检索结果-维普期刊中文期刊服务平台

基于深度学习的核电站泵类电机故障诊断方法被引量：2: 1; 作者尹文哲夏虹 +3 位作者朱少民王志超张汲宇姜莹莹《哈尔滨工程大学学报》 CSCD 北大核心 2024年第12期2350-2357,共8页; 为了准确识别核电站泵类电机的运行状态以及增强故障诊断系统的鲁棒性,本文提出了一种基于深度学习的故障诊断方法。利用多个传感器采集鼠笼式三相异步电机不同位置处的振动信号对电机状态进行分析,采用变分模态分解和短时傅里叶变换对... 展开更多; 关键词核电站电机故障诊断深度学习时频分析残差神经网络变分模态分解短时傅里叶变换; 在线阅读下载PDF 职称材料

基于深度残差傅里叶神经算子方法压制地震多次波: 2; 作者刘继伟胡天跃 +5 位作者戴晓峰郑晓东黄建东焦梦瑶于珍珍隋京坤《地球物理学报》 SCIE EI CAS CSCD 北大核心 2024年第8期3089-3108,共20页; 多次波是一种较为严重影响地震成像的干扰波,如何有效压制多次波是需要关注的地震资料处理关键问题之一.本文基于傅里叶神经算子(FNO)和残差网络(ResNet),提出了基于深度残差傅里叶神经算子(DRFNO)网络的多次波压制方法.DRFNO是一种弱... 展开更多; 关键词多次波压制傅里叶神经算法(FNO) 残差网络(ResNet) 深度残差傅里叶神经算子(drfno)网络地震数据激活函数(SDAF); 在线阅读下载PDF 职称材料

嵌入傅里叶神经算子的卷积自编码声波速度反演方法: 3; 作者李谌赵海霞 +1 位作者白钊蔚郝禹帆《煤田地质与勘探》 EI CAS CSCD 北大核心 2024年第11期132-140,共9页; 【背景】地震波反演是利用地震波的到达时间、振幅和波形等信息获取地下介质构造、岩性和物性特征的有效手段。基于波动方程的地震反演方法利用正演模拟技术不断迭代更新模型参数,这通常需要大量的数值模拟和优化计算,耗费大量的计算资... 展开更多; 关键词地震波反演傅里叶神经算子卷积自编码器深度学习数据驱动; 在线阅读下载PDF 职称材料

深度神经网络在滚动轴承故障诊断中的应用被引量：16: 4; 作者彭彬森夏虹 +3 位作者王志超朱少民杨波张汲宇《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2021年第6期155-162,共8页; 为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传... 展开更多; 关键词滚动轴承故障诊断多传感器技术深度残差神经网络(DRNN) 短时傅里叶变换(STFT); 在线阅读下载PDF 职称材料

基于局部增强傅里叶神经算子的偏微分方程求解方法: 5; 作者罗驰陆凌云刘飞《计算机科学》 2025年第9期144-151,共8页; 偏微分方程(PDE)是描述现实系统的重要数学工具,对其进行求解可以预测和分析系统的行为。PDE的解析解通常难以获取,一般通过数值法进行近似解算,但数值法求解参数化PDE时效率较低。近年来,利用深度学习求解PDE的方法在应对上述问题时展... 展开更多; 关键词深度学习偏微分方程傅里叶神经算子多尺寸卷积多分支特征融合多尺度PDE; 在线阅读下载PDF 职称材料

题名基于深度学习的核电站泵类电机故障诊断方法被引量：2: 1; 作者尹文哲夏虹朱少民王志超张汲宇姜莹莹; 机构哈尔滨工程大学核安全与先进核能技术工业和信息化部重点实验室哈尔滨工程大学核安全与仿真技术重点学科实验室; 出处《哈尔滨工程大学学报》 CSCD 北大核心 2024年第12期2350-2357,共8页; 基金国家自然科学基金项目(U21B2083)。; 文摘为了准确识别核电站泵类电机的运行状态以及增强故障诊断系统的鲁棒性,本文提出了一种基于深度学习的故障诊断方法。利用多个传感器采集鼠笼式三相异步电机不同位置处的振动信号对电机状态进行分析,采用变分模态分解和短时傅里叶变换对电机振动信号进行处理,将获取的时频特征输入到深度残差神经网络中,以得到诊断结果,并对比了单传感器和多传感器监测策略的测试结果。结果表明:提出的方法能够准确识别电机故障,且具有良好的鲁棒性,2种监测策略的鲁棒性能差距明显;比较不同的诊断模型与本文方法表明本文方法的鲁棒性能最优。; 关键词核电站电机故障诊断深度学习时频分析残差神经网络变分模态分解短时傅里叶变换; Keywords nuclear power plant motor fault diagnosis deep learning time-frequency analysis residual neural network variational mode decomposition short-time fourier transform; 分类号 TK05 [动力工程及工程热物理]; 在线阅读下载PDF 职称材料

