期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
多传感器信息融合的低压电网窃电设备在线监测方法
被引量：
2
1
作者
贾永良
陶鹏
+1 位作者
张洋瑞
张冰玉
《机械设计与制造》
北大核心
2024年第11期105-109,共5页
低压电网窃电设备的在线监测是电网安全工作过程中不可缺少的步骤,但监测过程易受噪声信号、电压强度、磁场干扰等问题的影响,为此提出基于多传感器信息融合的低压电网窃电设备在线监测方法。该方法利用多传感器采集窃电设备的运行信号...
低压电网窃电设备的在线监测是电网安全工作过程中不可缺少的步骤,但监测过程易受噪声信号、电压强度、磁场干扰等问题的影响,为此提出基于多传感器信息融合的低压电网窃电设备在线监测方法。该方法利用多传感器采集窃电设备的运行信号并将信号融合,再通过局域波分解算法剔除信号中的噪声,避免噪声对监测过程产生影响,其次采用原子分解算法提取信号的特征,最后将信号特征输入到正弦基神经网络模型中,通过对信号的自动分类与监测完成低压电网窃电设备的在线监测。实验结果表明,所提方法的信号监测效果好、响应时间短。
展开更多
关键词
多
传感器信号采集
原子分解法
正弦基神经网络
误差函数
自动分类与监测
在线阅读
下载PDF
职称材料
基于传感器阵列的恶臭气体检测
被引量：
15
2
作者
刘伟玲
杨彩双
+1 位作者
冉多钢
康磊
《仪表技术与传感器》
CSCD
北大核心
2017年第2期66-69,92,共5页
为了监测空气中的恶臭气体,设计一种复合恶臭气体监测系统。该系统以传感器阵列为基础,采用多传感器信息融合技术,识别复合恶臭气体成分并计算出恶臭值。以养猪场恶臭气体为样气进行实验并分析其反应曲线,得出气体特征值与恶臭值之间的...
为了监测空气中的恶臭气体,设计一种复合恶臭气体监测系统。该系统以传感器阵列为基础,采用多传感器信息融合技术,识别复合恶臭气体成分并计算出恶臭值。以养猪场恶臭气体为样气进行实验并分析其反应曲线,得出气体特征值与恶臭值之间的关系,为检测恶臭气体提供依据。实验证明,基于传感器阵列的恶臭气体检测技术具有良好的应用前景。
展开更多
关键词
传感器
阵列
传感器信号采集
多
传感器
信息融合
气路设计
在线阅读
下载PDF
职称材料
基于多粒度自注意力机制网络的数控铣床液压系统故障诊断
3
作者
刘波
宋春华
《机床与液压》
北大核心
2025年第19期42-47,共6页
针对现有数控铣床故障诊断方法存在的信号特征提取精度低、故障预警不及时和故障诊断效率较低等问题,提出一种基于多粒度自注意力机制网络的故障诊断方法。构建多粒度自注意力机制网络模型,并基于此搭建数控铣床液压系统故障诊断框架。...
针对现有数控铣床故障诊断方法存在的信号特征提取精度低、故障预警不及时和故障诊断效率较低等问题,提出一种基于多粒度自注意力机制网络的故障诊断方法。构建多粒度自注意力机制网络模型,并基于此搭建数控铣床液压系统故障诊断框架。该框架由输入层、多粒度特征提取层、自注意力机制层和输出层构成。其中,输入层采集并处理液压系统运行信号,多粒度特征提取层利用小波变换算法提取信号粗粒度和细粒度特征,自注意力机制层计算权重系数并通过加权融合获得多粒度特征,输出层应用Softmax分类器计算液压系统故障类别概率并确定最终诊断结果。最后,以VMC-2050HT数控铣床液压系统为实验对象,搭建实验场景,验证所提方法的有效性。结果表明:与现有故障诊断算法相比,该算法的故障特征提取与实际变化值趋近,其混淆矩阵输出结果为99.5%,F_(1)值持续稳定在0.90以上,特征提取效果优于现有方法。该算法能够相对精确地采集数控铣床的故障特征并实现对故障点的定位和故障类型判定,具有良好的适用性。
展开更多
关键词
数控铣床
传感器信号采集
故障诊断
液压系统
多粒度自注意力机制网络模型
在线阅读
下载PDF
职称材料
题名
多传感器信息融合的低压电网窃电设备在线监测方法
被引量：
2
1
作者
贾永良
陶鹏
张洋瑞
张冰玉
机构
国网河北省电力有限公司营销服务中心
出处
《机械设计与制造》
北大核心
2024年第11期105-109,共5页
基金
国家电网有限公司总部科技项目(5100-202155492A-0-5-ZN)。
文摘
低压电网窃电设备的在线监测是电网安全工作过程中不可缺少的步骤,但监测过程易受噪声信号、电压强度、磁场干扰等问题的影响,为此提出基于多传感器信息融合的低压电网窃电设备在线监测方法。该方法利用多传感器采集窃电设备的运行信号并将信号融合,再通过局域波分解算法剔除信号中的噪声,避免噪声对监测过程产生影响,其次采用原子分解算法提取信号的特征,最后将信号特征输入到正弦基神经网络模型中,通过对信号的自动分类与监测完成低压电网窃电设备的在线监测。实验结果表明,所提方法的信号监测效果好、响应时间短。
