-
题名基于宽度卷积神经网络的异常农情数据检测方法
被引量：8
- 1
-
-
作者
彭旭
饶元
乔焰
-
机构
安徽农业大学信息与计算机学院
合肥工业大学计算机与信息学院
-
出处
《华南农业大学学报》
CAS
CSCD
北大核心
2022年第2期113-121,共9页
-
基金
农业农村部农业国际合作项目(125A0607)
安徽省自然科学基金(2008085MF203)
+1 种基金
安徽省重点研究和开发计划面上攻关项目(201904a06020056)
安徽农业大学省级大学生创新创业训练计划项目(S202010364228)。
-
文摘
【目的】为准确有效地检测农业物联网的感知数据异常,提出了基于宽度卷积神经网络的异常农情数据检测方法,为实现农业物联网数据高质量感知提供参考。【方法】首先将标准化后的农情数据编码为极坐标表示,通过滑动窗口机制划分子集,接着将每个子集数据重构为矩阵,最后设计并训练宽度卷积神经网络模型用于异常检测,采用养殖场环境监测数据进行试验。【结果】构建的滑动窗口机制可提升异常数据检测能力,缩短检测时间。所设计的宽度卷积神经网络对空气温湿度、土壤温湿度等数据中所存在的异常检测准确率均超过97.5%,优于SVM、RF和CNN模型1.69%、2.76%和3.05%;F1值均在0.985以上,优于SVM、RF和CNN模型0.0093、0.0149和0.0163;且在处理波动性较大的空气、土壤温湿度数据时性能优势更为明显,准确率和F1值分别提高了3.61%~5.98%和0.0188~0.0310。此外,该方法模型检测耗时较短,仅为传统CNN模型的1/6~1/7,并且比SVM和RF模型使用更少的超参数。【结论】所建立的数据编码、子集划分和重构方法与宽度卷积神经网络模型对异常农情数据有较好的检测效果。
-
关键词
农业物联网
传感器
宽度卷积神经网络
异常检测
-
Keywords
Agricultural internet of things
Sensor
Broad convolution neural network
Anomaly detection
-
分类号
S24
[农业科学—农业电气化与自动化]
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名动车组滚动轴承故障预测的实时性研究
- 2
-
-
作者
刘暾东
张馨月
张泽华
吴晓敏
邵桂芳
-
机构
厦门大学航空航天学院
北京交通大学经济管理学院
厦门物之联智能科技有限公司
-
出处
《振动.测试与诊断》
北大核心
2025年第1期181-188,208,共9页
-
基金
国家自然科学基金面上资助项目(51975496)。
-
文摘
针对动车组设备中滚动轴承故障预测实时性不强的问题,提出了基于增强节点更新的宽度神经网络方法。首先,采用宽度神经网络的方法对预处理之后的滚动轴承原始振动数据进行模型训练;其次,在训练过程中通过增加增强节点进行权值更新;最后,使用宽度网络对设置滑动窗口的数据进行预测并输出最终结果。动车组模拟实验台采集的滚动轴承故障数据的实验结果表明:模型训练时间得以缩短,预测时间控制在30 ms以内,达到实际工业设备预测要求;与传统深度学习相比,基于增强节点更新的宽度神经网络其预测准确性得以保障,且预测实时性优于其他方法。
-
关键词
动车组
滚动轴承
故障预测
宽度神经网络
实时性
-
Keywords
multiple units
rolling bearing
fault prediction
width neural network
real-time
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
-
