中文字幕一级黄色A级片|免费特级毛片。性欧美日本|偷拍亚洲欧美1级片|成人黄色中文小说网|A级片视频在线观看|老司机网址在线观看|免费一级无码激情黄所|欧美三级片区精品网站999|日韩av超碰日本青青草成人|一区二区亚洲AV婷婷

CNN 最初主要被用來(lái)處理二維圖像，由于具有強(qiáng)大的認(rèn)知計(jì)算能力，學(xué)者開始將其引入到機(jī)械故障診斷領(lǐng)域，能夠很好地表征信號(hào)與機(jī)械健康狀態(tài)之間復(fù) 雜的映射關(guān)系，提高大數(shù)據(jù)背景下多樣性、非線性、高維健康監(jiān)測(cè)數(shù)據(jù)診斷分析能力。

 

Part1CNN 的數(shù)據(jù)輸入類型

1一維信號(hào)整合成二維矩陣

對(duì)于機(jī)械故障診斷，所采集的主要是一維的振動(dòng)信號(hào)等，如何將一維的信號(hào)轉(zhuǎn)換成二維信號(hào)，進(jìn)而使用CNN來(lái)診斷便是許多學(xué)者研究的問題。WEN L 等將所采集到的一維振動(dòng)信號(hào)通過(guò)滑動(dòng)窗 的方式截取一段長(zhǎng)度為 1 × M² 的數(shù)據(jù)樣本，然后按順序 排列成 M × M 的二維矩陣具體轉(zhuǎn)化方法如圖 3 所示。

 

將一維數(shù)據(jù)轉(zhuǎn)化成矩陣后，再按下列公式將其轉(zhuǎn) 化成為灰度，進(jìn)而成為灰度圖像，便可用常用的 CNN 進(jìn)行分類識(shí)別了。

 

這種數(shù)據(jù)預(yù)處理方法簡(jiǎn)單，計(jì)算量小，振動(dòng)信號(hào)的 峰值轉(zhuǎn)化成每一行的灰度值，造成轉(zhuǎn)換后的圖像較為 接近，很難區(qū)分，運(yùn)用 CNN 進(jìn)行訓(xùn)練時(shí)所需訓(xùn)練時(shí)間長(zhǎng)，分類識(shí)別的精度有限。

 

2信號(hào)變換實(shí)現(xiàn)二維圖像的轉(zhuǎn)換

為了研究更好地將機(jī)械振動(dòng)信號(hào)轉(zhuǎn)化成為二維圖 像，學(xué)者研究運(yùn)用不同的信號(hào)處理方法對(duì)一維機(jī)械振動(dòng)信號(hào)進(jìn)行分解或變換。

 

對(duì)于機(jī)械故障診斷，最為常用的分析方法是時(shí)頻分布，通過(guò)時(shí)頻變換的方法可以 獲取振動(dòng)信號(hào)的二維時(shí)頻分布圖像，常用的時(shí)頻分析方法有短時(shí)傅里葉變換、連續(xù)小波變換、S變換、 Hibert-Huang變換、Wigner分布等。

 

例如 GUO S 等提出了一種基于 CWT 和 CNN 的機(jī)械故障診斷方法，首先對(duì)振動(dòng)信號(hào)做連續(xù)小波時(shí)頻分布，提取完整周期的時(shí)頻圖，然后再用訓(xùn)練多個(gè) CNN 進(jìn)行分類 識(shí)別。Verstraete D等運(yùn)用短時(shí)傅里葉變換 STFT、HHT 和小波分析的方法獲取了時(shí)頻分布圖像，并將時(shí)頻分布圖像整合成 32×32、96×96 兩種格式，分別測(cè)試了兩種輸入的診斷精度。

 

第二種方法是將信號(hào)分解成多個(gè)分量，然后再將這些分量組成圖像矩陣，常用的方法有小波變換、 VMD、EMD 等方法。SUN W F 等將雙樹復(fù)小波分解后的多尺度小波系數(shù)組成圖像，再用 CNN 進(jìn)行分類。

