基于一维卷积神经网络的钢轨波磨迁移诊断方法

1

作者 王阳 肖宏 +3 位作者 张智海 迟义浩 魏绍磊 方树薇 《铁道学报》 北大核心 2025年第4期115-123,共9页

监测钢轨表面波磨状态是控制铁路环境振动与噪声的必要措施,利用安装在运营列车车体上的加速度传感器实现对钢轨波磨的实时监测,具有低成本、高效和便携的优点。为实现利用车体动态响应识别钢轨波磨,通过小波变换等手段分析钢轨波磨激... 监测钢轨表面波磨状态是控制铁路环境振动与噪声的必要措施,利用安装在运营列车车体上的加速度传感器实现对钢轨波磨的实时监测,具有低成本、高效和便携的优点。为实现利用车体动态响应识别钢轨波磨,通过小波变换等手段分析钢轨波磨激励下车体振动特性,建立车辆-轨道刚柔耦合模型,获取车体垂向加速度仿真数据集。基于一维卷积神经网络搭建钢轨波磨检测模型并在仿真数据集上进行训练,与其他几种常见的检测模型进行对比,最后将模型迁移到实测车体垂向加速度数据集上实现对钢轨波磨的诊断。研究结果表明,钢轨波磨激励的振动能量在运行方向左侧和右侧空气弹簧对应的地板表面位置基本相同,通过车体垂向振动加速度信号无法区分左右两股钢轨的差异。与SVM、LSTM及2D-CNN相比,本文提出的钢轨波磨检测模型精度最高,单个样本推理时间仅为1.00 ms,钢轨波磨识别准确度达92.38%。 展开更多

关键词 钢轨波磨 车载检测 数据驱动 迁移学习 一维卷积神经网络(1d-cnn)

在线阅读 下载PDF 职称材料

基于PCC-VMD的一维卷积神经网络的轴承早期故障诊断

2

作者 邓志超 张清华 于军 《机床与液压》 北大核心 2025年第2期9-15,共7页

针对轴承早期微弱故障信号容易被强噪声环境掩盖、特征难以提取的问题,提出一种基于皮尔逊相关系数和变分模态分解的一维卷积神经网络的早期故障诊断方法。采用VMD对原始振动信号进行变分模态分解;计算各模态分量与原始信号的皮尔逊相... 针对轴承早期微弱故障信号容易被强噪声环境掩盖、特征难以提取的问题,提出一种基于皮尔逊相关系数和变分模态分解的一维卷积神经网络的早期故障诊断方法。采用VMD对原始振动信号进行变分模态分解;计算各模态分量与原始信号的皮尔逊相关系数,再根据相关系数阈值去掉噪声分量并对信号进行重构,最后对重构信号进行傅里叶变换并输入到一维卷积神经网络中,利用一维卷积神经网络对轴承早期故障进行诊断。利用所提方法对西储大学(CWRU)轴承数据集的滚动轴承故障数据进行分析,诊断准确率达到99%以上,验证了所提方法对滚动轴承早期故障诊断的有效性。 展开更多

关键词 皮尔逊相关系数 变分模态分解 一维卷积神经网络(1d-cnn) 早期故障诊断

在线阅读 下载PDF 职称材料

基于一维多尺度神经网络和库普曼池化的滚动轴承故障诊断方法

3

作者 孙祯 周素霞 《科学技术与工程》 北大核心 2024年第24期10297-10304,共8页

滚动轴承作为机械运转的核心部件,其发生故障会导致旋转机械运行状态的恶化。卷积网络作为滚动轴承故障诊断的一种方法,针对其固定窗口局限性,结合一维卷积神经网络(1D convolutional neural network, 1D-CNN)在处理一维数据的优势,利... 滚动轴承作为机械运转的核心部件,其发生故障会导致旋转机械运行状态的恶化。卷积网络作为滚动轴承故障诊断的一种方法,针对其固定窗口局限性,结合一维卷积神经网络(1D convolutional neural network, 1D-CNN)在处理一维数据的优势,利用多尺度思想在同一层同时使用不同大小的窗口提取信号特征,根据时间维度信息对异常检测方法的影响,将1D-CNN的池化层与Koopman模型结合,得到高阶动态特征;最后将所得到的故障特征输入全连接层中进行故障诊断。为验证模型优势,对所提出的初始模型和两种改进模型在相同工况下进行对比,同时与支持向量机(support vector machine, SVM)和BP神经网络(back propagation neural network, BPNN)等算法进行对比分析。结果表明:所提模型的识别效果较好,滚动轴承故障准确率可以达到99.99%。 展开更多

