当引入类别嵌入发掘(VGSE)对液压泵进行零样本故障诊断研究时,该模型不具备收敛性、泛化性和稳定性,且存在计算效率低等问题,因此提出了改进类别嵌入发掘网络(SCP-VGSE)。为了改善VGSE网络性能,将SE注意力机制嵌入到网络结构的特征提取功能模块中;为了进一步改善网络性能,引入CAME优化器替换Adam优化器,对网络的学习率、权重等超参数进行优化处理;最后,利用粒子群算法对网络的学习率进行优化。通过液压泵实测零样本故障实验验证分析可知,所提改进方法提升了模型的收敛性、泛化性和稳定性,实现了高达96%的收敛精度,且诊断效率提升了68.75%。

目前,大多加工企业对数控机床刀具的监测往往通过人工经验或定期停机检查,这不仅降低了生产效率,还导致刀具加工过程存在明显的数据不平衡问题。为此,提出一种融合Attention机制的门控循环单元(GRU)自动编码器模型用于刀具异常检测。该模型使用门控循环单元搭建编码器和解码器,提取时序数据的深层特征。在编码器重构部分融入注意力机制,实现对关键特征的选择,从而提高模型效率。此外,提出结合长时评价窗机制的异常检测模型,以进一步增强检测能力和稳定性。最后,通过在实验所得数据集和公开数据集上进行实验,证明该方法的有效性和可行性。结果表明该方法在不同数据集上的准确率均超过98%;与刀具状态监测领域其他方法相比,该方法无需进行大量实验来获取刀具全生命周期数据和磨损标签数据,便于刀具检测系统的开发和应用。

小目标检测是计算机视觉领域的研究方向之一,旨在解决在图像或视频中检测和定位尺寸较小的目标的问题。由于小目标往往具有低分辨率、模糊、被遮挡等特点,传统的目标检测算法在处理小目标时存在挑战。对此,提出一种融合少样本学习与注意力端到端网络的小目标检测方法。该方法通过引入图像增强技术和注意力机制,对传统的端到端检测网络进行优化,以提高检测性能。通过数据增强方式,对原始数据进行扩充,增加数据的多样性和数量;引入注意力机制,提取图像中的关键信息,以提升检测结果的准确性;最后,在网络结构方面,将原有的特征金字塔网络(FPN)替换为加权双向特征金字塔网络(BiFPN),以获取更丰富的图像特征。实验结果表明通过图像增强和注意力机制,所提方法的精准率、召回率、平均精度均值和检测速度在训练尺度为640像素×640像素时分别...

针对传统带钢表面缺陷检测技术落后、效率不高及小目标识别能力不足等问题,提出一种改进的YOLOv5s-Tiny目标检测模型,在保持模型较小计算量的同时提升检测速度和识别精度。通过将主干网络GSP-Darknet53替换为轻量级GhostNet网络,减少模型参数的数量,提高推理速度。在主干网络加入CBAM注意力机制,通过通道注意力机制和空间注意力机制对特征信息进行融合增强,提高小目标检测精度,并将损失函数GIoU改进为EIoU,提高检测框定位能力。最后将改善后的训练模型格式转换后安装到手机安卓端验证优化的有效性。结果表明在东北大学数据集中,改进后模型检测精度提高1.5%的同时,召回率提升了1.5%,参数量减少12.3%;安卓端检测速度约为120 ms,完成带钢缺陷的实时检测。

针对时域信号冗余度大及滚动轴承故障诊断效果和强噪声环境下诊断正确率低和泛化能力差的问题,提出一种新的基于多联合注意力机制和多残差卷积块的多尺度进化故障诊断方法。采用宽、窄核卷积的跃迁块和多联合注意机制对深层卷积进行特征补充,减少特征流失,保证特征图的质量。通过通道和空间注意力权重的分配,为卷积层提供不同的权重参数,进行自适应特征细化。将提出的方法分别在凯斯西储大学轴承数据集和东南大学轴承数据集进行试验验证及分析。结果显示所提方法的分类正确率超过99.75%,即使在强噪声环境下,分类正确率也超过98.5%;在变工况下,平均分类正确率超过了90%。因此,所提方法具有良好的故障诊断效果、泛化能力和抗噪声性能。

在齿轮故障诊断领域中,对齿轮早期磨损故障实现有效诊断具有重要意义。然而,早期磨损故障特征弱,诊断难度大。针对该问题,提出了一种基于稀疏注意力机制的齿轮早期磨损故障诊断模型,采用一种新的稀疏注意力机制结合卷积神经网络,改进传统分段序列注意力机制,实现了具体故障频率定位。应用齿轮箱故障模拟实验数据进行测试验证,相比其他诊断方法,所提方法能够在同等样本条件与计算代价下,实现更为准确全面的诊断,降低分析成本,获得敏感故障特征频率,为齿轮维护提供数据支撑。

针对液压阀块表面缺陷尺寸微小、对比度低、周围干扰信息多导致的漏检率高、识别准确率低等问题,提出一种基于改进YOLOv7的液压阀块表面微小缺陷检测算法。在多尺度特征融合模块后引入CA注意力机制来提高对微小缺陷特征信息的关注度。使用改进的UpC多支路上采样结构代替多尺度特征融合模块中的最近邻插值上采样UpSampling模块,以丰富微小缺陷的特征信息。利用改进的ELAN-RepConv结构代替多尺度特征融合模块中的ELAN_2结构,使模型在训练过程中可以学习到更多的特征信息。为了进一步提高算法的鲁棒性与收敛速度,使用离线数据增强融合Mosaic数据增强的数据增广技术与K-means++锚框聚类算法来提高算法性能。实验结果表明:该算法在液压阀块表面微小缺陷数据集中平均精度达到97.6%,较原YOLOv7算法提高8.4个百分点,检测速度达到55.2 frame/s;相较于YOLOv7系列中...

针对液压管路背景多变、管道弯折、管道重叠排布等复杂现象且现有图像分割方法对管路分割精度不高等问题,提出一种以U-net网络为基础,结合Mobilenetv3网络、SE注意力机制模块、自校正卷积模块的液压管路分割方法。该方法以Mobilenetv3-large模型作为骨干网络,结合LR-ASPP网络处理特征图;在解码过程中,融入SE注意力模块和SC自校正模块,提升了特征提取能力;最后采用Dice函数和BCE函数的组合来作为网络的损失函数,有效地提升了网络的收敛能力。实验结果表明本文提出的方法在交并比、像素精度指标上的均值分别达到90.8%、95.2%,且模型体积为16.9 M,推理每张图像所耗时间20 ms,可应用于需实时部署的场景,为液压管路渗漏的准确识别提供了基础。

在液压系统中,液压管路是实现压力传导功能的重要组成部分,其压力值的变化不容忽视。在环境误差等因素的影响下,液压管路的压力变化呈现非线性和不稳定性。为解决该问题,提出基于粒子群优化算法(PSO)改进的基于注意力机制(Attention)的长短期记忆神经网络(LSTM)的液压管路压力预测方案。用某飞机液压管路的压力检测值作为输入数据,实现液压管路某支路位置的压力预测,并完成预测结果的可视化。实验结果表明,该模型预测平均误差为1.78%,符合液压管路压力预测要求。

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明:与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到