-
题名基于信息融合与堆叠卷积网络的TBM推力和扭矩预测
- 1
-
-
作者
杨耀红
张哲
陈建国
李群胜
刘宇翔
-
机构
华北水利水电大学水利学院
河南省水圈与流域水安全重点实验室
河南省水利第一工程局集团有限公司
-
出处
《水电能源科学》
北大核心
2025年第9期92-96,共5页
-
基金
国家自然科学基金项目(51679089)
河南省学科创新引智基地项目“智慧水利”(GXJD004)
河南省水利厅科技攻关项目(GG202358)。
-
文摘
合理准确预测隧道掘进机的推力和扭矩是实现TBM智能化控制的关键问题之一。对此,提出一种两阶段知识数据双驱动时空堆叠卷积网络(KD-NTS-GAT)预测方法。首先基于专家知识表达与NTS-NOTEARS方法提出一种新的信息融合技术,通过聚类方法将离散的专家经验与NTS-NOTEARS连续指标进行映射并平滑融合,量化提取TBM关键运行参数之间的因果关系,显著提高了因果关系的真实性。然后,将因果关系作为先验知识进一步与堆叠卷积网络深度学习模型结合,用于预测TBM推力和扭矩。结合新疆输水隧洞工程Ⅳ标段,将KD-NTS-GAT方法与纯数据驱动结果进行对比分析,结果表明两阶段知识数据双驱动时空堆叠卷积网络具有更好的推力与扭矩预测能力。研究结论可为TBM施工智能化控制提供参考。
-
关键词
TBM
信息融合
NTS-NOTEARS
堆叠卷积网络
-
Keywords
TBM
information fusion
NTS-NOTEARS
stacked convolutional network
-
分类号
TV53
[水利工程—水利水电工程]
-
-
题名多传感器信息融合的轴承故障迁移诊断方法
被引量：4
- 2
-
-
作者
包从望
江伟
张彩红
周大帅
-
机构
六盘水师范学院矿业与机械工程学院
-
出处
《机电工程》
CAS
北大核心
2024年第5期878-885,共8页
-
基金
贵州省教育厅基金资助项目(黔教合KY字〔2020〕117)
六盘水市科技计划项目(52020-2022-PT-02,52020-2019-05-12)
六盘水师范学院基金资助项目(LPSSYylzy2205)。
-
文摘
在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明:传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。
-
关键词
滚动轴承
故障诊断
多传感器信息融合
堆叠卷积神经网络
最小绝对收缩与选择算子
迁移学习
-
Keywords
rolling bearing
fault diagnosis
multi-sensor information fusion
multiple convolution neutral networks(MCNNs)
least absolute shrinkage and selection operator(Lasso)
transfer learning
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于视觉传达技术的激光图像多级融合方法研究
- 3
-
-
作者
宁晓蕾
张思斯
-
机构
沈阳理工大学
-
出处
《激光杂志》
CAS
北大核心
2024年第4期141-147,共7页
-
基金
辽宁省教育科学课题(No.JG14DB353)
辽宁省社会科学界联合会项目(No.2021lslqnkt-047)。
-
文摘
设计了基于视觉传达技术的激光图像多级融合方法,以获得突出的视觉传达效果。首先采用改进单尺度Retinex算法提取原始激光图的反射图像,并通过高斯-拉普拉斯算法的重构获得的多尺度彩色图像,实现原始激光图像的增强,然后采用深度堆叠卷积神经网络对获得高、低频图像,并依据最大局部方差融高频图像,根据匹配度与阈值的对比融合低频图像,最后实验结果表明:堆叠CNN数量为4时,融合后的激光图像视觉传达效果最优,该方法增强后的激光图像局部细节信息丰富、色彩饱满度好,融合图像的图像最大灰度值频率仅为0.015。
-
关键词
视觉传达技术
激光图像
多级融合
单尺度Retinex
深度堆叠卷积神经网络
融合规则
-
Keywords
visual communication technology
laser images
multi level fusion
single scale Retinex
deep stac-king convolutional neural network
fusion rules
-
分类号
TN751
[电子电信—电路与系统]
-