题名基于深度残差傅里叶神经算子方法压制地震多次波: 2; 作者刘继伟胡天跃戴晓峰郑晓东黄建东焦梦瑶于珍珍隋京坤; 机构北京大学地球与空间科学学院中国石油勘探开发研究院清华大学数学科学系; 出处《地球物理学报》 SCIE EI CAS CSCD 北大核心 2024年第8期3089-3108,共20页; 基金国家自然科学基金(42274163) 国家重点研发计划(2018YFA0702503) 中国石油-北京大学战略合作基础研究项目联合资助。; 文摘多次波是一种较为严重影响地震成像的干扰波,如何有效压制多次波是需要关注的地震资料处理关键问题之一.本文基于傅里叶神经算子(FNO)和残差网络(ResNet),提出了基于深度残差傅里叶神经算子(DRFNO)网络的多次波压制方法.DRFNO是一种弱约束模型+数据驱动的人工智能算法,包含一次波和多次波的全波场炮集为输入,其中真实一次波炮集为标签训练网络,输出为压制多次波后的一次波炮集.DRFNO的网络结构中考虑了地震波场的数据特点,结合波动方程正演模拟的物理机理,约束网络训练过程.基于传统机器学习中的激活函数设置方法,该方法通过一个用于地震数据样本与标签预处理的激活函数(SDAF),克服地震炮集数据中因同相轴能量差异导致神经网络无法训练的问题.采用两套层状介质模型和Sigsbee2B复杂模型的模拟地震数据验证了DRFNO方法多次波压制处理的有效性,抗噪性和泛化能力.最后,通过一套实际地震数据实例表明本文提出的DRFNO方法应用于压制实际复杂地震波场中多次波的良好效果.; 关键词多次波压制傅里叶神经算法(FNO) 残差网络(ResNet) 深度残差傅里叶神经算子(drfno)网络地震数据激活函数(SDAF); Keywords Multiples suppressing fourier neural operator(FNO) residual network(ResNet) deep residual fourier neural operator(drfno) Seismic Data Activation Function(SDAF); 分类号 P631 [天文地球—地质矿产勘探]; 在线阅读下载PDF 职称材料

题名嵌入傅里叶神经算子的卷积自编码声波速度反演方法: 3; 作者李谌赵海霞白钊蔚郝禹帆; 机构西安交通大学数学与统计学院; 出处《煤田地质与勘探》 EI CAS CSCD 北大核心 2024年第11期132-140,共9页; 基金国家重点研发计划“变革性技术关键科学问题”重点专项项目(2021YFA0716901) 国家自然科学基金面上项目(41974132) 中央高校基本科研业务费专项资金项目(xzy012023050)。; 文摘【背景】地震波反演是利用地震波的到达时间、振幅和波形等信息获取地下介质构造、岩性和物性特征的有效手段。基于波动方程的地震反演方法利用正演模拟技术不断迭代更新模型参数,这通常需要大量的数值模拟和优化计算,耗费大量的计算资源和时间。近年来,以傅里叶神经算子(Fourier neural operator,FNO)为代表的神经算子学习引起了广泛关注。然而,在复杂介质地震波反演中,原始FNO结构无法有效学习地质结构变化剧烈的波场信息,导致其反演结果准确性不高。【目的和方法】为了提升FNO在复杂地质模型下学习地震波场信息的准确性和泛化性能,提出了一种新颖的声波速度反演方法-卷积自编码傅里叶神经算子(CAE-FNO)。CAE-FNO利用编码器进行特征提取,并基于FNO进行高效训练,以更好地捕捉波场的细微特征并提高预测精度。CAEFNO在网络训练过程中逐层减小傅立叶模的规模,从而有效减少网络参数的数量,同时增强网络的泛化能力。【结果和结论】通过对均匀、非均匀、层状和Marmousi2等模型进行数值实验验证,结果表明:CAE-FNO的反演精度优于FNO及其变体UFNO和UNO。在均匀介质模型中,CAE-FNO的速度反演结果相对误差为1.3%,而UFNO与UNO的反演结果相对误差分别为1.7%、2.3%,FNO的误差高达10.1%。在非均匀模型中,CAE-FNO准确反演地质结构和速度变化位置,而UFNO和UNO在速度变化剧烈区域的误差相对较大。层状模型中,CAE-FNO能够清晰区分不同层间的微小速度变化,而FNO无法明显区分。在Marmousi2模型的平滑区域和突变区域,CAE-FNO较UFNO和UNO更能准确捕捉不规则的速度变化界面,FNO则无法有效处理这些区域的速度突变与细节变化。CAE-FNO通过更低的损失函数值和更高的反演精度,展示了其在复杂介质反演中的优势,为地震反演技术提供新的研究思路。; 关键词地震波反演傅里叶神经算子卷积自编码器深度学习数据驱动; Keywords seismic wave inversion fourier neural operator convolutional autoencoder deep learning data-driven; 分类号 P631 [天文地球—地质矿产勘探]; 在线阅读下载PDF 职称材料

