摘要：针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题,提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先,使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换,提取出时频域特征并将一维信号转换成二维图片;然后,结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类,LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明,本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度,基本可以实现滚动轴承的实时故障诊断,且在内存消耗与模型存储占用空间方面远小于其他同类方法。

摘要：复合材料蜂窝结构在飞机服役过程中产生的积水缺陷在日常维护和检修过程中依赖人工、检测效率低、自动化程度低,若未能及时发现将严重威胁飞行安全;针对该问题,结合实际检修场景中使用的移动或嵌入式设备算力有限的情况,设计了一种融合通道注意力和倒残差算法的模块SE-IR,进一步搭建了基于SE-IR模块的轻量级网络SE-IR LCNN,尽可能地在保证网络检测准确率的同时减小网络的参数量;为了验证所提轻量级网络的有效性、使用数字X射线摄影设备获取蜂窝结构及其积水缺陷数字化图像并制成数据集;在该数据集上的实验结果表明,所提轻量级网络的分类准确率为99.20%,可有效筛选出飞机蜂窝结构的积水缺陷;相较于经典网络ResNet-50和VGG-16,所提网络的准确率分别提升了9.6%和3.66%、参数量仅为ResNet-50参数量的1/10、VGG-16参数量的1/50。