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77篇文章
< 1 2 … 4 >
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BNN-RA模型的风电机组轴承故障诊断研究 被引量：2
1
作者 余萍 宋紫琼 +1 位作者 曹洁 陈息良 《太阳能学报》 北大核心 2025年第3期643-651,共9页
针对风电机组轴承故障诊断中特征提取困难,模型迭代速度慢,精度低的问题,该文提出一种基于改进二值化神经网络(BNN)的风电机组轴承故障诊断方法。首先采用格拉姆角场(GAF)将轴承振动信号转换为二维图像,以提高特征提取精度,然后结合深... 针对风电机组轴承故障诊断中特征提取困难,模型迭代速度慢,精度低的问题,该文提出一种基于改进二值化神经网络(BNN)的风电机组轴承故障诊断方法。首先采用格拉姆角场(GAF)将轴承振动信号转换为二维图像,以提高特征提取精度,然后结合深度残差网络和注意力机制构建BNN-RA(BNN+Residual Network+Spatial attention network structure)故障诊断模型,实现轴承的高效故障诊断,最终通过美国凯斯西储大学(CWRU)与江南大学(JNU)公开的轴承数据集进行方法有效性验证。结果表明,该方法可有效提高网络迭代速度和诊断精度,模型在CWRU轴承数据集单一工况下迭代11次可达到收敛,故障诊断准确率达到99.20%,在两数据集的不同工况下平均准确率可达98.46%与97.6%。 展开更多
关键词 风电机组 故障诊断 轴承 二值化神经网络 格拉姆角场
在线阅读 下载PDF
基于数据图像化的装配式建筑施工安全评价研究 被引量：1
2
作者 宋晓刚 赵东东 严晓东 《安全与环境学报》 北大核心 2025年第10期3715-3724,共10页
为降低装配式建筑在施工过程中的安全风险,提高施工安全管理水平,研究提出了一种基于数据图像化的深度学习安全评价方法。首先,从文献研究、事故案例两个方面对装配式建筑施工安全评价指标进行全面识别,并利用调查问卷法对其进行筛选,... 为降低装配式建筑在施工过程中的安全风险,提高施工安全管理水平,研究提出了一种基于数据图像化的深度学习安全评价方法。首先,从文献研究、事故案例两个方面对装配式建筑施工安全评价指标进行全面识别,并利用调查问卷法对其进行筛选,构建装配式建筑施工安全评价指标体系。其次,利用格拉姆角场(Gramian Angular Fields,GAF)将一维的安全评价数据转换成二维图像数据,增强离散序列特征的表征能力,进而构建卷积神经网络(Convolutional Neural Networks,CNN)对二维图像进行识别分类,实现对装配式建筑施工的安全等级的判别。最后,构建几种常见的机器学习评价方法并进行了对比。结果显示,评价方法准确率最高,显著优于传统的机器学习方法,可有效实现装配式建筑施工的安全评价。 展开更多
关键词 安全工程 装配式建筑 施工安全评价 格拉姆角场 卷积神经网络
在线阅读 下载PDF
基于多模态融合的抗噪声故障诊断方法
3
作者 宋庆军 孙世荣 +3 位作者 宋庆辉 陆丽娜 陈俊龙 姜海燕 《机电工程》 北大核心 2025年第11期2129-2140,共12页
随着工业设备运行环境日益复杂,在噪声环境下的故障诊断中,单一模态的数据往往无法提供全面且准确的故障信息,为此,提出了基于多模态融合的抗噪声故障诊断方法(MMFD),旨在提高噪声干扰环境下的故障诊断性能。首先,分别使用了改进型GAF角... 随着工业设备运行环境日益复杂,在噪声环境下的故障诊断中,单一模态的数据往往无法提供全面且准确的故障信息,为此,提出了基于多模态融合的抗噪声故障诊断方法(MMFD),旨在提高噪声干扰环境下的故障诊断性能。首先,分别使用了改进型GAF角场(GAGM)转换方法和变分模态分解(VMD)对振动信号进行了预处理;然后,时序信号通过双向门控循环单元(BIGRU)与多头注意力机制(MA)协同捕获动态时序特征;接着,将振动信号编码为二维图谱,并设计了多尺度卷积网络(MCNN)集成空洞空间金字塔池化(ASPP)和卷积注意力模块(CBAM),以提取空间深层特征;为强化跨模态特征融合,设计了特征交互网络(FIN)实现时频特征的深度交互,并构建了门控多模态单元(GMU)动态加权多源特征,挖掘了多模态数据间的互补信息;最后,采用了凯斯西储大学轴承故障数据集进行了多组鲁棒性实验。研究结果表明:在强噪声环境(信噪比为-6 dB)下,MMFD相比于其他故障诊断方法,诊断准确率提升超过10%;此外,MMFD在不同信噪比下均能保持80%以上的准确率。该研究为复杂噪声环境中的智能故障诊断提供了一种新的思路。 展开更多
