检索结果-维普期刊中文期刊服务平台

基于SSAE-IARO-BiLSTM的工业过程故障诊断研究: 1; 作者张瑞成孙伟良梁卫征《振动与冲击》 EI CSCD 北大核心 2024年第15期244-250,260,共8页; 针对工业过程故障诊断精度低的问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto-encoder network, SSAE)和改进人工兔算法优化双向长短时记忆神经网络(improved artificial rabbit algorithm optimized bidirectional long ... 展开更多; 关键词故障诊断人工兔算法(IARO) 双向长短时记忆网络(BiLSTM) 栈式稀疏自编码器(ssae); 在线阅读下载PDF 职称材料

基于DVMD和SSAE的柴油机混合故障诊断被引量：4: 2; 作者白雲杰贾希胜梁庆海《振动与冲击》 EI CSCD 北大核心 2022年第11期271-277,297,共8页; 针对柴油机缸盖振动信号非平稳非线性的特点,提出一种基于散布熵改进的变分模态分解(DVMD)和堆叠稀疏自编码器(SSAE)相结合的柴油机混合故障诊断方法。利用散布熵确定变分模态分解的层数K,并根据散布熵转折点选取有效模态分量。分别对... 展开更多; 关键词变分模态分解堆叠稀疏自编码器柴油机故障诊断; 在线阅读下载PDF 职称材料

基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别被引量：38: 3; 作者郭立民寇韵涵 +1 位作者陈涛张明《电子与信息学报》 EI CSCD 北大核心 2018年第4期875-881,共7页; 针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2... 展开更多; 关键词低截获概率雷达 CWD时频分析图像预处理深度学习栈式稀疏自编码器; 在线阅读下载PDF 职称材料

基于BAS优化堆栈稀疏自编码器的轴承故障诊断被引量：2: 4; 作者张磊陈剑 +3 位作者孙太华曹昆明阚东程明《合肥工业大学学报（自然科学版）》 CAS 北大核心 2022年第12期1608-1614,1662,共8页; 针对复杂工况下轴承载荷的时变非平稳性,文章提出一种基于天牛须搜索(beetle antennae search,BAS)算法优化堆栈稀疏自编码器的轴承故障诊断方法,以解决复杂工况下难以快速准确判断轴承故障类型的问题。首先,通过对轴承振动信号进行时... 展开更多; 关键词轴承故障诊断深度神经网络堆栈稀疏自编码器变分模态分解天牛须搜索(BAS)算法; 在线阅读下载PDF 职称材料

题名基于SSAE-IARO-BiLSTM的工业过程故障诊断研究: 1; 作者张瑞成孙伟良梁卫征; 机构华北理工大学电气工程学院; 出处《振动与冲击》 EI CSCD 北大核心 2024年第15期244-250,260,共8页; 基金河北省自然科学基金资助项目(F2018209201) 河北省省属高校基本科研业务费资助项目(JQN2021021) 唐山市科技局科技计划项目(22130213G)。; 文摘针对工业过程故障诊断精度低的问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto-encoder network, SSAE)和改进人工兔算法优化双向长短时记忆神经网络(improved artificial rabbit algorithm optimized bidirectional long short-term memory neural network, IARO-BiLSTM)的故障诊断方法。首先,利用SSAE网络强大的特征提取能力,实现对原始数据进行降维处理;其次,引入Circle混沌映射以达到丰富种群数量的目的,提出权重系数和Levy飞行机制改进人工兔算法的位置更新公式,提高人工兔算法的寻优能力,进而对BiLSTM网络的参数进行优化。最后,利用优化后的BiLSTM网络实现对故障的识别和分类。通过选取多组数据集进行验证,结果表明,基于SSAE-IARO-BiLSTM故障诊断方法能够准确地对故障进行识别和分类,且诊断准确率可达98%以上。; 关键词故障诊断人工兔算法(IARO) 双向长短时记忆网络(BiLSTM) 栈式稀疏自编码器(ssae); Keywords fault diagnosis improved artificial rabbit optimization(IARO) bidirectional long short-term memory(BiLSTM)network stacked sparse auto-encoder(ssae); 分类号 TP301 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于DVMD和SSAE的柴油机混合故障诊断被引量：4: 2; 作者白雲杰贾希胜梁庆海; 机构陆军工程大学河北省机械装备状态监测与评估重点实验室; 出处《振动与冲击》 EI CSCD 北大核心 2022年第11期271-277,297,共8页; 文摘针对柴油机缸盖振动信号非平稳非线性的特点,提出一种基于散布熵改进的变分模态分解(DVMD)和堆叠稀疏自编码器(SSAE)相结合的柴油机混合故障诊断方法。利用散布熵确定变分模态分解的层数K,并根据散布熵转折点选取有效模态分量。分别对选取的各模态分量提取常用14个时域特征和小波包分解后的能量特征,构建混合多特征向量,输入基于堆叠稀疏自编码器和Softmax层构建的深度神经网络(DNN)中,实现了柴油机7种混合故障模式识别。与其他常见方法进行对比,结果表明该方法能够有效提取故障特征,具有较高的诊断准确率。; 关键词变分模态分解堆叠稀疏自编码器柴油机故障诊断; Keywords variational mode decomposition(VMD) stacked sparse autoencoder(ssae) diesel engine fault diagnosis; 分类号 TH212 [机械工程—机械制造及自动化] TH213.3 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别被引量：38: 3; 作者郭立民寇韵涵陈涛张明; 机构哈尔滨工程大学信息与通信工程学院; 出处《电子与信息学报》 EI CSCD 北大核心 2018年第4期875-881,共7页; 基金国家自然科学基金(61571146) 中央高校基本科研业务费专项资金(HEUCFP201769)~~; 文摘针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2维时频图像;然后对得到的时频原始图像进行预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练;最后把SAE自动提取的特征输入softmax分类器,实现雷达信号的在线分类识别。仿真结果表明,信噪比为-6 dB时,该系统对8种LPI雷达信号(LFM,BPSK,Costas,Frank和T1~T4)的整体平均识别率达到96.4%,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。; 关键词低截获概率雷达 CWD时频分析图像预处理深度学习栈式稀疏自编码器; Keywords Low Probability of Intercept （LPI） radar Choi-Williams Distribution （CWD） time-frequency analyzing Image preprocessing Deep learning stacked sparse auto-encoder （ssae）; 分类号 TN957.51 [电子电信—信号与信息处理]; 在线阅读下载PDF 职称材料