 

上述通過(guò)信號(hào)變換的方式實(shí)現(xiàn)一維信號(hào)向二維圖 像的轉(zhuǎn)換方法中，時(shí)頻分布無(wú)疑是最為常用和有效的方法。時(shí)頻分布能夠提供時(shí)間域和頻率域的聯(lián)合分布 信息，能夠更好地凸顯信號(hào)表征與機(jī)械健康狀態(tài)的關(guān) 系，有利于 CNN 的訓(xùn)練和識(shí)別。

 

然而時(shí)頻分布計(jì)算量大，圖像分辨率高，輸入 CNN 的數(shù)據(jù)量也大大增加，計(jì)算量大。利用小波變換、VMD 等對(duì)原始信號(hào)進(jìn)行處理 時(shí)，雖然能夠?qū)收戏至窟M(jìn)行分離，并凸顯故障特征， 但分解過(guò)程中存在一定的頻率混跌現(xiàn)象，中間處理過(guò) 程難免造成了信息的丟失，均會(huì)對(duì)診斷精度造成一定的影響。

 

3一維信號(hào)直接輸入

機(jī)械信號(hào)一般只與時(shí)間有關(guān)系，而圖像涉及二維空間位置關(guān)系，兩者具有本質(zhì)的區(qū)別。CNN 具有強(qiáng)大的信號(hào)處理分析功能，如果直接將測(cè)得的一維信號(hào)直 接作為輸入，則整合了傳統(tǒng)的信號(hào)降噪、特征提取、特 征選擇和故障分類等流程，直接實(shí)現(xiàn)了點(diǎn)到點(diǎn)、端到端 的故障診斷，最大程度地簡(jiǎn)化故障診斷的流程。

 

在 CNN 中要實(shí)現(xiàn)一維信號(hào)的輸入，需要對(duì) CNN 的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改變，卷積核也應(yīng)采用一維的卷積核。許多學(xué)者嘗試了該方法，構(gòu)建了一維 CNN 網(wǎng)絡(luò)結(jié)構(gòu)并 運(yùn)用于機(jī)械故障診斷，取得了不錯(cuò)的效果。

 

為了提高基于 CNN 的機(jī)械故障診斷效果，學(xué)者嘗試采用對(duì)輸入信號(hào)添加噪聲干擾的方式，來(lái)提高 CNN 故障診斷模型的魯棒性。

 

Part2基于 CNN 的遷移學(xué)習(xí)故障診斷方法

1遷移學(xué)習(xí)的概念

傳統(tǒng)機(jī)器學(xué)習(xí)可以通過(guò)大量有標(biāo)記的數(shù)據(jù)樣本進(jìn) 行訓(xùn)練，進(jìn)而挖掘數(shù)據(jù)內(nèi)部的規(guī)律，實(shí)現(xiàn)基于監(jiān)督學(xué)習(xí) 的數(shù)據(jù)分類和預(yù)測(cè)。

 

存在的問題：

 

①首先，這個(gè)學(xué)習(xí)過(guò)程需要有大量己標(biāo)注訓(xùn)練樣本的支持，如果沒有大量的標(biāo)注樣本，傳 統(tǒng)機(jī)器學(xué)習(xí)方法的研究與應(yīng)用則無(wú)法開展; ②其次，傳統(tǒng) 機(jī)器學(xué)習(xí)假設(shè)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)服從相同的數(shù)據(jù)分布。

 

只有滿足上述兩個(gè)前提，傳統(tǒng)機(jī)器學(xué)習(xí)方法才能有效的工作。

 

然而，現(xiàn)實(shí)情況是在一些特定領(lǐng)域中，大 量的訓(xùn)練數(shù)據(jù)非常難得到，訓(xùn)練與測(cè)試數(shù)據(jù)的同分布 假設(shè)并不能得到滿足，以及網(wǎng)絡(luò)訓(xùn)練需要耗費(fèi)大量的 計(jì)算資源，需要有高性能的服務(wù)器平臺(tái)。

