CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用

针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型。首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。使用Spectra Quest机械故障综合模拟试验台实测数据集对模型进行验证,试验结果表明,与多层感知器、LSTM网络以及经典的LeNet5、AlexNet、VGG相比,所提出的CNN-LSTM模型的分类平均准确率可达99%以上,且模型结构比其他模型更简单,训练时间更短;同时,通过K折叠交叉验证算法对模型进行评价,结果表明CNN-LSTM模型计算误差较小且网络训练充分,未出现过拟合或欠拟合情况。     

船舶纵向运动控制模型的建立及仿真

针对船舶在海上运动的情况,提出了一种水动力模型的建立方法.依据切片理论建立了不同浪向下船舶纵向运动的水动力模型.基于船模水池实验,在分析442 t水面舰艇典型海况下水动力系数的基础上,通过仿真研究,推导出一种实时在线的船舶纵向运动控制模型;给出了计算实例并进行了误差均值和误差方差的可信度检验,置信度95%.该模型可实时在线地计算出船舶在任何航向、航速及海情下与频率无关的船舶纵向运动水动力系数,从而得到实时在线船舶纵向运动控制模型.所建立的水动力模型拟合均方差的相对值在0.4%～13.9%,平均拟合均方差的相对值为6.6%.通过MATLAB仿真计算证明:该模型完全能控、完全能观和渐进稳定.     

基于神经网络的船舶稳性预报研究

为省略船舶稳性计算中横摇阻尼以及船舶阻力等参数的复杂计算过程,提出一种采用径向基函数(RBF)神经网络对第二代完整稳性失效概率预报的方法.研究包括过度加速度、瘫船稳性以及骑浪/横甩3种失效模式.通过研究船舶相关参数对各失效模式失效概率的影响,确定采用RBF神经网络对每种失效模式进行预报时输入特征的选取,从而降低训练时长.使用训练后的网络对样本船稳性进行预报,采用均方误差和平均绝对百分比误差对预报结果进行评估.对3种失效模式预报结果的平均绝对百分比误差分别为6.49%、7.09%、5.70%,均小于10%,表明采用RBF神经网络可较为精准地对船舶稳性进行预报.     

基于黏性等效的船舶顶浪运动降阶预报方法

针对势流预报方法速度快但精度受黏性影响显著、黏流预报方法精度高但计算效率较低的问题,提出一种基于黏性等效的耐波性预报降阶预报方法．该方法首先基于一种强迫放大运动,快速获取船舶阻尼随运动幅度变化的特性;再根据黏性等效原则和船舶运动状态,对无黏耐波性预报模型的阻尼进行实时修正．为验证该方法的有效性,以DTMB 5415船模为研究对象,开展了顶浪环境下的水池模型试验．结果表明：该方法预报的纵摇运动响应误差低于6.2%,垂荡运动响应误差低于15.6%;在仿真时间方面,该方法预报效率比传统黏流模型高出10倍以上．     

规则波中船舶操纵与垂荡、纵摇耦合运动模拟与特性分析

采用MMG分离模型的思路,在船舶六自由度操纵性运动方程中叠加波浪垂荡力和纵摇力矩,构成波浪中船舶操纵与垂荡、纵摇耦合动力学模型,用来模拟规则波中船舶操纵与垂荡、纵摇耦合运动特性。其中的波浪力由切片法计算,船舶航向保持采用PD控制模式。采用耦合动力学模型计算了某船在规则波中保持航向时的垂荡、纵摇运动,并与试验结果进行了比较。两者的幅频曲线形式上基本一致,间接证明了耦合动力学模型的有效性。进而采用该模型计算了该船在不同浪向角和航速下保持航向稳定的垂荡、纵摇运动,以垂荡、纵摇等值极坐标曲线形式表征了船舶规则波浪中操纵与垂荡、纵摇的耦合运动特性。     

基于GA优化BP神经网络辨识的Volterra级数核估计算法

为取得更有效的船舶运动预报效果,提出了一种利用遗传算法(GA)优化单输出三层反向传播(BP)神经网络辨识Volterra级数核的算法.在船舶航行姿态时间序列的混沌特性识别基础上,分析了GA、BP神经网络和Volterra级数模型的特征.利用GA优化BP神经网络获得最优的初始权值和阈值,根据BP神经网络算法求得最终的最优权值和阈值.进行Taylor级数分解,得到Volterra级数各阶核,对船舶的横摇运动时间序列进行多步预报.仿真实验表明:所提方法预报精度高、时间长,具有有效性和适应性.     

