GAF结合卷积神经网络的滚动轴承故障诊断研究

1

作者 张文兴 陈豪 +1 位作者 刘文婧 王建国 《机械设计与制造》 北大核心 2025年第5期12-17,共6页

为了充分发挥深度卷积神经网络识别二维图片在轴承故障诊断过程中的优势,这里提出了一种改进的格拉姆角场,改进后的算法在生成图片后具有更多的特征,经验证其在神经网络训练中收敛速度更快。其次结合改进的CNN模型,改进后的模型引进深... 为了充分发挥深度卷积神经网络识别二维图片在轴承故障诊断过程中的优势,这里提出了一种改进的格拉姆角场,改进后的算法在生成图片后具有更多的特征,经验证其在神经网络训练中收敛速度更快。其次结合改进的CNN模型,改进后的模型引进深度卷积结合注意力机制,保证模型在实现更少模型参数和更快的推理速度同时,在验证集能够取得更高的准确率。试验和研究结果表明,该图片编码方式结合改进的神经网络,在模型收敛上更迅速,并且在验证集上具有更好的准确率和鲁棒性。 展开更多

关键词 格拉姆角场 故障诊断 深度学习 神经网络

在线阅读 下载PDF 职称材料

改进黑翅鸢算法的1D-2D-GAF-PCNN-GRU-MSA弓网电弧检测应用

2

作者 李斌 舒嘉辉 +1 位作者 严灵潇 田浩 《电子测量与仪器学报》 CSCD 北大核心 2024年第10期201-211,共11页

针对高速列车运行时高速气流场对受电弓碳滑板与接触网之间的接触压力和电弧状态影响。通过计算得出更符合实际状态下的接触压力和电弧状态模型,建立了考虑高速气流场影响的弓网电弧实验模型。提出了改进黑翅鸢算法(IBKA)的1D-2D-GAF-PC... 针对高速列车运行时高速气流场对受电弓碳滑板与接触网之间的接触压力和电弧状态影响。通过计算得出更符合实际状态下的接触压力和电弧状态模型,建立了考虑高速气流场影响的弓网电弧实验模型。提出了改进黑翅鸢算法(IBKA)的1D-2D-GAF-PCNN-GRU-MSA故障检测模型。应用格拉姆角场(GAF)将一维接触电压信号时序图象化转换为二维图像并通过双通道卷积神经网络(PCNN)进行特征识别。另将一维时序信号通过门控循环单元(GRU)捕捉时序信号特征。将一维时序信号特征与二维图像特征进行特征融合,弥补各自局限性。针对模型中的难以确定的学习率、门控循环单元网络层神经元个数等参数,融入改进黑翅鸢算法(IBKA)对参数寻优使模型更加合理。最后,融合多头自注意力机制提高模型准确率。将提出的模型与其他3种模型分别对3组不同实验条件的弓网电弧模型进行检测,验证提出的模型具有较强的鲁棒性和较高的准确性。 展开更多

关键词 高速气流场 改进黑翅鸢算法 特征融合 格拉姆角场 故障检测

在线阅读 下载PDF 职称材料

基于SC-ResNeSt及频域格拉姆角场的滚动轴承故障诊断方法

3

作者 王海涛 郭一帆 史丽晨 《计算机集成制造系统》 北大核心 2025年第4期1272-1286,共15页

在实际的工程环境中,滚动轴承通常在强噪声、变负载的条件下工作,针对传统深度学习模型在滚动轴承的故障诊断领域中面临着抗噪性、模型泛化性、鲁棒性差等问题,提出一种基于深度残差分散自校准卷积网络(SC-ResNeSt)和频域格拉姆角场(GAF... 在实际的工程环境中,滚动轴承通常在强噪声、变负载的条件下工作,针对传统深度学习模型在滚动轴承的故障诊断领域中面临着抗噪性、模型泛化性、鲁棒性差等问题,提出一种基于深度残差分散自校准卷积网络(SC-ResNeSt)和频域格拉姆角场(GAF)的滚动轴承故障诊断新方法。首先,利用GAF编码将振动信号转换为二维图像,并进行二维离散傅里叶变换(2D-DFT)将该图像从空间域转换到频域;其次,因为传统的卷积层缺少动态变化的感受野来提取更具代表性的特征,所以在分散注意力网络(ResNeSt)的基础上引入了自校准卷积模块(SC),提出了一种新的网络模型,即SC-ResNeSt;最后,以频域空间中的GAF作为SC-ResNeSt的输入,故障特征提取完成后,由Softmax分类器完成对故障特征的分类。为验证模型性能,采用美国凯斯西储大学(CWRU)轴承数据集和德国帕博德恩大学(PU)轴承数据集进行测试,实验结果表明所提方法在两种数据集中都取得了较高的故障识别准确率,从而证明了其良好的抗噪性、泛化性以及实用性。 展开更多

