关键词： 芒果品质   三维视觉   图像处理   回归模型   模式识别  

摘要： 芒果作为一种风靡的水果,受到了广大消费者的喜爱。近几年芒果产业发展迅速,然而采后的分选阶段主要由人工来完成,不仅效率低下而且容易受到主观因素和环境因素的影响。机器视觉的检测方式不具有主观性,已经广泛的应用在农业中。目前利用机器视觉对芒果检测的方法主要以二维为主,有很多局限性。因此,本文以芒果作为实验材料,搭建了基于3D结构光系统的芒果视觉检测系统,通过提取芒果表面的二维图像信息和三维点云信息对其采后品质进行检测。主要研究内容如下:（1）搭建了基于3D结构光系统的芒果视觉检测系统,能够在线采集二维图像信息和三维点云信息。经过点云的倾斜修正后对距离测量的最大误差在1%以内,利用视觉系统对两个坐标轴上真实长度标定的R2达到了0.998。同时完成了深度矩阵坐标和图像坐标的匹配,在x轴和y轴上坐标匹配的R2均在0.996以上。（2）研究了芒果在流水线上所处的两种不同位姿的问题,提取二维与三维特征对位姿进行检测。尚未引入三维信息时,利用主成分分析法降维后获得的前三个主成分识别芒果的位姿。“平躺”位姿的识别准确率为95%,“直立”位姿的识别准确率为90%,由于样本间的形状差异导致识别错误。之后引入三维信息,此时仅需两个主成分便能解释接近90%的方差,利用前两个主成分对位姿进行识别的准确率达到了100%。（3）研究了芒果在两种位姿下果形等级、体积质量和外部品级的非接触式检测方法。在芒果的果形等级识别中,提取两种位姿共有和独占的一些二维和三维特征,建立相应位姿的芒果果形等级识别模型并利用预测集进行校验。“平躺”位姿下果形等级识别的准确率为95%,“直立”位姿下识别的准确率为90%。在芒果的体积预测中,提取芒果的像素投影面积和表面高度信息,分别建立不同位姿的芒果体积预测模型。在两种位姿下,利用二维与三维信息建立模型并预测的平均误差率均在4%左右,误差远小于二维的建模方式,且不会出现位姿识别错误导致模型应用错误的问题。在芒果的质量预测中,采用固定密度的预测方法和建模分析的预测方法,两种位姿下上述方法对预测集进行预测的平均误差率均小于5%。最后,利用上文获得的果形等级和体积质量并结合表面缺陷与颜色信息建立基于随机森林算法的芒果外部品级识别模型,并由预测集对其准确程度进行校验。外部品级识别的准确率达到了95%。（4）研究了芒果外部颜色与内部品质的关系。提取芒果不同位置的颜色信息建立可溶性固形物的含量（糖度）、可滴定酸的含量（酸度）和果实硬度的预测模型,并对预测集进行预测。建立的BP-神经网络模型取得了较好的结果,对这三个目标值预测的Rp2均在0.83以上。利用芒果糖度、酸度和果实硬度对采后贮存时间建立逐步多元回归模型。在选择了显著的变量,去除不显著的变量后利用建立的模型对预测集进行预测,预测的Rp2为0.858,RMSEP为1.205,对预测出的贮存时间分类的准确率达到了85%。将芒果果实口感分成三个等级,建立基于随机森林算法的芒果口感等级识别模型,并利用预测集进行校验。口感等级识别的准确率达到了85%。

