针对实际工程中故障振动信号数据分布不同、数据量小的问题,提出一种基于卷积神经网络进行迁移学习的滚动轴承诊断方法。利用递归图对滚动轴承的一维时序数据进行图像转换,得到二维图像下的源域数据和目标域数据;将源域数据输入到添加ECA注意力机制的ResNet网络中进行预训练,得到预训练权重;将预训练权重迁移至模型当中,用少量样本进行训练,以验证集准确率为基准,获取此时的训练权重,并保存至目标模型中,最后将测试集数据输入到此时的模型进行验证。结果表明所提方法能够在目标域仅有少量训练样本的情况下,达到较高的故障识别准确率,且具有较强的鲁棒性能和泛化性能。

针对变工况条件下现有深度学习网络模型对滚动轴承故障分类效果不佳的问题,以滚动轴承实验台数据为研究对象,提出迁移学习和注意力机制相结合的滚动轴承故障诊断方法。结合域对抗神经网络(DANN)与宽卷积核卷积神经网络(WDCNN)得到新的网络诊断模型(WDAANN),并通过对目标域的带标签数据进行训练以优化网络参数;结合注意力机制方法使所提网络获得更好的分类能力,从而实现变工况下的滚动轴承故障诊断。最终将该方法与传统CNN、DANN、WDAANN等模型进行对比验证。结果表明所提方法的准确率提高,且模型的跨域诊断能力提高;所提网络的性能相比WDCNN、CNN及WDAANN网络明显提升,验证了所设计模型的优越性。

针对轴承实际工况复杂多变,现有的智能故障诊断模型和方法诊断效果不理想等问题,设计一种深层特征相关性对齐迁移学习的故障诊断方法。首先,对原始轴承振动信号预处理并将所获得的数据样本划分为训练集、迁移集和测试集;其次,建立一维卷积神经网络,采用训练集对网络模型进行初始化训练;再次,利用迁移集对微调模型进行迁移,提取源域和目标域的深层特征,在迭代过程中不断提高两域所提取特征之间的相关性;最后,使用测试集对所得到的轴承智能故障诊断模型的有效性进行验证。实验结果表明,相对于传统故障诊断方法,该方法可以提高模型的泛化能力,更好地完成实际工况下的轴承故障诊断任务。

为了解决现实生活中室外露天停车场遇到比较大的车流量时,人们因不知道停车场中空余车位的位置信息而给停车场管理工作带来的困难。做了如下创新性研究,利用无人机俯拍停车场,同时将视频图像传至电脑,通过图像处理得到停车位在图像中的相对位置坐标。然后利用得到的相对位置坐标和基于迁移学习的VGG-16网络,完成对停车场中停车位状态的检测,并且能够实时输出空余车位对应的编号使工作人员能够知道空余车位的具体位置。这样就方便工作人员对停车场的管理,可以提高停车场的运行效率。

针对滚动轴承保持架由于故障频率太小容易被噪声干扰,振动分析等传统故障检测方法检测困难,特征较难提取的问题,提出一种基于迁移学习的轴承保持架的故障诊断算法。利用数据量较多但缺少保持架故障相关数据的凯斯西储大学的轴承振动加速度数据集进行模型训练,提取出重要的模型参数信息,然后在此基础上,利用此模型参数在少量的齿轮箱轴承保持架振动加速度数据上进行迁移学习,实现对齿轮箱轴承保持架的故障识别,实验表明该迁移学习方法在识别滚动轴承保持架上是有效的。

针对传统的工件焊缝缺陷分类方法分类准确率低、分类速度慢的问题,提出了基于迁移学习的卷积神经网络实现对工件焊缝缺陷图谱的智能分类。首先使用超声相控阵探伤仪对焊缝试块进行扫描实现数据采集,然后将采集好的各类缺陷图谱数据按91的比例分为训练集与测试集,最后使用基于迁移学习的ResNet-34、MobileNet-v2、AlexNet三种卷积神经网络模型训练。其中Resnet-34网络模型最高准确率可达到98.6%,MobileNet-v2网络模型的最高准确率达到84.5%,AlexNet网络模型的最高准确率达到96.5%。试验结果表明,使用基于迁移学习的卷积神经网络不仅可以有效地提高件焊缝缺陷图谱的分类准确率,而且分类的速度也远比人工分类的速度要快,有效的加快了缺陷图谱的分类速度。

焊接缺陷检测是焊接行业的一项重要工作,利用X射线焊缝缺陷图像进行缺陷检测是焊接无损检测的重要手段。为实现对缺陷的自动识别和定位,结合缺陷的具体特征提出了一种改进的Mask RCNN实例分割网络实现对图像进行缺陷检测和分割。该方法在原有网络的基础上通过采用变形卷积更好地提取不规则形状缺陷特征信息,引入空洞卷积加强高层特征的感受野,在局部图像中融合全局图像信息使局部图像获取上下文信息,利用迁移学习和数据增强降低对训练数据的需求,提升检测和分割精度。最终,通过对焊缝X射线数据集上进行实验,验证改进的Mask RCNN模型与原始Mask RCNN模型以及Faster RCNN模型等模型进行客观比较,并对实验结果进行可行性分析,提出的模型表现出更精确的检测精度和更好的性能。实验结果表明改进的Mask RCNN模型可以更好的适用于焊缝缺陷检测中。...

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题,建立基于迁移学习(TL)与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图,作为网络模型的输入;将在ImageNet数据集上训练的ResNet50模型作为预训练模型,通过迁移学习的方法,应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%,实现了刀具不同磨损状态下的智能识别,有效提高了刀具磨损状态监测的准确性和稳定性。

燃油泵是飞机燃油系统的核心部件。燃油泵的工作环境恶劣,一旦发生故障,会对飞机的飞行安全造成严重的后果,所以对飞机燃油泵进行故障诊断至关重要。现阶段飞机燃油泵故障存在一些问题,如故障较为随机,故障数据稀缺等。针对这些问题,提出了基于深度迁移学习的飞机燃油泵故障诊断算法。首先,将飞机燃油泵和其他结构相似泵的数据分别作为目标数据和训练数据,利用小波包分解,对两种泵的原始数据进行特征提取。其次,对分解后的两种故障数据进行过采样处理,增加数据量。使用最大均值差异算法(MMD)作为衡量域损失的度量,并将其嵌入到1维卷积神经网络(CNN)结构中。使用该算法对数据进行训练,最终完成故障分类。实验结果表明,该算法相对于BP神经网络、LSTM以及CNN有更好的准确性。

飞机燃油系统需要在各种条件下持续向发动机供油。针对目前飞机燃油系统气蚀故障随机性和其故障数据相对不足,提出了基于小波包和迁移学习的飞机燃油泵气蚀故障诊断算法。首先利用小波包分解,对原始采样故障信号进行特征数据提取,再利用分解后的数据和相似结构下燃油泵故障数据构成目标数据和辅助数据,使用基于权重迭代调整的TrAdaboost迁移学习算法进行训练学习,最终完成故障类型的分类。通过已有的实验台和传统算法进行比较,验证了方法的有效性。