关键词 自校准卷积 分散注意力机制 格拉姆角场 故障诊断

在线阅读 下载PDF 职称材料

基于GAF-CNN的弓网电弧识别方法研究 被引量：10

4

作者 李斌 阎君宇 《电子测量与仪器学报》 CSCD 北大核心 2022年第1期188-195,共8页

由于高速铁路接触网会产生弓网电弧对弓网系统有危害,为了减少弓网损害。提出一种电流时间序列编码技术,即格拉姆角求和/差分场(GASF/GADF)。由于不同受流状态的电流信号不同,其时间序列编码形成的图像也不同,这使得计算机视觉技术可以... 由于高速铁路接触网会产生弓网电弧对弓网系统有危害,为了减少弓网损害。提出一种电流时间序列编码技术,即格拉姆角求和/差分场(GASF/GADF)。由于不同受流状态的电流信号不同,其时间序列编码形成的图像也不同,这使得计算机视觉技术可以用于时间序列分类,用来识别弓网电弧。共进行了5组不同条件下的弓网受流实验,测量得到不同条件下弓网系统中的电流数据,并将弓网实验得到的电流数据的状态分为正常受流状态和电弧受流状态。通过构建神经网络,提取电弧电流信号,以格拉姆角场(GAF)图像的形式直观展示了卷积神经网络(CNN)对弓网电弧数据的抽象特征提取情况。实验结果表明,该方法可在不同条件下准确识别弓网电弧避免视频图像背景变化的问题为弓网电弧故障识别提供一种思路。 展开更多

关键词 滑动电接触 图像编码 格拉姆角场 卷积神经网络

在线阅读 下载PDF 职称材料

一种GAF-CNN行星齿轮箱故障诊断方法 被引量：27

5

作者 庞新宇 仝钰 魏子涵 《北京理工大学学报》 EI CAS CSCD 北大核心 2020年第11期1161-1167,共7页

为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后... 为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法. 展开更多

关键词 行星齿轮箱 故障诊断 图像编码 格拉姆角场 卷积神经网络

在线阅读 下载PDF 职称材料

基于GAF-Alexnet-ELM的齿轮箱故障诊断方法 被引量：1

6

作者 李路云 王海瑞 《农业装备与车辆工程》 2023年第5期81-86,共6页

针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-Alexnet-ELM的齿轮箱故障诊断模型。利用格拉姆角场(GAF)的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网... 针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-Alexnet-ELM的齿轮箱故障诊断模型。利用格拉姆角场(GAF)的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网络(Alexnet)进行特征提取,最后将Alexnet提取的特征放入极限学习机(ELM)进行故障识别。为了验证模型性能,采用千鹏公司QPZZ-II旋转机械振动分析及故障诊断试验平台系统的数据集进行齿轮箱故障诊断分析,同时进行多组对比实验,验证不同模型的故障诊断性能和泛化性能。结果表明,该模型故障识别准确率达到了96.33%;在噪声、转速、加载电流变化的情况下,故障识别准确率也较高,证明了所提方法具有良好的故障诊断效果和泛化性能。 展开更多