关键词 滚动轴承 故障诊断 一维多尺度卷积网络(1d-cnn) Koopman池化

在线阅读 下载PDF 职称材料

基于深度多尺度一维卷积神经网络的雷达舰船目标识别 被引量：31

4

作者 郭晨 简涛 +2 位作者 徐从安 何友 孙顺 《电子与信息学报》 EI CSCD 北大核心 2019年第6期1302-1309,共8页

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取... 为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。 展开更多

关键词 雷达目标识别 高分辨1维距离像 多尺度 卷积神经网络 中心损失函数

在线阅读 下载PDF 职称材料

基于残差连接和1D-CNN的滚动轴承故障诊断研究 被引量：43

5

作者 赵敬娇 赵志宏 杨绍普 《振动与冲击》 EI CSCD 北大核心 2021年第10期1-6,共6页

针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接... 针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。 展开更多

关键词 一维卷积神经网络(1d-cnn) 残差连接 轴承故障诊断

在线阅读 下载PDF 职称材料

一种1D-CNN与多传感器信息融合的液压系统故障诊断方法 被引量：7

6

作者 陈书辉 章猛 +1 位作者 刘辉 张超勇 《机械科学与技术》 CSCD 北大核心 2023年第5期715-723,共9页

针对液压信号复杂且难以诊断的难点,提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型(MS1D-CNN-MSIF)对液压泵与蓄能器进行故障诊断。在提出方法中,采用不同大小的卷积核对故障信号进行多尺度特征提取;然后使用多... 针对液压信号复杂且难以诊断的难点,提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型(MS1D-CNN-MSIF)对液压泵与蓄能器进行故障诊断。在提出方法中,采用不同大小的卷积核对故障信号进行多尺度特征提取;然后使用多传感器信息融合策略将多个传感器的特征信号进行融合,最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明,与支持向量机、堆栈自编码、深度置信网络比较,提出模型具有更好的故障诊断性能,蓄能器识别精度可达99.50%,液压泵识别精度可达99.73%。 展开更多

关键词 1d-cnn 多尺度卷积 多传感器信息融合 液压泵 蓄能器 深度神经网络

在线阅读 下载PDF 职称材料

基于mini-1D-CNN模型的TE过程故障诊断 被引量：2

7

作者 杨余 杨鑫 +2 位作者 王英 翟持 张浩 《中国安全科学学报》 CAS CSCD 北大核心 2023年第2期173-178,共6页

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自... 为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明:相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。 展开更多

关键词 最小一维卷积神经网络(mini-1d-cnn) 田纳西-伊斯曼(TE)过程 故障诊断 过程监测 贡献系数

在线阅读 下载PDF 职称材料

基于多维卷积神经网络的多源高分辨率卫星影像茶园分类 被引量：2

8

作者 廖廓 聂磊 +5 位作者 杨泽宇 张红艳 王艳杰 彭继达 党皓飞 冷伟 《自然资源遥感》 CSCD 北大核心 2022年第2期152-161,共10页

武夷山市地形条件、茶园种植结构复杂,云雨天气多、卫星影像难获取。针对单一影像源茶园难提取的问题,以武夷山市新田镇为研究区,综合Sentinel-2影像的光谱信息和Google影像的纹理特征,提出一种基于多源高分辨率卫星影像和多维卷积神经... 武夷山市地形条件、茶园种植结构复杂,云雨天气多、卫星影像难获取。针对单一影像源茶园难提取的问题,以武夷山市新田镇为研究区,综合Sentinel-2影像的光谱信息和Google影像的纹理特征,提出一种基于多源高分辨率卫星影像和多维卷积神经网络(multidimensional multi-source convolutional neural networks,MM-CNN)的茶园分类方法。该方法以一维和二维卷积神经网络为基础,根据不同分辨率的影像,通过建立2种模型,分别提取茶园及疑似区域,并融合2个模型结果,最终得到茶园分布,以相对经济、高效的方式完成研究区茶园分布的高精度提取。结果表明,MM-CNN融合多源高分辨率影像进行茶园提取的空间分布精度优于单一影像源方法,MM-CNN方法具有一定的普适性和鲁棒性,为南方丘陵山区大范围高效监测茶园分布情况提供了方法参考。 展开更多

