-
题名基于渐进式卷积神经网络的焊缝缺陷识别
被引量：6
- 1
-
-
作者
陈立潮
解丹
张睿
解红梅
潘理虎
-
机构
太原科技大学计算机科学与技术学院
国电华北电力有限公司廊坊热电厂
-
出处
《计算机工程与设计》
北大核心
2020年第9期2611-2615,共5页
-
基金
山西省应用基础研究基金项目(201801D221179)
太原科技大学校博士科研启动基金项目(20162036)
山西省自然科学基金项目(201701D21059)。
-
文摘
焊缝缺陷的形状不规则等特点导致传统算法及技术难以达到高精度识别的要求,为此提出一种复杂度较低的渐进式卷积神经网络(progressive convolutional neural network,P-CNN)对焊缝缺陷进行识别。该网络各层采用相同大小的特征图,避免重要特征遗漏,为避免过拟合和欠拟合,学习过程中先以少量样本为基数进行训练,之后成倍增加训练样本的数量,直至准确率达到98%时,不再增加样本数量。实验结果表明,该方法能有效识别多种焊缝缺陷,较传统的卷积神经网络识别精度有6.7%的提高,在工程的应用与推广中具有一定意义。
-
关键词
焊缝
缺陷识别
卷积神经网络
渐进式学习
渐进式卷积神经网络
-
Keywords
weld
defect identification
convolutional neural network
progressive learning
progressive convolutional neural network
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名基于通道和空间重组网络的滚动轴承故障诊断
- 2
-
-
作者
周涛
姚德臣
杨建伟
-
机构
北京建筑大学机电与车辆工程学院
-
出处
《机械强度》
北大核心
2025年第5期19-28,共10页
-
基金
国家自然科学基金面上项目(51975038)
北京市自然科学基金(重点)项目(KZ202010016025)
+1 种基金
北京建筑大学青年教师科研能力提升计划(X21055)
北京建筑大学研究生创新计划(PG2023134)。
-
文摘
由于在实际工程中采集到的故障振动数据可能会伴随噪声,传统的诊断模型难以识别故障类别,针对此问题,提出一种基于通道和空间重组卷积与渐进式卷积神经网络(Channel and Spatial Reconstruction and Progressive Convolutional Neural Networks,CSRP-CNN)的滚动轴承故障诊断研究方法。所提模型利用通道和空间重组卷积(Channel and Spatial Reconstruction Convolution,CSConv)减少故障特征中通道和空间的冗余信息,降低复杂性和计算量以提高性能;使用卷积注意力模块(Convolutional Block Attention Module,CBAM)在通道和空间维度进行注意力增强操作,使模型关注重要的故障特征信息;在网络浅层采用渐进式卷积网络结构,将之前的故障特征信息与当前的输入进行融合,获取更加丰富的特征信息。通过凯斯西储大学(Case Western Reserve University,CWRU)和机械故障综合模拟试验平台(Machinery Fault Simulator Magnum,MFS-MG)两种不同的数据集对CSRP-CNN进行性能评估。经过噪声测试和消融试验,验证了CSRP-CNN具有较强的鲁棒性,以及CSConv、CBAM和渐进式卷积神经网络(Progressive Convolutional Neural Network,PCNN)对所提模型抗噪性能的影响。
-
关键词
故障诊断
通道和空间重组卷积
渐进式卷积神经网络
鲁棒性
-
Keywords
Fault diagnosis
Channel and spatial reconstruction convolution
Progressive convolutional neural network
Robustness
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