关键词
多
传感器信号采集
原子分解法
正弦基神经网络
误差函数
自动分类与监测
Keywords
Multi Sensor Signal Acquisition
Atomic Decomposition
Sine Basis Neural Network
Error Function
Automatic Classification and Monitoring
分类号
TH16 [机械工程—机械制造及自动化]
TM93 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
基于传感器阵列的恶臭气体检测
被引量：
15
2
作者
刘伟玲
杨彩双
冉多钢
康磊
机构
河北工业大学机械工程学院
出处
《仪表技术与传感器》
CSCD
北大核心
2017年第2期66-69,92,共5页
基金
国家重大科学仪器设备开发专项(2012YQ060165)
文摘
为了监测空气中的恶臭气体,设计一种复合恶臭气体监测系统。该系统以传感器阵列为基础,采用多传感器信息融合技术,识别复合恶臭气体成分并计算出恶臭值。以养猪场恶臭气体为样气进行实验并分析其反应曲线,得出气体特征值与恶臭值之间的关系,为检测恶臭气体提供依据。实验证明,基于传感器阵列的恶臭气体检测技术具有良好的应用前景。
关键词
传感器
阵列
传感器信号采集
多
传感器
信息融合
气路设计
Keywords
sensor array
sensor signal acquisition
multi-sensor information fusion
gas circuit design
分类号
TH862 [机械工程—精密仪器及机械]
在线阅读
下载PDF
职称材料
题名
基于多粒度自注意力机制网络的数控铣床液压系统故障诊断
3
作者
刘波
宋春华
机构
电子科技大学成都学院航空学院
西华大学机械工程学院
出处
《机床与液压》
北大核心
2025年第19期42-47,共6页
文摘
针对现有数控铣床故障诊断方法存在的信号特征提取精度低、故障预警不及时和故障诊断效率较低等问题,提出一种基于多粒度自注意力机制网络的故障诊断方法。构建多粒度自注意力机制网络模型,并基于此搭建数控铣床液压系统故障诊断框架。该框架由输入层、多粒度特征提取层、自注意力机制层和输出层构成。其中,输入层采集并处理液压系统运行信号,多粒度特征提取层利用小波变换算法提取信号粗粒度和细粒度特征,自注意力机制层计算权重系数并通过加权融合获得多粒度特征,输出层应用Softmax分类器计算液压系统故障类别概率并确定最终诊断结果。最后,以VMC-2050HT数控铣床液压系统为实验对象,搭建实验场景,验证所提方法的有效性。结果表明:与现有故障诊断算法相比,该算法的故障特征提取与实际变化值趋近,其混淆矩阵输出结果为99.5%,F_(1)值持续稳定在0.90以上,特征提取效果优于现有方法。该算法能够相对精确地采集数控铣床的故障特征并实现对故障点的定位和故障类型判定,具有良好的适用性。
关键词
数控铣床
传感器信号采集
故障诊断
液压系统
多粒度自注意力机制网络模型
Keywords
CNC milling machine
sensor signal acquisition
fault diagnosis
hydraulic system
multi-granularity self-attention mechanism network model
分类号
TH133.33 [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
作者
出处
发文年
被引量
操作
1
多传感器信息融合的低压电网窃电设备在线监测方法
贾永良
陶鹏
张洋瑞
张冰玉
《机械设计与制造》
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
基于传感器阵列的恶臭气体检测
刘伟玲
杨彩双
冉多钢
康磊
《仪表技术与传感器》
CSCD
北大核心
2017
15
在线阅读
下载PDF
职称材料
3
基于多粒度自注意力机制网络的数控铣床液压系统故障诊断
刘波
宋春华
《机床与液压》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