关键词 齿轮箱 故障诊断 格拉姆角场 卷积神经网络 极限学习机

在线阅读 下载PDF 职称材料

基于GADF融合RDSAN的跨工况轴承故障诊断 被引量：1

7

作者 瞿红春 韩松钰 +3 位作者 贾柏谊 马文博 詹亦宏 台合泽 《组合机床与自动化加工技术》 北大核心 2024年第7期182-187,共6页

针对在不同工况下获取到的滚动轴承振动数据特征分布存在差异,以及由于存在噪声而导致故障特征不明显的问题,提出了一种融合格拉姆角差场(GADF)与残差深度子领域自适应(RDSAN)模型的跨工况轴承故障诊断方法。首先,为充分利用GADF在故障... 针对在不同工况下获取到的滚动轴承振动数据特征分布存在差异,以及由于存在噪声而导致故障特征不明显的问题,提出了一种融合格拉姆角差场(GADF)与残差深度子领域自适应(RDSAN)模型的跨工况轴承故障诊断方法。首先,为充分利用GADF在故障特征差异化显示上的优势,利用GADF来生成滚动轴承一维振动时域信号对应的图像数据集;其次,将数据集输入RDSAN模型,其中使用由改进图像集预训练的ResNet-18网络结构进行源域与目标域通用特征的进一步提取,并引入局部最大均值差异(LMMD)计算匹配条件分布距离进行子领域自适应;最后,在添加0.5 dB高斯白噪声的CWRU滚动轴承数据集上进行跨工况试验验证,结果表明所提方法的平均诊断精度达到96.8%;将所提出的方法与不同的诊断方法进行比较分析,结果验证了该方法的有效性和优越性。 展开更多

关键词 滚动轴承 故障诊断 跨工况 格拉姆角差场 子领域自适应

在线阅读 下载PDF 职称材料

轻量化CNN与时间序列融合识别刀具磨损方法 被引量：1

8

作者 孔繁星 何腾飞 孙皓章 《机床与液压》 北大核心 2024年第17期235-239,共5页

针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题,提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化... 针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题,提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明:在初期磨损和正常磨损阶段使用MobilenetV2,在急剧磨损阶段使用MobilenetV3对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明,轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题,增加了信息处理的容错性,能有效减少模型体积和计算量,便于植入嵌入式系统并集成到机床系统中。 展开更多

关键词 刀具磨损 深度学习 卷积神经网络 格拉姆角场

在线阅读 下载PDF 职称材料

基于多模态特征工程和TSNet的心脏异常检测算法

9

作者 刘纪红 薛维 徐超 《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第10期1394-1400,1520,共8页

心电图(electrocardiogram,ECG)和心音图(phonocardiogram,PCG)是心脏疾病诊断中常用的图像,单一的方法进行心脏疾病诊断效果不佳.基于多模态特征工程,数据集经过切分和归一化预处理后,使用格拉姆角场(Gramian angle fields,GAF)进行时... 心电图(electrocardiogram,ECG)和心音图(phonocardiogram,PCG)是心脏疾病诊断中常用的图像,单一的方法进行心脏疾病诊断效果不佳.基于多模态特征工程,数据集经过切分和归一化预处理后,使用格拉姆角场(Gramian angle fields,GAF)进行时间序列数据重建,形成图像模型.提出一种适用于该图像模型的双流自融合网络(two‑stream self‑fusion network,TSNet),使用双流自融合(two‑stream self‑fusion,TS)模块替代底层卷积操作,更好地融合ECG和PCG的异构信息.经Physio Net Challenge 2016 a数据集测试,该算法的准确率、F1值、精确率和召回率最佳值分别达到95.3%,95.4%,96.2%,99.4%,相较其他心电和心音多模态卷积神经网络算法,精度更高. 展开更多

关键词 心电图 心音图 多模态特征工程 格拉姆角场 双流自融合网络

在线阅读 下载PDF 职称材料

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法 被引量：2

10

作者 刘蔚 黄永明 +2 位作者 卢永 刘高川 章国宝 《地震学报》 CSCD 北大核心 2024年第1期69-80,共12页

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行... 以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示:最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。 展开更多

关键词 地震分类 格拉姆角场(gaf) 深度学习 多尺度残差网络

在线阅读 下载PDF 职称材料

GADF和改进CNN的齿轮箱复杂环境下故障诊断 被引量：3

11

作者 刘成义 董绍江 +1 位作者 唐倩 邓文亮 《机械设计与制造》 北大核心 2024年第9期92-96,103,共6页

针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Netwo... 针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Network,简称MACNN)的齿轮箱故障诊断方法。首先将采集得到齿轮箱的一维振动信号的故障数据集进行预处理;然后通过格拉姆角差场将一维数据集转为二维图像数据;其次,将二维数据集数输入到改进的带有多注意力机制的卷积神经网络模型中进行训练;最后采用Softmax对齿轮箱故障数据集进行分类。通过试验验证,这里所提的方法在两个负载数据集上都可以达到99.80%以上,改进之后的模型训练效率更高、耗时更短,同时这里所提方法也优于一些已经发表的齿轮箱故障诊断的方法,此外本方法对齿轮箱在同时处于变负载和噪声的复杂环境中,依然有着较强的故障诊断能力。 展开更多

