针对传统自动变速器挡位决策系统人机交互较差的问题,提出了一种基于深度残差网络的智能换挡控制策略。将节气门开度、车速及加速度输入多个自编码器对神经网络的权重进行无监督地预训练,重组自编码器的隐藏层并加入残差连接建立起深度残差网络。利用实车数据对深度残差网络进行微调,建立起基于深度残差网络的智能换挡控制策略。实验结果表明,相比基于传统人工神经网络的方法,该策略在实车工况下挡位识别率更高,为99.4%。

近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征。其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度。因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),它可以直接将原始振动信号作为模型的输入,通过池化层、残差模块和分类层相互连接,更加有效的挖掘信号特征之间的信息,从而增强了轴承振动信号的特征学习能力。实验结果表明,该模型能够达到99.75%的轴承故障诊断精度,实现了良好的故障分类任务,为以后的机械故障诊断研究提供了理论指导和借鉴。

为了提高齿轮箱故障诊断的准确率,准确表达齿轮箱的健康状态,结合深度学习算法,提出了一种用于齿轮故障诊断的GAF-inceptionResNet模型。该模型可以直接将原始一维振动信号经过格拉姆角场变换后形成图像作为模型的输入,通过Stem-block、残差Inception、残差模块和分类层相互连接。残差Inception网络能够拓宽网络深度,提升训练时长及准确率;残差模块利用恒等映射可以大幅度降低模型的训练难度。因此,该模型可有效地挖掘信号特征之间的信息,使模型的特征学习能力增强,从而提高准确率,精准确定故障。实验结果表明,该模型能够达到99.59%的故障诊断精度,有效实现齿轮箱良好的故障识别与分类。

轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振动信号的多分量耦合调制特征及特征参数较难确定,所以针对此问题,提出了一种基于格拉姆角差场与深度残差网络相结合(GADF-ResNet)的轴向柱塞泵复合故障诊断方法。首先,对轴向柱塞泵原始振动信号进行了格拉姆角差场(GADF)转换,将其转换为二维数组,将数组以灰度图形式存储,得到了特征样本,并将其分为训练集与测试集,以多标签的方式进行了标记;然后,将样本输入到深度残差网络(ResNet)中,通过前向传播和反向传播方式确定了网络最佳结构和参数;最后,采用实验的方式,通过测试集验证了该模型的可行性和鲁棒性。实验

航空液压管路是飞机液压系统的重要组成部分,为了对其早期故障进行准确识别及预测,针对航空液压管路中早期微弱故障振动信号进行研究,利用自适应白噪声完备总体经验模态分解方法将信号分解为多个分量,搭建ResNet网络结构,并将获得的分量输入到深度残差网络(ResNet)进行训练测试。实验结果表明:CEEMDAN-ResNet模型故障识别率可达99.78%,故障预测训练迭代到1200次时,准确率将会达到99.5%左右并持续稳定,验证了所建立的CEEMDAN-ResNet模型对航空液压管路早期故障