN)的RUL预测方法。首先,利用LSTM分别对单一传感器进行时间序列预测。其次,将预测结果整合输入到DBN进行健康指标提取。再次,结合健康指标预测曲线和失效阈值得到RUL预测结果。最后,利用商用模块化航空推进系统仿真数据集开展实验,并与已有方法进行对比分析,验证了该方法的可行性和有效性。     

基于退化与寿命数据融合的产品剩余寿命预测

产品的剩余寿命预测是其维修、更换和备件策略制定的重要依据。目前的寿命预测方法一般仅利用产品自身的性能退化数据,当性能退化数据较少时,剩余寿命预测结果精度难以保证。针对性能退化过程为具有随机效果的Wiener过程的产品,对其进行寿命预测时,采用Bayes方法融合产品的历史寿命信息和该产品自身的性能退化信息,得到性能退化参数的Bayes估计,进而得到该产品的剩余寿命分布,从而提高剩余寿命分布的预测精度。金属化膜脉冲电容器剩余寿命预测分析实例表明了该方法的有效性。     

隐含非线性退化设备的剩余寿命在线预测方法

随机退化设备在实际运行中会产生非线性、隐含性等问题,对其剩余寿命预测会产生不确定性影响。现有剩余寿命预测方法尚未系统研究隐含非线性退化建模及相应的剩余寿命分布。因此,采用Wiener过程,建立了隐含双重非线性退化模型;利用设备现场监测数据,更新了隐含状态的后验分布;利用全概率公式,基于首次达到失效阈值的时间分布推导出设备剩余寿命分布;基于激光器实测退化数据设定仿真参数,对所提方法的正确性和合理性进行了对比验证。     

新型的基于堆栈式ELM的时变信道预测方法

针对高速移动场景正交频分复用(orthogonal frequency division multiplexing,OFDM)系统,提出了一种新的基于堆栈式极限学习机(extreme learning machine,ELM)的时变信道预测方法.为了捕获输入数据的深层信息,基于单隐藏层神经网络,首先利用堆栈式ELM方法...     

基于改进匹配网络的单样本学习

当前深度学习是基于大量标注数据样本通过多层网络实现模型自动识别。然而,在很多特殊场景下,难以获取大量标注样本数据,小样本物体识别仍是深度学习下关键性的难题。针对这一问题,首先利用4层深度卷积神经网络(deep convolution neural network,DCNN)提取训练样本和测试样本的高层语义特征,然后基于改进的匹配网络分别采用双向LSTM和attLSTM算法对训练样本和测试样本深入提取更加关键和有用特征并进行编码,最后在平方欧氏距离上利用softmax非线性分类器对测试样本进行分类识别。实验通过Omniglot数据集对提出的改进模型进行测试,取得了非常好的效果。改进的模型即使在最复杂的20 way 1 shot情况下,依然能够达到93.2%的识别率,Vinyals的原创匹配网络模型在20 way 1 shot的情况下只能达到88.2%的识别率,与原创匹配网络模型相比,改进的模型在类别数更多而样本数较少的复杂场景下具有更好的识别效果。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾.针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural netw...     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。     

HRRP稀疏自编码器深层特征与散射中心特征的关联性研究

利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile, HRRP)进行了学习训练, 基于各层权重系数矩阵定义了一种综合权重系数, 通过综合权重系数和降维特征与散射中心特征的对比分析, 发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性, 并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络, 经过深层学习后获取训练后的权重系数和降维后的特征, 并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明, 综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵, 反映了距离域强散射中心位置随角度变化的可能的分子集; 降维特征能够实现对强散射中心的学习和提取, 反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响, 可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究, 为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。     

基于卷积神经网络的水下目标特征提取方法

针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构。该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失。以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他方法相比,有效提高了目标的识别精度。所提框架能有效分类识别水下目标,具有良好的识别精度,且具备模块化结构,无需复杂预处理,实现简单。     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-DCNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。