 

針對(duì)上述困難，遷移學(xué)習(xí)提供了一種解決問題的新方法，它放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中的兩個(gè)前提要求，允許遷移已有的知識(shí)來(lái)解決目標(biāo)領(lǐng)域中僅有少量已標(biāo)注 樣本數(shù)據(jù)的學(xué)習(xí)問題，也就是運(yùn)用已有的知識(shí)對(duì)不同但相關(guān)領(lǐng)域問題進(jìn)行求解。

 

遷移學(xué)習(xí)(Transfer Learning) 的目標(biāo)就是將從一個(gè)環(huán)境中學(xué)到的知識(shí)用 來(lái)幫助新環(huán)境中的學(xué)習(xí)任務(wù)。

 

遷移學(xué)習(xí)可定義為: 

 

 

2CNN 網(wǎng)絡(luò)的遷移學(xué)習(xí)

CNN 網(wǎng)絡(luò)被成功應(yīng)用于圖像識(shí)別領(lǐng)域，出現(xiàn)了如 AlexNet 等許多經(jīng)典網(wǎng)絡(luò)模型，都需要使用大規(guī)模圖像 數(shù)據(jù)集進(jìn)行訓(xùn)練，由于樣本和參數(shù)的數(shù)量都十分龐大， 即使使用 GPU 加速化也會(huì)花費(fèi)較長(zhǎng)的訓(xùn)練時(shí)間，這是 研究人員所無(wú)法接受的。

 

但 CNN 體系結(jié)構(gòu)的另一個(gè) 優(yōu)勢(shì)便是經(jīng)過(guò)預(yù)訓(xùn)練的網(wǎng)絡(luò)模型可以實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)與 參數(shù)信息的分離，并都以配置文件的方式進(jìn)行保存，這 一特點(diǎn)極大地方便了廣大研究者。只要網(wǎng)絡(luò)結(jié)構(gòu)一 致，便可以利用己經(jīng)訓(xùn)練好的權(quán)重參數(shù)構(gòu)建并初始化 網(wǎng)絡(luò)，極大的節(jié)省了網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間。

 

基于遷移學(xué)習(xí)的理論，對(duì)上述幾種經(jīng)典 CNN 網(wǎng)絡(luò) 進(jìn)行適應(yīng)性改造，將學(xué)習(xí)得到的網(wǎng)絡(luò)模型和參數(shù)應(yīng)用 到新任務(wù)的小樣本數(shù)據(jù)集上，進(jìn)行網(wǎng)絡(luò)微調(diào)，便可得到 一種新的深度圖像卷積特征，該特征具有強(qiáng)大的語(yǔ)義表示能力，只需要線性分類器，即可對(duì)測(cè)試?yán)駱颖具M(jìn)行分類標(biāo)注。

 

Part3基于 CNN 的多傳感器信息融合故障診斷

隨著監(jiān)測(cè)對(duì)象越來(lái)越復(fù)雜，狀態(tài)監(jiān)測(cè)信號(hào)呈現(xiàn)非 線性、時(shí)變性、不確定性等特征，當(dāng)系統(tǒng)發(fā)生故障時(shí)，常 常表現(xiàn)出多種征兆，僅僅依靠單一的理論方法和信息 就難以對(duì)故障做出精確的判斷，出現(xiàn)令人難以接受的 高幾率虛警、漏報(bào)等現(xiàn)象。

 

多源信息融合 ( Multi-Source Information Fusion，MSIF) 技術(shù):

利用計(jì)算機(jī)技術(shù)，對(duì)來(lái)自多種信息源的多個(gè)傳感器觀測(cè)的信息，在一定準(zhǔn)則下進(jìn)行自動(dòng)分析、綜合，以獲得單個(gè)或單類信息源所無(wú)法獲得的有價(jià) 值的綜合信息處理技術(shù)。

 

