针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器的逐层学习对特征进行优化并提取出高维特征,然后使用Softmax进行识别。实验结果表明,堆栈稀疏自编码器能够有效地提取液压泵泄漏状态的高维特征,构建的深度神经网络可有效地识别液压泵泄漏状态,识别精度达到了97.6%。此外与支持向量机、极限学习机、卷积神经网络以及长短期记忆网络相比,深度神经网络具有更好的识别效果。

船舶机械液压系统的稳定可靠工作对船舶安全运输具有非常重要的作用。液压马达是液压系统中的关键部件,本文提出一种基于深度神经网络的液压马达测试系统,详细分析了液压马达的基本结构,对液压马达测试系统的整体结构进行设计,包括数据采集与控制以及测试装置,重点对负载模拟装置进行设计,并研究了基于深度神经网络的液压马达故障测试流程,最后对某型号液压马达进行测试,结果表明系统具有较好的准确性和稳定性,能够实现对不同类型液压马达的测试工作。

基于深度神经网络(Deep Neural Network,DNN)的深度学习(Deep Learning,DL)在图像识别、语音识别和文本分析等领域取得了巨大成功。但是深度学习在工业领域的应用遇到训练样本数量不够和训练算力不足的困难。将深度神经网络的迁移学习(Transfer Learning)应用到工业产品表面质量检测,解决了深度学习样本和算力不足的问题,其准确率达到了99.8%,超过了传统机器学习算法和没有迁移学习的卷积神经网络(Convolutional Neural Network,CNN)。构造的深度神经网络分为两部分前面为已经训练好的深度神经网络GoogLeNet,后面部分为识别表面缺陷专用层,训练的时候只需要训练后面部分。

针对物流配送线路路况难以预测、物流配送里程较长、调度过程难以协调的问题,提出基于深度神经网络的智慧卷烟物流配送线路自适应调度算法。根据智慧卷烟物流配送要求,以最短配送总里程为目标建立物流调度数学模型。利用知识库和果蝇优化算法,根据线路动态调度规则,引入深度神经网络,优化设计配送区域路况预测模型。以当前路段交通状况预测结果为依托,结合分时带权交通网络模型,得到配送线路自适应调度结果。实验结果表明该方法相比传统算法使得智慧卷烟物流配送里程分别减少了38.62%、45.01%,实现了物流配送成本的降低。

为保证机器人行驶路径最短时避免发生滑移,提出基于深度神经网络的机器人移量检测与路径规划方法。通过分析机器人运动学情况,结合机器人滑移量会随轨迹、地面平整度及障碍物影响范围发生变化,构建运行轨迹方程组,求得会影响滑移量的因变量值;建立位姿计算坐标系,设置机器人滑轮初始位姿坐标,计算发生滑移后末端位姿,更新后代入滑移公式求得滑移量;以障碍物避障和路径最短为规划标准,采用深度神经网络算法激活避障及路径最短的约束函数,输出规划结果。通过对比实验结果证明所提方法的有效性,在所提方法控制下滑移量检测结果与实测值表达一致,规划路径在保障高效避障的同时确保是最短行驶距离,优于对比方法,可靠性强。

为了提高双机架炉卷轧机的轧制力预测精度,提出了具有快速而高效训练策略的深度神经网络预测方法。介绍了双机架炉卷轧机的工作原理,分析了轧制力影响参数。在深度神经网络基础上,使用随机小批量的样本选取法,提高深度神经网络训练速度;提出自适应矩估计梯度优化算法,用于解决传统训练方法陷入局部极值的问题,从而给出了改进训练策略的深度神经网络轧制力预测方法。经轧制实验验证,改进深度神经网络的训练时间为226.15s,而传统网络的训练时间为862.93s;改进网络的预测误差绝大部分控制在3%以内,而传统网络的预测误差绝大部分控制在5%以内。以上数据表明,改进深度神经网络的训练速度和预测精度均远优于传统深度神经网络。

设计了一种基于深度学习的预测模型,以提升具有大数据特征的离散智能车间订单完工时间预测能力。从当地企业的MES系统中查询选取生产线的数据用于研究,初步统计分类并使用主成分分析法处理;搭建基于DNN(深度神经网络)的预测模型,初始化模型参数,选择Softmax回归分类器;对比BP神经网络与RBF神经网络,以验证模型准确度和可靠度。

合理的弹性橡胶密封垫断面形状是保障盾构隧道管片接缝防水设计性能的关键。密封垫断面优化设计时,需要反复进行材料大变形、接触分析等复杂的非线性计算,极大限制了优化效率。为此,以闭合压力与有效接触压力占比为双控目标,提出了一种结合深度神经网络代理模型的结构优化算法。在遗传算法框架下,深度神经网络代理模型可以实现由断面形状到接触应力场的快速映射。同时,迁移学习的引入实现了不同类型断面形状代理模型的知识复用,仅利用小样本即可建立高精度的接触应力预测模型,从而有效提高了闭合压力约束条件下的密封垫结构断面优化效率。

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明：相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。