关键词 武夷山市 茶园 卷积神经网络 语义分割 U-Net 1d-cnn Sentinel-2 Google影像

在线阅读 下载PDF 职称材料

考虑空间相关性的MSCNN LSTM Attention能见度预测模型

9

作者 王小建 苏彤 +6 位作者 马飞 林智婕 白元旦 郭庆元 魏俊涛 黄凯 徐玉凤 《安全与环境学报》 北大核心 2025年第4期1622-1632,共11页

准确预测能见度对保障交通运输安全具有重要意义。针对现有方法在能见度预测时对影响因素空间相关性考虑不足导致预测精度较低的问题,研究构建了一种考虑空间相关性的能见度预测模型。利用一维多尺度卷积神经网络(Multi-Scale Convoluti... 准确预测能见度对保障交通运输安全具有重要意义。针对现有方法在能见度预测时对影响因素空间相关性考虑不足导致预测精度较低的问题,研究构建了一种考虑空间相关性的能见度预测模型。利用一维多尺度卷积神经网络(Multi-Scale Convolutional Neural Network, MSCNN)提取能见度以预测各影响因素下不同精细度的空间特征,并将其进行线性融合得到多因素空间特征,实现对能见度预测影响因素的空间特征提取;利用Attention机制加强对关键信息关注的优势以对长短期记忆神经网络(Long-Short Term Memory Neural Network, LSTM)方法进行改进,进而增强模型对重要时序信息关注的能力和模型预测的准确性,实现在考虑影响因素空间相关性下对能见度的预测。以2021—2023年西安市逐时气象数据和污染物数据为试验数据,采用均方根误差(RMSE)、平均绝对误差(MAE)和R2指标对模型进行评价。试验结果显示,研究模型MAE下降26.3%~39.1%,RMSE下降25%~40%,R2提升3.7%~16.4%,能见度预测精度较高。 展开更多

关键词 环境科学技术基础学科 能见度预测 空间相关性 一维多尺度卷积神经网络 长短期记忆神经网络 注意力机制

在线阅读 下载PDF 职称材料

基于全透射近红外光谱的空心西瓜在线检测方法研究

10

作者 李佳琪 田喜 +2 位作者 王庆艳 何鑫 黄文倩 《光谱学与光谱分析》 北大核心 2025年第5期1440-1447,共8页

西瓜具有很高营养价值,医学上具有解暑的功效。成熟度、甜度和是否空心是西瓜评价的关键指标,成为市场竞争力的重要因素,西瓜空心的筛选保证西瓜更高品质,提高市场竞争力。通过实验室自主研发的全透射近红外光谱设备采集307个西瓜光谱... 西瓜具有很高营养价值,医学上具有解暑的功效。成熟度、甜度和是否空心是西瓜评价的关键指标,成为市场竞争力的重要因素,西瓜空心的筛选保证西瓜更高品质,提高市场竞争力。通过实验室自主研发的全透射近红外光谱设备采集307个西瓜光谱。根据西瓜空心位置主要发生在瓜体中心的特点,创新性提出对光谱进行区域分割和权重处理。通过支持向量机(SVM)和偏最小二乘判别分析(PLSDA)算法分别挑选出最优的两种权重光谱,基于原始光谱、权重光谱以及进行多元散射矫正(MSC)和卷积平滑(SGS)预处理后的光谱,3种光谱采用SVM和PLSDA分别进行空心西瓜分类建模。结果显示,相比原始光谱建立的模型,通过预处理并不一定会加强模型效果,甚至会降低模型效果,通过两种权重光谱建立模型效果最好,准确率分别为96.74%(SVM)和92.39%(PLSDA),权重处理后的光谱相比原始光谱和其他两种预处理后的光谱具有更好的建模效果。采用SVM和PLSDA两种算法挑选出的权重光谱和原始光谱分别进行一维卷积神经网络(1D-CNN)建立分类模型,模型准确率分别为98.92%(SVM),96.77%(PLSDA)和95.70%(原始光谱)。结果表明,1D-CNN建模效果相比SVM和PLSDA建模效果更好,并且光谱分割和权重处理后的光谱在1D-CNN中仍然适用,效果相比原始光谱更好,此研究为空心西瓜无损在线分级检测提供了重要的技术支撑。 展开更多