多源信息融合技術(shù)的 研究目標(biāo)是利用多個(gè)傳感器優(yōu)化組合的優(yōu)勢(shì)，提高系 統(tǒng)故障診斷精度，一般包括數(shù)據(jù)級(jí)融合，特征級(jí)融合和決策級(jí)融合三個(gè)方式。多傳感器信息融合要求所采集 的信號(hào)是同步采集，同時(shí)這些信號(hào)對(duì)所診斷的故障都 具有關(guān)聯(lián)性。

 

1數(shù)據(jù)級(jí)融合

數(shù)據(jù)級(jí)融合是直接對(duì)傳感器的采集數(shù)據(jù)進(jìn)行融合處理，然后基于 CNN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練和故障診斷。

 

數(shù)據(jù)層的融合主要是對(duì) CNN 網(wǎng)絡(luò)的輸入信號(hào)進(jìn)行處理，例 如振動(dòng)加速度信號(hào)、聲發(fā)射信號(hào)、扭矩信號(hào)、瞬時(shí)轉(zhuǎn)速信 號(hào)等，對(duì)信號(hào)攫取相同長(zhǎng)度的片段，然后采用并聯(lián)或串 聯(lián)的方式進(jìn)行排列。

 

采用并聯(lián)方式時(shí)，多個(gè)傳感器信號(hào) 被整合成一張圖像，則以圖像的方式作為 CNN 網(wǎng)絡(luò)的 輸入; 采用串聯(lián)方式時(shí)，多傳感器信號(hào)被整 合為一維信號(hào)，以一維信號(hào)作為網(wǎng)絡(luò)的輸入。

 

數(shù)據(jù)級(jí)融合的優(yōu)點(diǎn)是數(shù)據(jù)量的損失最少，能夠提 供數(shù)據(jù)層中的細(xì)微信息，精度最高，但是計(jì)算量大。

 

2特征級(jí)融合

特征級(jí)融合屬于中間層次的融合，采用信號(hào)處理 方式對(duì)每個(gè)傳感器信號(hào)先提取出各自的特征向量，然后 CNN 網(wǎng)絡(luò)完成特征向量的融合處理。利用現(xiàn)有的 信號(hào)處理方法提取時(shí)域、頻域、時(shí)頻域等多維特征，然后再組合成二維圖像或一維信號(hào)，進(jìn)而再使用 CNN 進(jìn) 行訓(xùn)練和分類識(shí)別。

 

特征級(jí)融合的優(yōu)點(diǎn)在于實(shí)現(xiàn)了數(shù)據(jù)壓縮，降低了計(jì)算量，有利于實(shí)時(shí)處 理。

 

但由于損失了一部分有用信息，與數(shù)據(jù)級(jí)融合相比，融合性能有所降低。

 

3決策級(jí)融合

決策級(jí)融合是高層次的融合，構(gòu)建多個(gè) CNN 網(wǎng)絡(luò) 實(shí)現(xiàn)對(duì)每個(gè)傳感器先作出決策，然后在融合中心完成局部決策的融合處理。

 

該方法一般需要結(jié)合 D-S 證據(jù)理論來(lái)實(shí)現(xiàn)決策級(jí)的融合。

 

優(yōu)點(diǎn)：

具有很高的靈活性，抗干擾能力強(qiáng)，傳感器可以是同質(zhì) 的也可以是異質(zhì)的，當(dāng)一個(gè)或幾個(gè)傳感器出現(xiàn)錯(cuò)誤時(shí)， 通過(guò)適當(dāng)?shù)娜诤?，系統(tǒng)仍能獲得正確結(jié)果。

 

缺點(diǎn)：

由于數(shù)據(jù)損失最多，融合精度較其他兩級(jí)融合要低。

 

參考文獻(xiàn)：吳定海、任國(guó)全、王懷光、張?jiān)茝?qiáng).基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷方法綜述[J].機(jī)械強(qiáng)度, 2020, 42(5):9.DOI:CNKI:SUN:JXQD.0.2020-05-002.