基于神经网络PID的AUV控制方法研究

针对水下机器人各自由度之间存在较强的耦合和非线性特征，其精确的数学模型很难获得的问题，建立了水下机器人空间运动的数学模型，并根据实际需要和控制器设计的方便进行了适当简化，得到了水下机器人自由度运动模型．在此基础上，使用了基于神经网络的PID控制方法．结合水下机器人六自由度水动力模型，建立了基于BP网络的PID的水下机器人控制器，并进行了仿真环境下的试验．试验结果表明，以上控制方法较为适合水下机器人的运动控制．     

基于回声状态网络的船舶横摇运动预报

针对普通的递归神经网络训练过程较复杂,而且存在记忆渐消等问题,提出一种基于回声状态网络的船舶横摇运动预报方法.该网络将隐层设计成一个巨大的动态记忆库,具有记忆功能,隐层中的神经元在学习过程中不进行权值调整,而通过线性回归的方式训练网络,使网络记忆功能加强,学习速度加快.运用该网络对某型船舶在海浪遭遇角为90°海况下的横摇运动进行预报.结果表明:回声状态网络训练简单,加速了网络的训练速度,有更好的记忆性能,以预报60步为例,回声状态网络和对角递归神经网络预报的均方根误差分别为0.003 9和0.024 9,提高了近8倍,在相同的预报精度下,回声状态网络的预报时长明显增长,验证了该方法的可行性与有效性.     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测

降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory, LSTM)能较好地处理多要素变量与降水量之间的非线性关系。利用扬州市区1960—2019年8种气象基本要素数据,采用传统季节性自回归积分滑动平均(seasonal autoregressive integrated moving average, SARIMA)模型和深度学习LSTM神经网络方法对降水量数据进行预测比对,并着重分析了LSTM在不同类型不同输入与输出模式形态下的预测水平差异。结果表明：传统的SARIMA模型中静态模式较动态模式能更好地反映出扬州市区月降水量数据变化趋势,且与实际值差距较小。动态模式容易造成误差累积或整体易呈现周期性稳态变化,实时性欠缺。深度学习LSTM多输入单输出动态预测模式下,完整周期的数据输入可以让神经网络更好地学习数据的变化规律。然而将多个周期数据作为一个输入单位,易造成模型过拟合。LSTM模型(预期回顾look＿back=12)对扬州市区月降水量预测精度优于传统的SARIMA模型,均方根误差(root me...     

基于BP神经网络的太阳质子事件预报模型

为了提高太阳质子事件的预报精度,采用反向传播神经网络(BackPropagation,BP)建立太阳质子事件预报模型。预报模型是三层网络结构,输入层有6个神经元组成,分别对应预报因子的特征值;隐层设置3个神经元;输出层的一个单元对应于活动区是否爆发质子事件。模型选择描述活动区特征的参量作为预报因子。数据实验采用2002年的数据进行模拟预报,结果显示预报模型具有较高的报准率。     

基于BP神经网络的竹片正反面识别算法

针对竹片自动检测领域中竹片正反面识别率低的问题,提出基于BP神经网络的竹片正反面识别算法,构建并训练一个三层的3输入1输出的BP神经网络模型;提取竹片的2个纹理特征和灰度值特征值,输入经过训练的神经网络模型,计算预测的识别结果。实验结果表明:基于BP神经网络的竹片正反面识别算法在最小风险的原则下的反面识别率为97%;正面的识别率为98%;稳定性明显高于单一特征识别的稳定性。     