关键词： 负荷模式识别   深度聚类   深度异常检测   行业关联度  

摘要： 近年来,受到经济发展、国民消费水平不断提高等诸多因素的影响,电力用户群体愈发庞大,电力供应不足的情况持续加剧,峰谷用电差值不断加大,电网长期高负荷运行,持续挑战着国民用电的安全性。为此,电力公司抛弃其传统供电模式,跟随科技发展的脚步,融合智能化计量设备、4/5G网络、人工智能、云服务和物联网技术推进智能电网的发展,通过智能电表与完善的用户信息采集系统,用户负荷数据源源不断被记录下来,数据存储量逐渐成长到PB级别,正不断向EB级别发起冲击。对海量数据进行负荷模式分析在现阶段已经成为了精细化解决电力供给失衡的必要手段。为此,本文以电力用户负荷数据为研究对象,深度学习算法为研究工具,开展对用户电力负荷模式识别分析与研究。 本文以中国南方某地区智能电表采集的真实用户负荷为数据基础,对用户负荷数据进行脏数据及畸形数据的甄选与修正,生成典型用户日负荷曲线,并对其进行归一化操作,最后通过传统聚类算法验证数据预处理方法的有效性。 提出一种基于长短期记忆自动编码器的深度嵌入聚类算法用于负荷模式识别。电力用户负荷序列具有时序性、非线性特征,现阶段的算法模型难以有效提取特征导致聚类效果出现偏差影响负荷模式分析结果。通过长短期记忆自动编码器对其提取特征,深度嵌入聚类算法学习低维负荷特征,以自定义聚类层和相对熵,即K-L散度(KLD)联合优化聚类中心,输出聚类结果。结合电力用户行业信息与聚类结果对负荷模式进行识别、分析。结果表明,本文设计的负荷模式识别算法在性能对比上占优。 提出一种基于多头注意力机制(MHA)和重构概率的变分自动编码器(VAE)异常检测模型用于异常负荷模式识别。现阶段异常负荷模式主要由技术性损失和非技术性损失引起,异常负荷模式识别不仅保护用户用电安全,保障电网设备稳定,更维护了电力公司的经济效益。该模型通过MHA对用户负荷序列进行变换,依托VAE提供的概率度量作为重建误差,给定一个异常得分,同时对异常负荷进行识别分析。结果表明,本文设计的异常负荷模式识别算法在异常检测性能、鲁棒性方面有一定的优势。 提出行业关联参考度作为影响因素运用于负荷模式分析和异常负荷识别。依托于改进灰色关联参考度算法计算行业关联矩阵,通过将行业关联矩阵作为影响因素与负荷数据集共同参与负荷模式分析与异常负荷识别。通过实验结果验证了行业关联度对负荷模式分析和异常负荷识别具有积极的促进作用。 综上所述,本文通过对电力负荷数据的分析与研究,设计基于长短期记忆自动编码器的深度嵌入聚类模型,设计基于多头注意力机制与重构概率的变分自动编码器异常检测模型,提出一种行业关联参考度的负荷影响因素,为提升负荷模式分析和异常负荷识别提供积极的促进作用。

