针对航空电缆电弧故障引起的微小电流变化难以识别的问题,提出了一种基于Inception模块和双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)的交流串联电弧故障诊断方法。首先通过计算自相关系数的离散平方和(discrete...针对航空电缆电弧故障引起的微小电流变化难以识别的问题,提出了一种基于Inception模块和双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)的交流串联电弧故障诊断方法。首先通过计算自相关系数的离散平方和(discrete sum of squares of the atocorrelation coefficient)、信息熵(Shannon entropy)以及小波能量熵(wavelet energy entropy)提取原始电流数据的特征,将特征合并形成新的特征矩阵,对原始数据实现特征增强。之后Inception-BiLSTM网络利用特征矩阵进行学习,最后完成对电弧故障的诊断。为了验证模型在实际环境中的诊断性能,在充分考虑实际情况下,基于航空电缆电弧模拟实验平台进行了振动试验、应力实验以及潮湿电缆实验,并将实验数据整合作为检测样本。实验结果表明,本文方法对于识别电弧故障有着较高的准确度,可以达到99.69%。展开更多
针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率...针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率和抗噪声能力更高的卷积神经网络—BICNN(Convolution Neural Network based on Inception),并用BICNN卷积神经网络基于数据驱动的方式,对楼体框架模型进行了集成故障诊断研究。集成诊断结果表明BICNN具有更高的识别率和较强的抗噪声能力,而且在训练步数较少的情况下振荡次数少收敛情况良好。因此采取本研究所提出的方法,对框架结构进行故障诊断时具有高诊断率和稳定性,为维护框架结构的稳定运行具有重大安全意义。展开更多
传统的雷达高分辨距离像(High Resolution Range Profile,HRRP)序列识别方法依赖于人工提取特征,并且在使用现有的经典深度学习方法识别小数据集时存在梯度消失和过拟合问题,导致收敛速度慢,识别率低。针对上述问题,提出了一种基于注意...传统的雷达高分辨距离像(High Resolution Range Profile,HRRP)序列识别方法依赖于人工提取特征,并且在使用现有的经典深度学习方法识别小数据集时存在梯度消失和过拟合问题,导致收敛速度慢,识别率低。针对上述问题,提出了一种基于注意力机制的集成Inception网络模型,通过集成Attention-Inception单分支网络,实现了HRRP序列更深层次特征的提取;通过对模型的损失函数加入L2正则化,缓解小数据集在集成网络中的过拟合问题;利用Inception Ⅰ和Inception Ⅱ结构提取HRRP序列多尺度特征,并引入注意力机制计算特征序列的分配权重;加入残差结构,减缓了集成网络梯度消失问题。在预处理后的HRRP序列上进行实验结果表明,所提方法的目标识别率达到93.3%,并且与未去除噪声的HRRP序列相比目标识别率提高了14.67%。展开更多
文摘针对航空电缆电弧故障引起的微小电流变化难以识别的问题,提出了一种基于Inception模块和双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)的交流串联电弧故障诊断方法。首先通过计算自相关系数的离散平方和(discrete sum of squares of the atocorrelation coefficient)、信息熵(Shannon entropy)以及小波能量熵(wavelet energy entropy)提取原始电流数据的特征,将特征合并形成新的特征矩阵,对原始数据实现特征增强。之后Inception-BiLSTM网络利用特征矩阵进行学习,最后完成对电弧故障的诊断。为了验证模型在实际环境中的诊断性能,在充分考虑实际情况下,基于航空电缆电弧模拟实验平台进行了振动试验、应力实验以及潮湿电缆实验,并将实验数据整合作为检测样本。实验结果表明,本文方法对于识别电弧故障有着较高的准确度,可以达到99.69%。
文摘针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率和抗噪声能力更高的卷积神经网络—BICNN(Convolution Neural Network based on Inception),并用BICNN卷积神经网络基于数据驱动的方式,对楼体框架模型进行了集成故障诊断研究。集成诊断结果表明BICNN具有更高的识别率和较强的抗噪声能力,而且在训练步数较少的情况下振荡次数少收敛情况良好。因此采取本研究所提出的方法,对框架结构进行故障诊断时具有高诊断率和稳定性,为维护框架结构的稳定运行具有重大安全意义。