题名深度神经网络在滚动轴承故障诊断中的应用被引量：16: 4; 作者彭彬森夏虹王志超朱少民杨波张汲宇; 机构核安全与仿真技术国防重点学科重点实验室(哈尔滨工程大学); 出处《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2021年第6期155-162,共8页; 基金黑龙江省自然科学基金(E2017023)。; 文摘为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.; 关键词滚动轴承故障诊断多传感器技术深度残差神经网络(DRNN) 短时傅里叶变换(STFT); Keywords rolling bearing fault diagnosis multi-sensor technology deep residual neural network(DRNN) short-time fourier transform(STFT); 分类号 TH17 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于局部增强傅里叶神经算子的偏微分方程求解方法: 5; 作者罗驰陆凌云刘飞; 机构华南理工大学软件学院; 出处《计算机科学》 2025年第9期144-151,共8页; 文摘偏微分方程(PDE)是描述现实系统的重要数学工具,对其进行求解可以预测和分析系统的行为。PDE的解析解通常难以获取,一般通过数值法进行近似解算,但数值法求解参数化PDE时效率较低。近年来,利用深度学习求解PDE的方法在应对上述问题时展现出了优势,特别是傅里叶神经算子FNO(Fourier Neural Operator)已在此类问题中展现出显著成效。然而,FNO仅通过频域上的卷积来提取全局信息,难以捕获PDE的多尺度信息。针对此挑战,提出一种基于局部增强的FNO模型,在傅里叶层引入并行多尺寸卷积模块,通过不同尺寸的卷积提高模型捕获局部多尺度信息的能力。同时,在线性层后引入一种多分支特征融合模块,通过将数据提升到不同通道进行学习来提高模型整合多通道信息的能力。实验结果表明,该模型在Burgers方程的求解中误差降低了30.9%,在Darcy Flow方程的求解中误差降低了18.5%,在Navier-Stokes方程的求解中误差降低了5.5%。; 关键词深度学习偏微分方程傅里叶神经算子多尺寸卷积多分支特征融合多尺度PDE; Keywords deep learning Partial differential equations fourier neural operator Multi-size convolution Multi-branch feature fusion Multiscale PDE; 分类号 TP391 [自动化与计算机技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于深度学习的核电站泵类电机故障诊断方法	尹文哲夏虹朱少民王志超张汲宇姜莹莹	《哈尔滨工程大学学报》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
2	基于深度残差傅里叶神经算子方法压制地震多次波	刘继伟胡天跃戴晓峰郑晓东黄建东焦梦瑶于珍珍隋京坤	《地球物理学报》 SCIE EI CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
3	嵌入傅里叶神经算子的卷积自编码声波速度反演方法	李谌赵海霞白钊蔚郝禹帆	《煤田地质与勘探》 EI CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	深度神经网络在滚动轴承故障诊断中的应用	彭彬森夏虹王志超朱少民杨波张汲宇	《哈尔滨工业大学学报》 EI CAS CSCD 北大核心	2021	16	在线阅读下载PDF 职称材料
5	基于局部增强傅里叶神经算子的偏微分方程求解方法	罗驰陆凌云刘飞	《计算机科学》	2025		在线阅读下载PDF 职称材料