关键词 齿轮箱故障诊断 格拉姆角差场 注意力机制 卷积神经网络

在线阅读 下载PDF 职称材料

基于格拉姆角场边缘实现的轴承故障诊断系统

12

作者 屈绍宇 李沅 卢研宏 《仪表技术与传感器》 CSCD 北大核心 2024年第11期66-72,共7页

为解决2D-CNN轴承故障诊断前,将一维信号编码为二维特征矩阵导致的模型部署流程复杂和采集端资源浪费的问题,设计了一种基于格拉姆角场边缘实现的轴承故障诊断系统。系统以ZYNQ为核心,通过PL(可编程逻辑)端完成了格拉姆角场编码等信号... 为解决2D-CNN轴承故障诊断前,将一维信号编码为二维特征矩阵导致的模型部署流程复杂和采集端资源浪费的问题,设计了一种基于格拉姆角场边缘实现的轴承故障诊断系统。系统以ZYNQ为核心,通过PL(可编程逻辑)端完成了格拉姆角场编码等信号预处理,采用以太网将特征矩阵传输至上位机,输入到2D-CNN模型进行故障诊断。在硬件方面,设计了电源电路和信号调理电路,实现了A/D转换。测试结果表明:系统采集准确率大于95%,动态范围为97.45 dB,轴承故障诊断准确率大于95%,简化了2D-CNN轴承故障检测流程。 展开更多

关键词 格拉姆角场 轴承故障诊断 卷积神经网络 ZYNQ 信号预处理

在线阅读 下载PDF 职称材料

基于GADF和HWP-CBAM-ResNet的弧齿锥齿轮箱故障诊断

13

作者 王翰伟 许昕 +1 位作者 潘宏侠 荀小伟 《电子测量技术》 北大核心 2024年第21期100-110,共11页

针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题,以及传统鲸鱼优化算法(WOA)收敛速度较慢且全局搜索能力较差的问题,本文提出了一种基于格拉姆角差场(GADF)和混合鲸鱼粒子群优化算法的CBAM注意力机制... 针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题,以及传统鲸鱼优化算法(WOA)收敛速度较慢且全局搜索能力较差的问题,本文提出了一种基于格拉姆角差场(GADF)和混合鲸鱼粒子群优化算法的CBAM注意力机制残差网络的智能故障诊断方法。首先,对采集到的一维振动信号进行重叠采样以获得足够的信号样本,然后通过格拉姆角差场编码技术将一维数据转换为二维图像数据,构建不同故障下的二维图像数据集,并通过人为添加噪声的方式以扩大样本数量并验证噪声对诊断方法的影响;然后,在传统ResNet网络中加入CBAM注意力机制模块以增强有用特征、抑制无关特征,从而提升模型的表示能力,将图像数据集输入到混合鲸鱼粒子群优化算法优化的CBAM-ResNet模型中进行训练;最后,使用训练好的CBAM-ResNet模型对弧齿锥齿轮箱故障数据集进行分类,输出诊断结果。实验结果表明,该方法在不进行人为降噪的情况下确识别弧齿锥齿轮箱故障准确率达到100%,且在复杂噪声背景下依然可以达到95.38%,相较其他方法具有更高的准确率、更快的网络收敛速度和更好的鲁棒性。 展开更多

