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。

拆卸目标的自动检测是自动化拆卸的关键。针对基于深层神经网络算法的拆卸目标自动检测算法参数量大,导致的模型部署困难等问题,提出基于轻量级的YOLOX-Nano网络的目标组件智能检测方法。以十字螺钉为对象,构建数据集;提出基于迁移学习的YOLOX-Nano网络训练方法,基于试验法分析目标框回归损失和目标置信度损失对网络检测精度的影响规律,确定了最优的目标框回归损失和目标置信度损失组合,实现了网络检测精度的优化。最后,以某品牌插排为案例,对所提方法进行了实验验证。结果表明:使用轻量级网络实现十字螺钉检测,不仅得到了较为理想的检测效果,也大量减少了模型的部署时间,同时也为部署其他目标检测的轻量级网络提供了实验基础。

准确检测机械装配体在装配过程中的变化零部件,对于监测产品的装配顺序、提高装配质量、保障生产安全具有重要的意义。为了能够从多个角度检测机械装配体的变化零部件,提出基于三维注意力和双边滤波的机械装配体图像多视角变化检测网络(TAF Net)。为了提高机械装配体变化检测的准确性,TAF Net网络引入三维注意力机制,增强网络的细节特征提取能力;引入双边滤波,减少变化图像中的噪声,优化变化图像中零部件的边界。建立2个装配体变化检测数据集,分别为合成深度图像数据集、真实彩色图像数据集,使用2个数据集分别进行实验。结果表明:TAF Net网络能够精确检测出图像中的变化区域,在2个数据集中的综合评价指标F1_score都达到96%以上。

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明:在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。

针对单源信号对回转机组电机多点复合故障信息表征不充分及复合故障信号小样本问题,提出一种小样本下电机复合故障的多头卷积神经网络迁移学习模型,实现小样本下电机复合故障的多源异构迁移诊断。将动力装置中电流、振动等多源原始数据作为输入,构造超参数优化的多头卷积神经网络模型。将大样本单故障的原始数据集作为源域,构建目标域下以原始数据为输入的电机小样本复合故障迁移网络模型。将正则化惩罚项应用到迁移学习模型中,构建模型目标函数参数更新准则,实现模型对源域与目标域参数的自适应更新配适。试验结果表明:单源信息的诊断可靠性依赖于数据源的选取,多源信号的多头卷积神经网络模型可有效融合电流、振动信号并实现特征提取。通过与多个模型比对,所提方法在小样本下对电机复合故障的识别精度显著提升,且收敛时间...

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。

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异(MMD)作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明