关键词： 配电电缆   局部放电   去噪   模式识别   定位  

摘要： 局部放电(Partial Discharge,PD)是造成配电电缆绝缘缺陷的主要原因,因此局部放电检测对评估电缆绝缘劣化程度具有重要意义。随着局部放电在线检测技术的普及,配电电缆运维现场应用也暴露了现有技术的不足,如缺乏有效的自适应运行环境变化的噪声抑制方法、局部放电样本数量的稀缺性与类型的高度相似性限制了模式识别精度的提高、传统的时延估计法难以满足工程实际要求等。针对以上问题,本文结合配电电缆局部放电识别与定位实际需求,开展了系列研究工作,取得的主要进展如下:(1)以XLPE绝缘层气隙缺陷为例,研究了局部放电的产生机理,讨论了介质内部气隙放电的发展过程及其电压电流的相应变化。分别通过理论分析和仿真实验分析了局部放电在电缆中的传播特性,为后续研究工作提供了理论支撑。(2)针对复杂环境噪声干扰下的局部放电去噪问题,提出了基于频谱聚类的窄带干扰抑制方法和基于改进经验小波变换的白噪声抑制方法。考虑到频谱分布差异,采用K-means聚类算法剔除窄带干扰信号。采用顺序统计滤波器合理分割频谱,通过经验小波变换构建不同频带的自适应小波滤波器,最后根据峭度准则重构局放信号。仿真验证了所提去噪方法的有效性,为研究局部放电的识别与定位技术提供了基础。(3)提出了一种基于数据增强技术的局部放电模式识别方法。针对局放样本数量匮乏且分布不均的问题,提出了基于生成对抗网络的样本扩充技术,并讨论了生成样本规模对模式识别性能的影响。为解决传统分类模型识别精度不高的问题,提出了基于一维卷积神经网络的局部放电模式识别方法,通过微调网络模型实现识别参数最优化。实验结果表明,一维卷积神经网络能够有效提高识别性能,更加适用于工程实际。(4)分析了传统时延估计定位法的特点和不足,提出了一种基于改进互相关算法的局放在线定位方法。针对相关法窗口固定的问题,提出了一种优化脉冲时窗技术。根据局放源在电缆中的相对位置,自适应调整相关函数的时窗大小。针对局部放电参考波速人为设定的问题,通过绘制频率-波速特性曲线减小了波速不定性对定位精度的影响。最后提出了一种修剪均值数据过滤算法,通过构造三层数据过滤器实现了多样本局放在线定位结果的精确估计。仿真和实验验证了所提方法的工程适用性。

关键词： 电力电缆   局部放电   超声检测   模式识别  

摘要： 由于安装操作、制造工艺以及运行环境等影响,交联聚乙烯电力电缆容易发生绝缘故障。局部放电作为电缆绝缘失效的早期征兆,研究电缆局放的检测与模式识别,对排除电缆隐患,提升其运行可靠性有重大意义。超声检测法具有操作简单,不影响被测设备,受外部电磁噪声影响小等特点。目前,超声法应用于电缆局部放电诊断亟待进一步研究,包括明确超声检测指标和定量检测方法,准确建立PRPD等局部放电分析模式,提升局部放电类型识别率等方面。本文通过电缆局部放电的超声传播模型分析了检测位置和超声频率对局放超声信息获取的影响。结合分析结果和相关技术标准,研制了局部放电超声检测装置,利用脉冲电流法的检测结果对比证明该超声检测装置的有效性。在10k V交联聚乙烯电缆上模拟三类缺陷,采用脉冲电流法和超声法同时获取局部放电样本。结合硬件滤波、软件滤波和自适应阈值的小波变换法去除局放信号中的噪声干扰,该方法抑制噪声的同时较好地保留了局放超声波形的特征。研究局放超声信号与视在放电量之间的关系,先从局部放电产生超声波的原理分析了超声信号能量、幅值与视在放电量的关系,然后提取试验的超声信号能量、振幅、持续时间三个特征量,通过脉冲电流法的电信号计算视在放电量,对超声信号特征量与视在放电量的关系拟合分析。结果表明,在超声检测频段30-50k Hz和试验电压5-9k V范围内,超声信号振幅与视在放电量成正比,超声能量与视在放电量的平方近似线性关系,不同电缆缺陷的超声特征量与视在放电量之间的关系拟合曲线不相同。所得结论对选取局放超声检测指标和通过超声特征量估计放电量提供参考依据,也为后续建立局部放电分析模式提供研究基础。提出一种基于多特征的KNN-DBN决策融合的电缆局部放电识别算法。分别构建超声局放相位分布模式(PRPD)和局放时间分布模式(TRPD),提出基于超声能量和电信号的时间差计算方法,准确建立局部放电超声PRPD,进一步提取二维图谱的27维统计算子;对超声信号进行加窗分帧处理,提取短时能量、功率谱重心频率作为TRPD特征量。采用高斯核函数加权改进K-近邻算法(KNN),相较传统KNN和线性支持向量机,该算法对TRPD特征有更高的识别率和识别速度,且噪声干扰下鲁棒性较好;采用深度信念网络(DBN)实现PRPD高维特征的识别,相较浅层神经网络识别率提升明显。最后,基于Dempster-Shafer证据理论,将KNN和DBN的识别结果在决策层进行融合,进一步提升识别率达92.38%,实现不同局放模式信息的充分利用与提升识别结果的可靠性。

