-
题名基于归一化流模型的机车车侧部件检测研究
- 1
-
-
作者
黄洪
谢茂华
姚毅甡
-
机构
中国铁路南宁局集团有限公司柳州机务段
-
出处
《铁道机车车辆》
2025年第S1期51-57,共7页
-
文摘
随着重载铁路技术的快速发展,机车关键部件的检测与维护变得尤为重要。机车车底及车侧由于环境复杂,存在较大检测难度。针对这一问题,设计1种基于归一化流模型的检测方法,利用通道注意力和空间注意力机制对特征进行深度处理,使模型更关注待检测区域,将多层特征图合并,从而对分层处理的特征进行深度交叉融合。在MVTec AD数据集上的试验结果表明,性能优于其他同类算法,与同类型模型Fastflow和CS-flow相比,所提方法的AUROC达到了98.6%。在机车车侧数据集上,所提方法达到了98.44%的检出率和1.6%的误报率,通过对机车车侧部件异常的定位和检测,可以有效地确保机车的安全。
-
关键词
机车关键部件检测
归一化流模型
深度学习
-
Keywords
locomotive key components testing
normalized flow model
deep learning
-
分类号
U260.7
[交通运输工程]
-
-
题名基于归一化流概率模型的水电机组异常声音检测
- 2
-
-
作者
钟卫华
张健
徐衡
邓羽丰
-
机构
雅砻江流域水电开发有限公司
清华大学电子工程系
北京华控智加科技有限公司
-
出处
《中国农村水利水电》
北大核心
2024年第1期237-243,256,共8页
-
文摘
为推进水电机组智能化运维的发展,提出了一种自注意多阶统计量池化(SAMOSP)归一化流条件概率模型(NFCPM)用于水电机组的无监督异常声音检测。文中首次提出了自注意多阶统计量池化模块。该模块首先用一维压缩卷积层和瓶颈压缩激励部分自注意到时间帧的权重向量。权重向量用来计算多阶统计池化向量。然后再分频段的自注意到多阶统计池化量的不同权重,并按其提取不同频段的重要统计量信息,从而得到时频图的自注意统计池化特征向量。接着用归一化流条件概率模型对从水轮机组正常音频信号中提取到的自注意统计池化特征向量进行正常数据的概率建模。不同时间段的测试样本在该正常数据概率模型中进行测试,并得到相应的分数。分数越低表示概率密度越低,则异常程度越大,从而实现水电机组音频信号的无监督异常检测。
-
关键词
水电机组
自注意多阶统计量池化
归一化流条件概率模型
无监督异常声音检测
对数梅尔系数
-
Keywords
hydropower units
self-attention multi-order statistics pooling
normalized flow condition probability model
unsupervised abnormal sound detection
Logarithmic Mel coefficient
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
