摘要:在铁路系统中，转辙机是确保列车安全顺畅运行的关键设备。S700K转辙机的故障诊断对于预防事故和维护铁路运营至关重要。为了解决传统诊断方法在速度和准确性上的不足，提出了一种融合深度残差收缩网络(DRSN)与双向长短期记忆神经网络(BiLSTM)的诊断模型。首先，对转辙机功率曲线进行预处理；其次，利用DRSN对预处理数据进行自动特征学习，并压缩数据长度，提高诊断的快速性，其注意力机制和软阈值化降低了噪声特征的影响，并且DRSN网络结构有助于克服网络退化和过拟合的问题；随后，利用BiLSTM的双向结构捕捉时间序列数据中复杂的关系；最后使用Softmax分类器进行故障分类。仿真结果表明DRSN-BiLSTM模型的准确率、精确率、召回率均超过了98.3%，并且该模型故障诊断的准确率相较于DRSN、深度神经网络(DNN)和卷积神经网络(CNN)等模型至少提高了1.47%，并且在添加15~40 db高斯白噪声情况下准确率保持在92.7%以上，较其余模型至少提升2%。该模型在确保训练过程的高效性的同时提升了转辙机故障诊断准确率，并且在噪声环境下展现出了优秀的鲁棒性。

摘要:针对传统运维知识库不具备图像故障现象识别能力,无法处理非结构化数据的问题,基于深度学习的故障分类网络,提出改进胶囊网络特征提取结构的 Caps-DRFN 算法,实现机电设备运维图像自动分类。 首先,针对运维图像存在的多噪声问题,引入深度残差收缩网络(deep residual shrinkage networks,DRSN)提高模型在含噪声数据上的特征提取效果。 然后,针对实际拍摄的运维图像多尺度问题,结合 FPN(feature pyramid networks)算法,实现图像多尺度特征融合提高模型分类准确率。 最后,利用胶囊结构构建向量神经元,通过动态路由的特征传递方式,得到分类结构数字胶囊,实现机电设备故障分类。 实验结果表明,相较于传统胶囊网络算法,提出的基于特征融合的 Caps-DRFN 算法准确率提高了 15%且有着更强的鲁棒性。