关键词： 呼气分析   气相色谱-离子迁移谱系统   指纹图谱   机器学习   模式识别  

摘要： 现今临床使用的常规诊断方法通常需要采集血液、尿液等样本或者病理组织切片，方法耗时不便。呼气分析方法通过检测呼出气体中的挥发性有机化合物（VolatileOrganicCompounds，VOCs）为疾病诊断和监测提供信息，具有快速、无创、简便等诸多优点，引起人们广泛关注。气相色谱.离子迁移谱系统（GasChromatography-IonMobilitySpectrometer,GC-IMS）体积小、操作简单，而且灵敏度高，有望成为呼出气体即时检测(Point-of-CareTesting，POCT)方法。在提高呼出气体中痕量VOCs检测灵敏度和可靠性的同时，改进基于呼出气体指纹图谱的模式识别方法，是提高呼气分析疾病早期筛查准确率的有效途径。　　本文以咖啡中的痕量挥发性有机化合物模拟呼出气体中的特异性成分，基于实验室自制的GC-IMS系统检测志愿者饮用不同风味咖啡后的呼出气体。以饮用两种不同风味咖啡后的呼出气体为模拟样本，研究GC-IMS谱图数据处理方法。　　呼气分析通过识别是否为患者样本进行疾病早期诊断与筛查，是典型的二分类问题。针对该目标本文建立了完整的GC-IMS谱图处理流程，主要包括谱图预处理、特征提取和分类3个阶段。　　在特征提取阶段，根据样本GC-IMS谱图特点和分类目的提出一种基于BIRCH算法的分级聚类方法。先采用较大的聚类阈值减小同类样本间个体差异、环境参数漂移的影响，再采用较小的聚类阈值保留不同类样本间的细微差异，从而在保留样本有效分类特征的同时降低个体差异和环境干扰对分类的影响。采用该方法将样本识别准确率从75％提高到了83.33％。　　针对二分类问题基于决策树、随机森林、支持向量机、人工神经网络4种经典算法构建分类模型，为降低模型参数选择对分类结果的影响，还选取一种新的分类算法——深度森林——进行研究。对比分析5种分类模型的性能以及样本数量对模型预测能力的影响，其中深度森林在呼气样本集上的分类准确率为90％，F1得分为90.67％，显示出其在GC-IMS谱图处理中的巨大应用潜力。　　在算法研究基础上设计开发了GC-IMS谱图处理应用程序，实现谱图显示及预处理、特征提取、构建分类模型和类别预测等功能并提供图形用户界面，从而规范GC-IMS谱图处理流程。

关键词： RBF神经网络   模式识别   核主成分分析法   粒子群算法   能效评估  

摘要： 随着智能船舶技术的发展,船舶能效状态评估相关研究得到广泛的关注。对船舶能效状态进行及时检测和判断,有助于控制和减少船舶二氧化碳碳排放,同时对船舶营运的经济效益也有重要作用。本文选取一条远海航区散货船为研究对象,以该船实测数据为基础,利用粒子群算法优化径向基神经网络对船舶主机能效进行研究,研究成果为完善船舶能效评估体系具有一定理论价值和工程应用价值。本文研究内容包括船舶海上状态识别算法和主机能效评估算法研究两部分。首先,分析船舶能效评价指标,确定反映船舶主机和航行环境的参数共11个,经预处理后作为模型输入。将四种海上运行模式即船舶停泊模式、海上机动航行模式、海上定速航行模式、海上大风浪航行作为模型输出,建立了基于径向基神经网络的船舶海上运动状态识别模型,模型对采集的全部样本的识别率达到95.81%,满足船舶运行模式识别的需要。针对航行数据存在关联性的问题,采用核主成分分析法对所选择的10种特征参数进行数据降维,筛选并保留贡献率较大的6种主成分。建立基于径向基神经网络的船舶主机能效模型,并采用粒子群算法对模型的场域宽度进行优化以提高模型准确度。将模型计算所得油耗值与实际油耗值进行比较,从而评判船舶主机能效状态。结果显示,经粒子群算法优化的径向基神经网络船舶主机能效模型,准确率优于传统径向基神经网络船舶主机能效模型,准确率达到96.7%,为此,所开发船舶主机能效模型能够满足船舶主机能效评估的需要。

