针对单一时频域方法对振动信号特征提取能力有限的问题,提出一种基于残差网络和时频域融合的滚动轴承故障诊断方法。通过采集轴承振动信号,计算滚动轴承振动信号量纲一和有量纲特征统计指标、能量算子指标共12个时域特征;将时域信号转化成频域信号,提取出4个频域特征指标;使用离散小波变换进一步提取信号特征,得到16个时频域特征。构建残差网络,将原始振动信号输入残差网络提取特征,在全连接层将提取的时域、频域、时频域特征连接得到32个特征,并与残差网络提取的时域特征融合。最后,将融合的特征输入分类网络得到故障诊断结果。根据在某故障诊断重点实验室数据集以及企业真实运行数据集上的实验验证,提出的方法相对于其他经典分类模型拥有更好的性能。

进行了基于面部特征识别的驾驶员疲劳检测研究。设计了一种基于改进SSD的人脸特征检测算法,引进Resnet网络残差模块,解决了传统SSD算法训练的网络退化问题;使用Resnet-50替换原始SSD网络框架,有效减少了模型参数并提高识别率。针对驾驶室背景复杂的应用场景,采用Focal Loss代替Softmax Loss,以平衡正负样本的比例。实验结果表明改进SSD算法在自建的人脸特征数据集上的平均识别准确率为98.1%,比传统SSD算法提高了7.6%,体现为提高了对遮挡目标的识别率,且保持了较快的收敛特性。

驾驶员眼睛状态检测是驾驶员疲劳检测的重要组成部分。为有效解决实际驾驶环境中驾驶员眼睛状态检测问题,提出了一种基于深度融合残差网络的方法。该方法将深度神经网络与深度卷积神经网络相融合,利用深度神经网络对驾驶员眼睛特征进行识别,利用深度卷积神经网络对驾驶员眼睛图像进行分析,最终根据二者检测结果的加权平均值对实际驾驶环境下驾驶员眼睛状态做出判定。模型中深度卷积神经网络部分在多通道卷积的基础上,结合了残差网络和深度模型压缩策略,提升眼睛状态检测精度的同时提高了检测速度。相关实验结果表明,该方法在实验环境和实际环境下与其他已有的方法相比检测精度更高、计算速度更快。

针对目前视线定位方法在驾驶员头部姿态和光照变化时,易出现定位精度低的问题,提出了一种残差网络辅助的驾驶员视线定位方法。首先在基础的残差网络模型上,改进残差网络结构来控制参数数量,采用激活函数FReLU代替ReLU,解决负值消失的问题;其次构建数据集,预训练检测模型,利用模型对驾驶员进行人脸检测,在人脸检测基础上使用dlib库提取面部特征点并计算头部姿态;最后根据头部姿态和虹膜中心位置信息融合确定视线方向。实验结果表明该方法降低了头部运动姿态和光照变化对视线定位精度的影响,能够实现头部活动范围直径在22cm内的视线定位,视线定位误差为0.7°。

针对一般滚动轴承智能诊断过程中特征自适应提取能力不足及模型训练困难的问题,提出了一种卷积核注意力机制与残差网络相结合的故障诊断模型(CKAM-Resnet),采用一维选择性核卷积(Select Kernel Convolution,SK Convolution)层替代残差网络中的普通卷积层,使模型可以根据输入的振动信号的不同,自适应地调整选择性核卷积层中不同分支的卷积核输出的特征图通道权重,达到了自动调节感受野的效果,增强了模型在恒定负载下的特征自适应提取能力。并通过实验验证了该方法在恒定负载下故障诊断的平均准确率达到了99.81%,优于其他故障诊断方法。另外,采用t-SNE技术将模型关键层输出的特征降维并聚类可视化,评估了模型的表达能力,实验验证了该模型结构对故障提取的有效性。

目前基于机器视觉的钢丝绳表面损伤检测基本均采用定性检测的方法,在定量检测方面的研究极少,而断丝数量是钢丝绳报废的重要标准,因此,提出一种基于机器视觉和残差网络的钢丝绳表面损伤定量识别方法。将采集到的钢丝绳损伤图像进行批量裁剪,以消去背景噪声;对训练集中的图像利用数据增强技术,进行随机裁剪和随机水平翻转,扩充训练集大小;然后,对数据集中的图像进行归一化和标准化,提高模型的收敛速度;最后将训练集和验证集输入到使用SGD算法优化的残差网络中进行训练,训练结束后再使用测试集对模型进行验证。实验结果表明:经过迭代训练后,模型在测试集上对钢丝绳损伤的定量识别准确率为93.5%。

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

伴随制造加工业对可靠度与精准度的需求不断提升,及时而有效地获取旋转机械的故障信息能够保证设备的正常运行。采用深度LSTM残差网络完成旋转机械的故障诊断,主要包含3个模块:初始数据处理层、SP-LSTM残差网络信号诊断层与GAP-ELM网络下的故障分类层。该方法能够完成初始数据的深层特征发掘,利用LSTM元中的记忆与遗忘门获取故障数据的细微变化。所采用的GAP-ELM网络可规避传统Softmax方法分类准确度不高的问题,从而有效完成故障诊断。通过CWRU集完成