基于小波神经网络的船舶运动预报

利用残值学习算法进行小波节点的选择,利用Akaike 准则确定预测模型的结构,采用误差反传方法在线调整网络连接参数.通过建立的自适应神经网络模型有效辨识船舶操纵运动动态.船舶航向预报仿真结果显示,基于小波神经网络的船舶航向预测器可以较高精度预报船舶操纵运动过程中船舶航向的变化.     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

基于集合经验模态分解和 BP 神经网络的北京市 PM2.5 预报研究

利用集合经验模态分解算法(EEMD)和 BP 神经网络组成的混合模型, 对北京城区PM_2.5浓度值进行短期预报。结果表明, 与单独使用BP神经网络模型相比, EEMD-BP混合模型的预报准确率更高; 混合模型高频部分的预报误差是整体误差的主要方面; 混合模型的输入变量中需包含输出变量的信息; 前期污染物浓度的数值对模型的预报结果有较大的影响。     

运用BP神经网络对船用钢焊接收缩量建模研究

重新建立了实用的船用钢焊接收缩量计算模型．首先分析焊接变形产生的原因,然后采集实船焊接变形数据为样本,运用BP神经网络,分别建立了输入层单元数为2、隐层单元数为3、输出层单元数为1的平板对接焊及T形焊焊接收缩量的神经网络模型．介绍了网络的结构设计及其训练过程,算例及应用证明,本模型对实施船舶精度控制具有指导意义。     

基于多变量混合长短期记忆神经网络的长沙PM2.5预报模型

为了提高PM2.5浓度预报准确率,基于长短期记忆（LSTM）神经网络构建多变量混合预报模型（hLSTM）,利用空气质量数据、气象数据和日期时间信息对长沙10个空气质量监测站未来24小时PM2.5浓度进行逐小时预报,并对模型精度进行评估。结果表明：hLSTM逐小时PM2.5预报模型误差随预报时效的增加呈现前陡后缓逐步增大,均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）分别从1 h的6.53 μg·m-3、4.03 μg·m-3和16.02%增大到24 h的20.62 μg·m-3、13.56 μg·m-3和47.34%;模型误差存在明显的季节性差异,呈现冬季>秋季>春季>夏季的特征;相较于基于决策树（DTs）、循环神经网络（RNN）和普通LSTM的预报模型,hLSTM模型能更好地提取长沙PM2.5浓度数据的时序特征,达到更高的预报精度;利用hLSTM模型对长沙2019年12月13日~16日重污染天气过程PM2.5浓度进行预报,各时效的预报结果均能反映污染过程中PM2.5的变化趋势,其中3 h内的预报结果与观测值吻合程度较高。可见hLSTM可较好提取长沙PM2.5浓度变化特征,为其短临预报提供一种新思路。     

一种压电复合材料层合板机电耦合有限单元

基于压电复合材料层合板经典理论,建立了一种四边形机电耦合有限单元．所建单元具有ｍ个电自由度,可直接模拟单元中的电压作用和检测电压输出;单元每一节点具有５个位移自由度,可计及复合材料层合板的拉弯耦合变形．给出了各类刚度矩阵的形式,简述了利用Ｈａｍｉｌｔｏｎ原理推导出机电耦合基本运动方程的过程,并根据所推导的有限元素和基本方程编制了程序并进行了计算,所得结果与文献中的计算和试验结果相吻合．     

一种宽带船舶结构疲劳损伤的直接计算方法

针对宽带船舶结构疲劳损伤的直接计算问题,从各短期海况下应力的响应谱及相关参数计算、应力峰值分布模型、等效应力范围推导等方面进行分析.采用不同模型对误差函数进行数值求解,得到等效应力范围,进而得到各短期海况下的疲劳累积损伤以及长期海况下损伤值,从而形成了一种宽带船舶结构疲劳直接计算方法.以某高速三体船为例的计算结果表明,采用精确解模型所得损伤结果与雨流计数方法所得结果较为接近.