关键词 弧齿锥齿轮 格拉姆角场 鲸鱼优化算法 注意力机制 残差网络

在线阅读 下载PDF 职称材料

基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断 被引量：21

14

作者 古莹奎 吴宽 李成 《振动与冲击》 EI CSCD 北大核心 2022年第21期228-237,共10页

针对应用传统卷积神经网络进行故障诊断时存在的过拟合现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场图像编码和迁移深度残差神经网络相结合的滚动轴承故障诊断方法。依据格拉姆角场图像编码方法对时间序列编... 针对应用传统卷积神经网络进行故障诊断时存在的过拟合现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场图像编码和迁移深度残差神经网络相结合的滚动轴承故障诊断方法。依据格拉姆角场图像编码方法对时间序列编码映射的唯一性,将原始振动信号转化为格拉姆角差场图和格拉姆角和场图,并将在ImageNet上预训练好的ResNet18模型参数,迁移到以格拉姆角场图作为输入的ResNet18中,进行不同故障模式下格拉姆角场图的特征提取和分类,从而达到故障诊断的目的。分析结果表明,所提方法相比于传统灰度图编码,更能突出不同故障模式的内在特征,与传统卷积神经网络模型相比,提出的方法具有更高的识别精度,达到99.30%,且具有更快的收敛速度和更强的鲁棒性。 展开更多

关键词 格拉姆角场 图像编码 迁移深度残差神经网络 滚动轴承 故障诊断

在线阅读 下载PDF 职称材料

基于ResNeXt网络和迁移学习的非侵入式负荷监测 被引量：11

15

作者 鲍光海 黄逸欣 《电力系统自动化》 EI CSCD 北大核心 2023年第13期110-120,共11页

为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和... 为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和迁移学习的非侵入式负荷监测,采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入,放入迁移学习下ResNeXt网络进行负荷识别。该方法采用现有电表采集的低频数据作为输入,减少数据输入维度并加入了时间特性,再将输入图像进行标准化处理后通过堆叠深层次的残差神经网络来学习负荷深层次信息,利用迁移学习将在ImageNet-1K数据集下已训练好的网络模型参数传入新的目标域,加快网络的收敛速度,提高负荷分类的识别准确率和网络的泛化性。最后,利用公开数据集AMPds和UK-DALE模拟不同用电场景验证了所提方法的高效性和泛化性。 展开更多

关键词 非侵入式负荷监测 图像编码 格拉姆角场算法 迁移学习 残差神经网络

在线阅读 下载PDF 职称材料

基于格拉姆角场和改进残差网络的低压配电台区户变关系识别方法 被引量：6

16

作者 白勇 熊隽迪 +1 位作者 杨渝 肖睿 《重庆理工大学学报（自然科学）》 CAS 北大核心 2021年第12期189-197,共9页

低压配电台区户变关系信息是电力网络的基础性档案,准确识别低压配电台区户变关系对于电网企业尤为重要。采用一维序列分类神经网络进行台区户变关系识别时,存在序列易丢失时间依赖性、识别准确率低、准确率不稳定的问题,为此,提出一种... 低压配电台区户变关系信息是电力网络的基础性档案,准确识别低压配电台区户变关系对于电网企业尤为重要。采用一维序列分类神经网络进行台区户变关系识别时,存在序列易丢失时间依赖性、识别准确率低、准确率不稳定的问题,为此,提出一种基于格拉姆角场和改进残差神经网络的户变关系识别方法,以用户电压数据为基础,首先采用格拉姆角场方法将一维电压数据序列转换为特征矩阵,将矩阵元素对应于图像灰度采用伪彩色处理形成二维特征图谱;然后采用引入空间注意力模块进行改进的残差神经网络分类特征图谱以识别台区户变关系,采用格拉姆角场和伪彩色处理生成特征图谱,同时保留序列时间依赖性并使用空间注意力模块突出台区电压特征图谱差异,提高户变关系的识别准确率和稳定性。经实验验证,所建立的户变关系识别(CTRI)模型中台区用户识别平均准确率为98.52%,相较于一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)的平均识别准确率分别提升18.26%和10.1%。 展开更多