关键词 全透射近红外光谱 空心西瓜 权重光谱 一维卷积神经网络(1d-cnn)

在线阅读 下载PDF 职称材料

融合多尺度特征的冬小麦空间分布提取方法 被引量：4

11

作者 陈芳芳 宋姿睿 +6 位作者 张景涵 王梦楠 吴门新 张承明 李峰 柳平增 杨娜 《农业工程学报》 EI CAS CSCD 北大核心 2022年第24期268-274,共7页

获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键,该研究针对利用哨兵2A(Sentinel-2A)影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题,以生成式对抗网络为基础建立了降尺度模型... 获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键,该研究针对利用哨兵2A(Sentinel-2A)影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题,以生成式对抗网络为基础建立了降尺度模型REDS(Red Edge Down Scale),用于将B5、B6、B7、B114个通道的空间分辨率从20 m降为10 m;然后利用卷积神经网络构建了逐像素分割模型REVINet(Red Edge and Vegetation Index Feature Network),REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11,以及提取出的增强植被指数、归一化植被指数和归一化差值红边指数组合作为输入,进行逐像素分类。选择ERFNet、U-Net和RefineNet作为对比模型同REVINet开展对比试验,试验结果表明,该研究提出的方法在召回率(92.15%)、查准率(93.74%)、准确率(93.09%)和F1分数(92.94%)上均优于对比方法,表明了该研究在从Sentinel-2A中提取冬小麦空间分布方面具有明显的优势。 展开更多

关键词 卷积神经网络 降尺度 Sentinel-2A 冬小麦空间分布 EVI NDVI NDRE1 红边波段

在线阅读 下载PDF 职称材料

多价值链视角下基于深度学习算法的制造企业产品需求预测 被引量：11

12

作者 吴庚奇 牛东晓 +1 位作者 耿世平 张焕粉 《科学技术与工程》 北大核心 2021年第31期13413-13420,共8页

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,提出了产品数据空间和一维卷积神经网络(one-dimensional convolutional neural networks,1D-CNN)-长短... 多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,提出了产品数据空间和一维卷积神经网络(one-dimensional convolutional neural networks,1D-CNN)-长短期记忆(long short-term memory,LSTM)神经网络的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明:1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。 展开更多

关键词 产品需求预测 数据空间 多价值链 一维卷积神经网络(1d-cnn) 长短期记忆(LSTM)

在线阅读 下载PDF 职称材料

基于IWAE的不平衡数据集下轴承故障诊断研究 被引量：3

13

作者 李梦男 李琨 吴聪 《机械强度》 CAS CSCD 北大核心 2023年第3期569-575,共7页

针对目前现有轴承故障诊断方法对不平衡数据集中的少数类诊断准确率低的问题,提出了不平衡数据集下基于重要性加权自编码器(Importance Weighted Auto-encoder,IWAE)的轴承故障诊断方法。首先通过少数类的样本数据来训练IWAE网络,将生... 针对目前现有轴承故障诊断方法对不平衡数据集中的少数类诊断准确率低的问题,提出了不平衡数据集下基于重要性加权自编码器(Importance Weighted Auto-encoder,IWAE)的轴承故障诊断方法。首先通过少数类的样本数据来训练IWAE网络,将生成的样本数据加入到原始数据集中,得到平衡后的数据集;然后引入深度学习方法作为诊断网络,将平衡后的数据集直接输入诊断网络中,自适应的学习故障特征,实现故障分类。为了增强诊断网络的准确率,使用一维多尺度卷积神经网络进行故障诊断。大量的定性定量实验表明,所提出的方法在不平衡比为1/7时,少数类诊断的准确率已经能够达到98.90%,均优于其他现有模型,并且拥有较好的收敛性和泛化性。 展开更多

关键词 不平衡数据集 重要性加权自编码 一维多尺度卷积神经网络 轴承故障诊断

在线阅读 下载PDF 职称材料