关键词： 模式识别   点云分类   深度学习   图卷积   特征提取  

摘要： 随着3D点云采集技术的快速发展,点云数据成为自动驾驶、虚拟现实、增强现实和机器人等领域的研究热点。点云分类任务作为点云数据处理的一个重要分支,具有重要的研究意义与研究价值。鉴于点云的稀疏性、不规则性和无序性,这是一项极具挑战性的任务。在处理该问题的大多数方法中,点云的局部特征信息提取不充分,分类的准确率和鲁棒性不高。本文针对上述问题进行了研究,给出了新的改进方法。首先,针对动态图卷积存在局部特征提取不充分的问题,在点云动态图卷积的基础上,提出了一种通过位置关系加权的动态图卷积方式,通过共享多层感知机对特征向量的位置关系进行学习,生成权重系数矩阵,对动态图卷积结果进行动态加权。运用改进的卷积方式进行分类网络模型的构建。其次,研究不同特征向量的空间位置关系表达方式对局部特征提取能力的影响,设计三种不同的位置关系表达方式用以获得动态图卷积权重系数矩阵。针对改进动态图卷积层数对网络性能影响的问题,由少到多逐步增加改进的动态图卷积层,研究改进动态图卷积层数对于网络模型性能的影响。针对全局池化过程信息损失严重的问题,采用最大池化拼接全局池化来进行全局特征信息的提取。然后,针对稀疏点云模型性能不高的问题,结合密集连接思想优化点云分类网络结构,将不同动态图的层次特征连接起来,计算出信息丰富的边缘向量,减轻了梯度消失问题,有效的提高了稀疏点云分类性能。最后,在标准公开数据集Model Net40上,对本文提出的基于位置关系加权的动态图卷积点云分类模型进行相关的实验验证,实验结果表明本文所提出的方法表现出了较好的分类效果。

摘要： As Virtual Reality (VR) becomes increasingly popular and affordable, and is applied in other fields than entertainment, such as education and industrial use, there is also a grow- ing risk related to its integrity and security. VR equipment tracks user biometric data as a means to interact with the VR environment, which creates sets of biometric data that could be used to identify users. Such biometric templates are potentially harmful if stolen by a malicious third party. This thesis investigates if user identification is possible within a set of participants (N:10) through a study using their movement and eye biometric data gathered within VR sessions, where they perform a teleoperation task designed to sim- ulate a real-world use case. By performing 3 data collection sessions for each participant and using the gathered data to train 4 classification models, we show that a high level of accuracy can be attained while using simple machine learning approaches, adiieving a peak accuracy of 8926% with a dataset designed to challenge our models. We further ana« Iyze the accuracy results from the trained models, and discuss the identification power of different data types, which highlights how the characteristics of the task performed affects the usefulness of data types.