关键词 低压配电台区 户变关系识别模型 格拉姆角场 空间注意力 改进残差神经网络

在线阅读 下载PDF 职称材料

基于格拉姆角差场和卷积神经网络的宽频振荡分类方法 被引量：9

17

作者 赵妍 唐文石 +1 位作者 聂永辉 王泽通 《电网技术》 EI CSCD 北大核心 2022年第11期4364-4372,共9页

宽频振荡模式具有时变性和时空分布特性,对振荡分类方法在准确性、自适应性等方面提出了更高的要求。为此,该文提出一种基于格拉姆差场(gram difference field,GADF)和卷积神经网络(convolutional neural network,CNN)相结合的宽频振荡... 宽频振荡模式具有时变性和时空分布特性,对振荡分类方法在准确性、自适应性等方面提出了更高的要求。为此,该文提出一种基于格拉姆差场(gram difference field,GADF)和卷积神经网络(convolutional neural network,CNN)相结合的宽频振荡分类方法。首先,利用GADF将宽频振荡一维时间序列转换为二维特征图,保留了数据对时间的依赖性和数据间存在的潜在联系特征。然后,通过CNN对GADF特征图自适应地完成宽频振荡模态特征的检测和分类。仿真和实测数据分析结果表明,GADF-CNN方法可以有效检测宽频振荡类型,具有更高的分类检测准确率和自适应性。 展开更多

关键词 宽频振荡分类 格拉姆角差场 卷积神经网络 深度学习

在线阅读 下载PDF 职称材料

基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别 被引量：29

18

作者 张训杰 张敏 李贤均 《振动与冲击》 EI CSCD 北大核心 2021年第23期194-201,207,共9页

为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时间的依赖性。并由此提出基于卷积... 为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时间的依赖性。并由此提出基于卷积神经网络与双向门控循环单元(BiGRU)的诊断模型。首先将二维图像作为模型的输入数据,通过卷积神经网络提取图像的空间特征,再由双向门控循环单元筛选其时间特征,最终由分类器完成模式识别。通过对滚动轴承不同故障程度以及不同故障位置的诊断试验,准确率分别达到99.63%以及99.28%,其效果均优于其他常用算法,证明了所提方法的可行性。 展开更多

关键词 滚动轴承 故障诊断 格拉姆角场(gaf) 二维图像 卷积神经网络(CNN) 双向门控循环单元(BiGRU)

在线阅读 下载PDF 职称材料

基于长-短时序特征融合的资源负载预测模型 被引量：9

19

作者 王艺霏 于雷 +2 位作者 滕飞 宋佳玉 袁玥 《计算机应用》 CSCD 北大核心 2022年第5期1508-1515,共8页

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源... 高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场(GAF)将时间序列转变为图像格式数据,以便利用卷积神经网络(CNN)来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆(LSTM)网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差(MAE)为3.823,均方根误差(RMSE)为5.274,拟合度(R^(2))为0.8158,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。 展开更多

关键词 资源负载预测 卷积神经网络 长短期记忆网络 格拉姆角场 双通道 时间序列预测

在线阅读 下载PDF 职称材料

面向CNN和RNN改进的物联网入侵检测模型 被引量：8

20

作者 李晓佳 赵国生 +1 位作者 汪洋 宁可 《计算机工程与应用》 CSCD 北大核心 2023年第14期242-250,共9页

针对卷积神经网络的原始池化层存在信息丢失的问题和循环神经网络在处理长序列数据时存在梯度消失的问题,提出了基于卷积和循环神经网络改进的物联网入侵检测模型。通过格拉姆角场图像化方式对时间序列数据图像化,为数据作为入侵检测模... 针对卷积神经网络的原始池化层存在信息丢失的问题和循环神经网络在处理长序列数据时存在梯度消失的问题,提出了基于卷积和循环神经网络改进的物联网入侵检测模型。通过格拉姆角场图像化方式对时间序列数据图像化,为数据作为入侵检测模型的输入做好准备,由SoftPool池化层代替原始的池化层;将多头自注意力机制中的多头结构应用于循环神经网络中,循环神经网络选择参数较少的双向门控循环单元。以TON-IoT物联网数据集作为基准数据集进行试验,试验部分主要包括图像化方式的选择、池化层组合的选择和多头双向门控循环单元层头数的选择,仿真试验结果显示选择格拉姆角和场、SoftPool+SoftPool的池化层组合和三头结构的模型在多分类上在准确率、精确率、检测率、F1得分和假阳性率上的性能最优,并且精确率、检测率、F1得分和假阳性率优于现有模型至少0.14、0.09、0.13和0.08。 展开更多

关键词 物联网 入侵检测 格拉姆角场 多头结构 SoftPool池化层

在线阅读 下载PDF 职称材料