布里渊光时域分析(BOTDA)系统中的布里渊增益谱(BGS)可能存在噪声,造成布里渊频移等重要信息难以提取的问题,故需对BGS降噪。现有BGS降噪方法分为基于模型的方法(如BM3D)和基于学习方法(如Dn CNN)两大类,分别存在降噪速度慢和可解释性...布里渊光时域分析(BOTDA)系统中的布里渊增益谱(BGS)可能存在噪声,造成布里渊频移等重要信息难以提取的问题,故需对BGS降噪。现有BGS降噪方法分为基于模型的方法(如BM3D)和基于学习方法(如Dn CNN)两大类,分别存在降噪速度慢和可解释性差的问题。对此提出基于多尺度深度展开网络(MSDUN)的BGS降噪方法,具有降噪效果好、降噪速度快、可解释性好的优点。MSDUN通过将输入图像经过一系列参数可学习的降噪模块实现降噪,卷积神经网络是隐含在每个降噪模块中的,因此MSDUN结构层次清楚,具有明晰的可解释性。由于在单个降噪模块中使用了卷积神经网络,因此降噪速度相比BM3D这类基于模型的方法更快。仿真和实验结果表明,MSDUN可以将三维BGS灰度图信噪比增强8.14 d B,降噪效果上优于BM3D的3.92 d B和Dn CNN的2.23 d B;降噪速度上,MSDUN只需4.8 s,比BM3D快了近30倍;相比Dn CNN,MSDUN算法层次结构更加清晰,可解释性好。展开更多
为提升风电机组运行效率并优化运维成本,将时域特征指标分析技术与多传感器信息融合策略相结合,提出一种基于灰狼优化(Grey wolf optimization,GWO)算法-支持向量机(Support vector machine,SVM)的风电齿轮箱状态监测方法。首先计算了...为提升风电机组运行效率并优化运维成本,将时域特征指标分析技术与多传感器信息融合策略相结合,提出一种基于灰狼优化(Grey wolf optimization,GWO)算法-支持向量机(Support vector machine,SVM)的风电齿轮箱状态监测方法。首先计算了表征振动能量的不同时域统计特征值,采用并行叠加方式进行特征级和数据级融合得到信息融合矩阵。在此基础上建立了基于GWO-SVM的故障诊断分类模型。为验证模型性能,使用QPZZ-Ⅱ旋转机械振动试验台所采集的齿轮箱实测数据对本文所提方法进行验证分析,结果表明该方法明显优于其他传统方法,其在分类诊断准确率上展现出显著优势。展开更多
文摘布里渊光时域分析(BOTDA)系统中的布里渊增益谱(BGS)可能存在噪声,造成布里渊频移等重要信息难以提取的问题,故需对BGS降噪。现有BGS降噪方法分为基于模型的方法(如BM3D)和基于学习方法(如Dn CNN)两大类,分别存在降噪速度慢和可解释性差的问题。对此提出基于多尺度深度展开网络(MSDUN)的BGS降噪方法,具有降噪效果好、降噪速度快、可解释性好的优点。MSDUN通过将输入图像经过一系列参数可学习的降噪模块实现降噪,卷积神经网络是隐含在每个降噪模块中的,因此MSDUN结构层次清楚,具有明晰的可解释性。由于在单个降噪模块中使用了卷积神经网络,因此降噪速度相比BM3D这类基于模型的方法更快。仿真和实验结果表明,MSDUN可以将三维BGS灰度图信噪比增强8.14 d B,降噪效果上优于BM3D的3.92 d B和Dn CNN的2.23 d B;降噪速度上,MSDUN只需4.8 s,比BM3D快了近30倍;相比Dn CNN,MSDUN算法层次结构更加清晰,可解释性好。
文摘为提升风电机组运行效率并优化运维成本,将时域特征指标分析技术与多传感器信息融合策略相结合,提出一种基于灰狼优化(Grey wolf optimization,GWO)算法-支持向量机(Support vector machine,SVM)的风电齿轮箱状态监测方法。首先计算了表征振动能量的不同时域统计特征值,采用并行叠加方式进行特征级和数据级融合得到信息融合矩阵。在此基础上建立了基于GWO-SVM的故障诊断分类模型。为验证模型性能,使用QPZZ-Ⅱ旋转机械振动试验台所采集的齿轮箱实测数据对本文所提方法进行验证分析,结果表明该方法明显优于其他传统方法,其在分类诊断准确率上展现出显著优势。
