期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于特征综合评价和模型优化的锂离子电池健康状态估计方法
1
作者 黄凯 郝润凯 郭永芳 《电力系统及其自动化学报》 北大核心 2025年第5期131-140,共10页
针对特征评价指标性能单一、预测模型特征捕捉能力不足和超参数难以确定等问题,提出基于特征综合评价和模型优化的锂离子电池健康状态(state-of-health,SOH)估计方法。首先,从原理和统计角度构建特征的综合评价指标,选取指标得分较高的... 针对特征评价指标性能单一、预测模型特征捕捉能力不足和超参数难以确定等问题,提出基于特征综合评价和模型优化的锂离子电池健康状态(state-of-health,SOH)估计方法。首先,从原理和统计角度构建特征的综合评价指标,选取指标得分较高的特征作为模型输入;其次,结合卷积神经网络(convolutional neural networks,CNN)、高效局部注意力(efficient local attention,ELA)和双向门控循环单元(bi-directional gated recurrent unit,BiGRU)建立CNN-ELA-BiGRU预测模型,增强模型捕捉特征的能力;最后,利用金豺优化(golden jackal optimization,GJO)算法对模型进行超参数寻优,提高了模型的预测精度。对比实验结果表明,所提SOH估计方法具有良好的稳定性和鲁棒性。 展开更多
关键词 锂离子电池 特征综合评价指标 高效局部注意力 金豺优化算法 健康状态估计
在线阅读 下载PDF
基于超小波变换与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断
2
作者 吴新忠 罗康 +2 位作者 唐守锋 何泽旭 陈琪 《工矿自动化》 CSCD 北大核心 2024年第12期120-127,共8页
针对现有矿用滚动轴承故障诊断方法存在特征提取能力有限、泛化性欠佳的问题,提出了一种基于超小波变换(SLT)与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法。以ConvNeXt−T为基础,引入批归一化(BN)技术以提高网络的泛化性,使用全维动态卷... 针对现有矿用滚动轴承故障诊断方法存在特征提取能力有限、泛化性欠佳的问题,提出了一种基于超小波变换(SLT)与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法。以ConvNeXt−T为基础,引入批归一化(BN)技术以提高网络的泛化性,使用全维动态卷积(ODConv)替换原有的深度可分离卷积,以提高网络的适应性,引入高效局部注意力(ELA)以使网络聚焦关键位置特征,构建了矿用滚动轴承故障诊断OD−ConvNeXt−ELA网络模型;为充分利用OD−ConvNeXt−ELA网络模型的图像特征提取能力,选用SLT将采集的滚动轴承一维振动信号转换为二维时频图像后输入OD−ConvNeXt−ELA进行模型训练。选用凯斯西储大学(CWRU)和帕德博恩大学(PU)轴承数据集进行故障诊断实验,结果表明:对于单一工况下的CWRU轴承数据集,OD−ConvNeXt−ELA平均故障诊断准确率为99.65%,较ConvNeXt−T提高了1.61%;对于跨工况下的CWRU轴承数据集,OD−ConvNeXt−ELA平均故障诊断准确率为87.50%,较ConvNeXt−T提高了3.30%;对于跨工况下的PU轴承数据集,OD−ConvNeXt−ELA平均故障诊断准确率为89.33%,较ConvNeXt−T提高了3.46%;基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法在跨轴承、跨工况及噪声干扰下具有准确率高、泛化能力强的优势。 展开更多
关键词 矿用滚动轴承 故障诊断 ConvNeXt 超小波变换 全维动态卷积 高效局部注意力机制
在线阅读 下载PDF
基于动态指数移动平均的半监督矿工不安全行为识别方法
3
作者 王媛彬 刘佳 +2 位作者 贺文卿 王旭 闫昭旭 《煤炭学报》 2025年第8期4123-4134,共12页
矿工的不安全行为是影响煤矿井下安全生产的主要原因之一,对矿工不安全行为进行识别对于实现井下智能监控至关重要。目前基于深度学习的矿工不安全行为识别方法需要利用大量标注数据进行训练,数据标注消耗大量人力资源。基于半监督学习... 矿工的不安全行为是影响煤矿井下安全生产的主要原因之一,对矿工不安全行为进行识别对于实现井下智能监控至关重要。目前基于深度学习的矿工不安全行为识别方法需要利用大量标注数据进行训练,数据标注消耗大量人力资源。基于半监督学习的识别方法可以有效减少矿工图像的标注成本,但主流的半监督学习方法大多采用指数移动平均(Exponential Moving Average,EMA)对教师模型进行保守更新,使得早期教师模型学习速率较低,导致生成的伪标签质量不高,影响训练效果。为此,设计了基于动态EMA的半监督矿工不安全行为识别方法,结合指数衰减的思想,将EMA中的权重参数设置为随训练批次动态可变,以适应不同阶段的训练。同时,矿井环境昏暗模糊,难以提取矿工信息并且会加剧识别模型分类任务与定位任务的不一致,影响识别精度。针对这一问题,将高效局部注意力(Efficient Local Attention,ELA)融入特征金字塔网络中,构建高效局部注意特征金字塔模块(Efficient Local Attention Feature Pyramid Network,ELA-FPN),提高矿工信息的显著度。为解决矿工不安全行为识别任务中分类与定位不一致的问题,设计特征对齐检测头(Feature Alignment Head,FA-Head)将定位特征映射到分类特征上,提高模型对矿工行为的识别效果。试验表明:在矿工不安全行为数据集使用10%有标签数据时,研究所提算法在不增加模型复杂度的基础上对于矿工不安全行为的识别精度达到71.008%,相较于主流的Unbiased teacher v1、Unbiased teacher v2、Consistent teacher、Dense teacher和ARSL算法分别提高了5.33%、1.76%、2.08%、1.24%和0.40%,且在不同的监督比率下均优于对比算法。可以得出所提算法在矿工不安全行为识别任务上优于目前主流的半监督学习方法,在有效降低标注成本的同时具有较好的识别效果。 展开更多
关键词 半监督 矿工不安全行为 动态指数移动平均 特征对齐 高效局部注意力
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部