关键词： 旋转机械   寿命预测   异化深度学习   模式识别   小样本  

摘要： 旋转机械被广泛应用于各种工业领域,如风力涡轮机、汽车、航空发动机等。设备剩余使用寿命(Remaining useful life,RUL)预测作为预测和健康管理(Prognostic and Health Management,PHM)的关键部分,其准确预测可以帮助旋转机械设备预测性运维,进而避免人员伤亡提高经济效益。因此,准确的剩余使用寿命预测是非常重要的。工业4.0以来,随着传感技术、信号处理技术和人工智能技术的快速发展,数据驱动方法,特别是基于深度学习的剩余使用寿命预测方法,在学术界与工业界迅猛发展。本文以旋转机械为研究对象,针对绝大部分深度学习方法对输入数据单一模式学习的缺陷,基于旋转机械故障演化特性,提出了异化深度学习方法并演化系列异化深度学习模型对输入数据进行特征抓取与学习,并结合预测和健康管理相关理论,对旋转设备进行剩余使用寿命智能预测。以下为本文主要创新点与工作内容:(1)为了对旋转机械进行全面监测并对其动态退化不同过程进行准确描述,面向多源输入(多源原始数据、多维特征),提出了基于层间序信息理念的深度异化学习模型。针对面向机械设备输入的层间序列信息的层级无明确物理意义的缺陷,本文提出了一种新的注意力引导有序神经元的长短期记忆神经网络(LSTM-AON),通过注意力有序神经元对多源输入进行层级划分并赋予物理意义,进行分层级异化学习,进而提高预测性能。同时针对不同层级信息之间的耦合效应,提出了一种新的具有多层级更新规则的长短期记忆神经网络变体(Cocktail LSTM),其能够相对充分地利用层间序信息,进一步提高剩余使用寿命预测能力。以上方法的有效性通过IEEE2008航空发动机数据及实际风电齿轮箱轴承寿命数据验证。(2)基于序信息层级的被动异化学习,存在多层级扩展限制,提出了突破层级限制的主动异化深度学习方法。a)针对包括长短期记忆网络在内的大多数神经网络无法根据输入数据的趋势程度以不同的更新方式处理输入数据的问题,提出了一种主动异化学习模型,即构建了一种新的长短期记忆网络变体—多细胞长短期记忆网络(MCLSTM)。首先提出了数据趋势划分单元来确定输入数据趋势,然后设计了多个子细胞单元依据数据趋势级别更新子细胞状态。因此,MCLSTM可以很好地挖掘出不同程度的退化趋势。面向多源输入,基于MCLSTM构建的深度学习模型成功应用于IEEE2008航空发动机数据及实际风电齿轮箱轴承剩余使用寿命预测。b)多源输入不仅能够在时间维度上反映旋转机械的退化趋势,也能在空间维度上反映旋转机械此时刻健康状态。因此时空主动异化学习方法被提出从时空角度充分监测旋转机械健康状态退化过程。对空间维度,分别提出空间多异化卷积结构(MCNN)和空间多异化反卷积结构(MINN),依据多源输入的健康状态级别进行多异化特征提取;对时间维度,分别提出多细胞双向长短期记忆网络(MBLSTM)和多头递归神经网络(MGRU),依据多源输入的(双向)单向趋势级别进行多异化特征学习。基于时空多异化网络,提出串并联深度结构,并进一步提出简化结构进行加速。以上方法的有效性通过IEEE2008航空发动机数据及实际风电齿轮箱轴承寿命数据验证。(3)基于模式识别的寿命智能预测方法,异分布寿命数据往往会导致寿命预测低精度。现阶段迁移学习预测方法往往通过缩小源域数据及目标域数据高层级特征单一分布距离实现域不变特征学习提高异分布预测能力。高层级特征意味着预测模型过于深度,在寿命预测领域也意味着庞大的计算负担,而单一的分布距离缩小往往没有多个异化分布距离缩小更易接近真实的域不变分布。因此基于以上缺陷,本文提出了多异化分布微观迁移,在递归网络(MCLSTM)内部进行细胞元层次的多异化分步迁移研究。基于网络的递归特性,所提模型无深度需求,因此也是一种浅层特征迁移。以上方法的有效性通过IEEE2008航空发动机数据及实际风电齿轮箱轴承寿命数据验证。(4)基于模式识别方法对寿命样本质量与数量要求高,而在实际工程中,寿命样本往往是有限的、不完整的。研究面向小样本的智能寿命预测方法,提出基于变分自编码器的具备稳定阈值的健康指标构建技术,进一步提出偏心长短期记忆神经网络和宏微观注意力机制长短期记忆网络对健康指标进行不同时间尺度上的特征筛选进行差异化学习,从而对旋转机械剩余寿命进行逐步预测。以上方法的有效性通过重庆大学机械传动实验室齿轮接触疲劳实验寿命数据及实际风电齿轮箱轴承寿命数据验证。

