【摘 要】
：
现代大型机械装备日趋复杂化、智能化与精密化,轴承作为多数机械装备的重要构成部分,一旦出现机械故障,所造成的损失与影响将相当巨大,准确的轴承故障诊断在机械健康管理中起着关键作用。近年来深度学习方法的引入为故障诊断及预测提供了新思路和新方法,该文主要研究了基于深层卷积神经网络与迁移学习的轴承故障诊断方法。首先,针对难以从原始轴承数据中获取全面的信息,以及经深度学习模型提取的大量特征对故障模式分类的重要
论文部分内容阅读
现代大型机械装备日趋复杂化、智能化与精密化,轴承作为多数机械装备的重要构成部分,一旦出现机械故障,所造成的损失与影响将相当巨大,准确的轴承故障诊断在机械健康管理中起着关键作用。近年来深度学习方法的引入为故障诊断及预测提供了新思路和新方法,该文主要研究了基于深层卷积神经网络与迁移学习的轴承故障诊断方法。首先,针对难以从原始轴承数据中获取全面的信息,以及经深度学习模型提取的大量特征对故障模式分类的重要程度不同等问题,提出了多域信息融合结合改进残差密集网络的轴承故障诊断方法。该方法通过多域变换及多域信息融合实现了从原始信号中挖掘丰富的故障信息,利用改进的深度卷积网络从信号中自适应地提取鲁棒性特征,并利用卷积注意力机制对提取的故障特征进行加权处理。该方法可以实现在既定样本量情况下有效提高故障诊断的识别准确率。其次,针对不同卷积核对特征的感受野差异与在实际工程应用中缺乏大量标记数据的情况,本章提出了基于多尺度卷积网络与迁移学习的轴承故障诊断方法。该方法通过多尺度卷积网络自适应的提取了源域和目标域丰富且互补的特征,并借助迁移学习利用相关源域标记数据信息对目标域数据进行信息补充,最后利用目标域带标签的样本测试网络的分类性能。该方法克服了目标域只有少量的带标签数据样本的问题,实现了对目标领域高准确度的故障诊断。该文提出的方法在公开数据集上进行了验证,文中通过大量对比实验,对所提方法的主要参数及其影响进行了较为深入的分析,并与常用方法进行了对比,实验结果表明了该文研究方法的有效性。
其他文献
随着互联网技术的突飞猛进,自然界中的复杂系统可以抽象为复杂网络。如何准确有效地发现复杂网络中的重叠社区,快速实现功能划分,是当今世界复杂网络领域的问题。现阶段复杂网络分为无属性复杂网络和属性复杂网络。无属性复杂网络重叠社区发现算法大都基于结构划分,然而这些算法的准确率及稳定性有待提高。部分属性复杂网络重叠社区发现算法忽略属性信息,具有较大的信息损失。部分算法虽然充分利用了结构、属性信息,但是具有较
人们的工作学习越来越离不开网络。网络给人们的生活带来便利的同时,网络漏洞攻击,如拒绝服务攻击、突发访问、蠕虫病毒等也威胁着人们的隐私和财产安全。流量异常检测在检测和预防潜在威胁方面发挥着越来越重要的作用。在流量异常检测领域,已经有大量的研究成果,但是仍然存在一些问题,例如对未知攻击类型检测率低和对少数类别识别率不高等。本文针对其中的一些难题进行研究,主要研究内容如下:首先,基于迁移成分分析的流量异
随着基于位置的社交网络（Location Based Social Network,LBSN）不断地快速进步,个性化兴趣点推荐也逐渐流行,它可以帮助用户发现其可能感兴趣的位置。然而,由于兴趣点推荐是一种隐式反馈,使得用户-兴趣点之间交互存在困难,如果没有对用户签到行为进行“区别对待”,会导致对用户偏好的挖掘不够准确,而且由于用户的签到数量在整个位置社交网络中只占很小的比例,使得签到数据存在高稀疏性
随着人工智能的兴起,以脑机接口（Brain Computer Interface,BCI）为桥梁的脑神经科学研究正迅速展开。其中对虚拟现实场景下空间认知脑电信号的分析成为该领域研究热点,通过空间认知训练前后脑电信号变化可以有效评估认知能力训练效果。目前,在空间认知脑电信号研究方面取得了不少进展,主要包括脑电信号的特征提取以及后续的数据分类。但是仍然存在着不足,主要体现在计算不同通道之间的耦合特征强
近年来,因果特征选择已逐渐成为机器学习和因果发现领域的研究热点。它通过将特征预测与因果发现联系在一起来识别目标属性（Target attribute,T）的马尔可夫毯（Markov Blanket,MB）。本文针对当前因果特征选择无法应用于动态特征空间,而面向流特征的特征选择无法挖掘出T的MB或只识别出T的PC集（Parents and Children）的问题,从在线学习MB的角度,提出一个面向
近年来,随着人工智能技术的不断发展,研究者在单智能体深度强化学习领域取得了许多优秀的成果。为了解决复杂的团队任务,研究人员将深度强化学习方法应用到了多智能体领域。地标覆盖任务是最常见的多智能体协同问题之一,在国防、物流、车间等领域均有重要应用。多智能体系统中,内部智能体同时与环境交互,且智能体之间相互影响,受邻居智能体的位置、运动速度等因素影响较大,导致很多单智能体深度强化学习算法在多智能体系统中
基于深度网络的图像分类技术性能大幅提升,使得计算机视觉迈入产业化阶段,逐步应用于人类工作和生活多方面。人体行为识别作为计算机视觉中典型的分类任务,在医疗、家庭、交通运输等多种场景下的潜在价值不可估量。本文从行为识别的应用方向出发,分析了日常行为中的跌倒动作以及相似动作,运用深度学习的方法设计了针对跌倒动作、相似动作的行为识别方法。首先,提取了FallFree骨架数据集,借助Kinect Studi
随着软件在日常生活中的广泛使用,软件安全问题正逐渐引起人们的重视。其中缓冲区溢出漏洞在软件安全中最常见也是最严重的一种漏洞。缓冲区溢出漏洞会导致权限被非法获取,信息被窃取,系统瘫痪等一系列危害。为了能有效的检测出缓冲区溢出漏洞,本文提出一种基于深度学习的缓冲区溢出漏洞检测方法。本文主要工作如下。首先,针对软件缓冲区溢出漏洞进行研究,针对缓冲区溢出漏洞可疑代码,构建了抽象语法树。基于缓冲区溢出漏洞可
随着社会的发展,针对复杂网络社区发现算法的研究逐渐深入,社区发现算法在推荐领域、信息传播、精准营销等方面都有着很大的价值。标签传播算法因为其简易性和效率高而受到研究学者的青睐,然而标签传播社区发现算法存在稳定性差、准确率低的问题。针对上述问题,本文分别在静态社区和动态社区上提出了基于标签传播思想的社区发现算法。首先,针对标签传播算法稳定性不足,提出了融合标签熵和k-shell的标签传播重叠社区发现
机械装备结构日益复杂、自动化,对设备安全性和可靠性的要求也越来越高,机械故障的检测和诊断显得尤为重要,基于振动信号分析的数据驱动类方法得到了广泛研究。但多数智能故障诊断方法的应用基础为训练数据与测试数据同分布,而实际中复杂工况的影响使得理论方法的诊断效果受到较大影响。迁移学习的引入为解决不同数据分布下的轴承故障诊断问题提供了新思路。该文主要研究了基于深度迁移学习的轴承故障跨域诊断方法。首先,考虑到