题名基于BAS优化堆栈稀疏自编码器的轴承故障诊断被引量：2: 4; 作者张磊陈剑孙太华曹昆明阚东程明; 机构合肥工业大学噪声振动工程研究所安徽省汽车NVH技术研究中心; 出处《合肥工业大学学报（自然科学版）》 CAS 北大核心 2022年第12期1608-1614,1662,共8页; 基金国家自然科学基金青年基金资助项目(11604070) 安徽省科技重大专项资助项目(17030901049)。; 文摘针对复杂工况下轴承载荷的时变非平稳性,文章提出一种基于天牛须搜索(beetle antennae search,BAS)算法优化堆栈稀疏自编码器的轴承故障诊断方法,以解决复杂工况下难以快速准确判断轴承故障类型的问题。首先,通过对轴承振动信号进行时域、频域特征提取和变分模态分解,得到其固有模态函数,提取其时域、频域和固有模态函数的44个特征构建数据集,作为机器学习诊断网络的输入;其次,通过稀疏自编码器二次特征提取获得更加典型的特征,同时引入BAS算法对堆栈稀疏自编码器的稀疏惩罚因子进行自适应选取以获得最优分类模型;最后,通过Softmax分类层实现对滚动轴承的故障诊断分类。试验结果表明,该方法不仅在平稳载荷下具有很好的轴承故障分类能力,而且在时变非平稳性载荷以及不同测试数据量下仍然具有较好的故障分类效果。; 关键词轴承故障诊断深度神经网络堆栈稀疏自编码器变分模态分解天牛须搜索(BAS)算法; Keywords bearing fault diagnosis deep neural network stacked sparse autoencoder(ssae) variational mode decomposition beetle antennae search(BAS)algorithm; 分类号 TH133.33 [机械工程—机械制造及自动化] TP206 [自动化与计算机技术—检测技术与自动化装置] TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于SSAE-IARO-BiLSTM的工业过程故障诊断研究	张瑞成孙伟良梁卫征	《振动与冲击》 EI CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	基于DVMD和SSAE的柴油机混合故障诊断	白雲杰贾希胜梁庆海	《振动与冲击》 EI CSCD 北大核心	2022	4	在线阅读下载PDF 职称材料
3	基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别	郭立民寇韵涵陈涛张明	《电子与信息学报》 EI CSCD 北大核心	2018	38	在线阅读下载PDF 职称材料
4	基于BAS优化堆栈稀疏自编码器的轴承故障诊断	张磊陈剑孙太华曹昆明阚东程明	《合肥工业大学学报（自然科学版）》 CAS 北大核心	2022	2	在线阅读下载PDF 职称材料