关键词： 机械故障模式识别   深度学习   实时故障检测   循环神经网络   卷积深度置信网络  

摘要： 为了满足产能需求,在规模化集成化的工业生产带来的压力下,机械设备往往长时间工作于重载、高速、高温高压的环境中。在这样的环境中,轴承等关键部件易产生疲劳、积累微小病灶、发生性能退化甚至引起整个机械系统的失效。因此,为了保障机械系统可靠安全地运行,对轴承进行运行健康状态识别至关重要。传统的故障模式识别方法通过信号处理,人为地进行时域、频域或时频域分析,但受机械系统结构、干扰成分等因素影响,分析的速度与有效性存在一定局限性。智能故障模式识别方法可以在一定程度上克服这一问题。然而,现有的智能故障模式识别研究较多建立在故障已经发生的假设下,且检测任务往往侧重于单一故障的精准识别。在一定程度上忽视了同一部件上存在多个故障或是在运行过程中出现突发故障等可能的情形。针对传统信号处理方法和常见智能故障模式识别方法对特殊场景的局限性,在国家自然科学基金面上项目等项目的资助下,本文以轴承等旋转机械关键零部件作为主要研究对象,基于深度学习理论构建部件故障特征学习模型,并以此为基础研究复合故障识别和实时故障检测问题。首先,为了研究滚动轴承的复合故障识别问题,提出了一种基于优化的卷积深度置信网络(Convolutional Deep Belief Networks,CDBN)的识别模型。所提出的模型利用层级网络提取数据的深层特征,并有效利用了各层特征,实现了轴承的复合故障识别。首先,在预处理阶段加入了带通滤波方法和白化算法增强信号;其次,在训练阶段采用了 Adam优化器加速训练过程;最后,结合双层Softmax网络,融合多层特征,使模型各层的特征得到充分利用。在对复合故障模式的识别实验分析中,所提出的模型对数据集的单一和复合故障模式的识别均取得了较为理想的结果。对比实验证明了与标准CDBN 网络相比,优化后的CDBN模型拥有更高的分类准确率。进一步地,与稀疏自动编码器、人工神经网络和深度置信网络相比,本文提出的方法训练误差在下降过程更平滑的同时诊断准确率更高,充分证明了所提模型的优越性。随后,针对机械故障模式的实时检测和识别问题,本文提出了一种基于门控循环单元(Gated recurrent unit,GRU)模型的突发故障识别模型。该模型综合考虑了单一的故障模式分类和剩余寿命预测问题,将诊断目标侧重于沿着时间轴跟踪设备运行状态并实现快速的故障模式识别。所提出的方案试图解决网络的可解释性并实现趋势预测和分类之间的平衡。所提模型旨在对设备状态进行监测,当突发故障发生,模型结构中的单向GRU网络相应地被激活,以实现对故障模式的快速识别。在激活网络层后,紧跟着构建了双向长短期记忆网络(Long shorttermnetwork,LSTM)结构对故障片段进行处理,确保该片段的不同特征被有效学习以进行识别。实验结果和对比结果进一步证实了所提出的网络可以解决健康状态监测和故障识别任务。综上,本文提出了基于CDBN的故障模式识别模型在信号处理阶段引入信号强化方法、运用深层卷积置信网络进行特征学习、在分类阶段引入特征融合实现有效诊断;同时,在考虑应对故障模式突变的情况时,提出了一种针对突发故障的数据处理方式,并运用基于循环神经网络的突发故障检测模型层次化地对状态数据进行检测,以达到故障实时监测和分类的目的。