关键词 格拉姆角场 空洞空间金字塔池化模块 多头注意力机制 双向门控循环单元 卷积注意力模块 特征交互网络 门控多模态单元
在线阅读 下载PDF
基于GASF与MSCAM-DenseNet的小样本齿轮故障诊断方法
4
作者 史丽晨 张鹏 +1 位作者 王海涛 周星宇 《计算机集成制造系统》 北大核心 2025年第8期3033-3045,共13页
针对小样本条件下所得样本不足,特征未能有效提取导致诊断精度下降的问题,提出一种GASF与MSCAM-DenseNet相结合的小样本齿轮故障诊断方法。首先,运用格拉姆角和域(GASF)将多源振动信号变换为二维特征,采用二维离散小波变换(2D-DWT)重构... 针对小样本条件下所得样本不足,特征未能有效提取导致诊断精度下降的问题,提出一种GASF与MSCAM-DenseNet相结合的小样本齿轮故障诊断方法。首先,运用格拉姆角和域(GASF)将多源振动信号变换为二维特征,采用二维离散小波变换(2D-DWT)重构多源特征。其次,由于一般的密集连接卷积网络(DenseNet)不具备识别多尺度特征的能力,因而在DenseNet中引入多尺度通道注意力机制(MSCAM),提出一种改进网络模型,即MSCAM-DenseNet。最后,以重构后的GASF作为MSCAM-DenseNet的输入,待特征识别完成后,由网络分类器完成故障特征分类。采用实验室行星齿轮数据集和东南大学齿轮箱数据集对所提模型验证,并与其他诊断模型进行对比。实验结果证明,所提方法在小样本、变工况条件下具有较高的故障识别准确率,较强的泛化能力和抗噪能力。 展开更多
关键词 齿轮 小样本故障诊断 格拉姆角和域 二维离散小波变换 多尺度通道注意力机制
在线阅读 下载PDF
基于彩色图像特征提取及融合的非侵入式负荷识别
5
作者 魏广芬 李谊林 +3 位作者 KUZENGURIRA T.Tapiwa 赵航 胡春华 张玉猛 《电网技术》 北大核心 2025年第11期4854-4864,I0144-I0147,共15页
非侵入式负荷监测(non-intrusive load monitoring,NILM)技术可以有效监测和分析电器负荷设备的能耗及运行状态,其成本低、实用性强,具有广泛的应用前景。为有效提升基于图像特征的非侵入式负荷识别方法的识别效果,该文提出了一种新颖的... 非侵入式负荷监测(non-intrusive load monitoring,NILM)技术可以有效监测和分析电器负荷设备的能耗及运行状态,其成本低、实用性强,具有广泛的应用前景。为有效提升基于图像特征的非侵入式负荷识别方法的识别效果,该文提出了一种新颖的3种NILM灰度图像特征提取及融合方法,分别通过加权递归图、格拉姆角场和马尔可夫转移场提取稳态电流周期性和相似性等重复模式特征、时间依赖性和相关性等静态特征及全局趋势和局部趋势等动态特征,得到3个NILM灰度图像矩阵,将其对应构建为彩色图像的红绿蓝3个颜色通道,从而融合为含有丰富负荷特征的彩色特征图像。进一步针对彩色特征图像处理复杂度提升的问题,提出了一种参数量更少、迭代速度更快同时保持高准确率的卷积神经网络负荷识别模型,有效降低了彩色图像分析模型的复杂度。与当前NILM领域的典型新型算法对比,该文所提负荷识别方法在多个高频数据集的识别精度均取得最优。 展开更多
关键词 非侵入式负荷监测 负荷识别 加权递归图 马尔可夫变迁场 格拉姆角场 图像特征
在线阅读 下载PDF
基于格拉姆角场和PCNN-BiGRU模型的故障诊断方法及其应用 被引量：3
6
作者 盛世龙 王淑青 +2 位作者 王云鹤 翟宇胜 刘冬 《中国农村水利水电》 北大核心 2025年第2期121-128,共8页
研究提出了一种基于信号处理和深度学习技术的水电机组故障诊断方法。首先,利用VMD对水电机组的原始信号进行分解和重构,以实现信号的降噪,并得到本征模态函数(IMF);随后,通过格拉姆角场(GAF)变换,将IMF转换为GASF和GADF图像。然后将所... 研究提出了一种基于信号处理和深度学习技术的水电机组故障诊断方法。首先,利用VMD对水电机组的原始信号进行分解和重构,以实现信号的降噪,并得到本征模态函数(IMF);随后,通过格拉姆角场(GAF)变换,将IMF转换为GASF和GADF图像。然后将所有图像数据输入到双通道并行二维卷积神经网络与双向门控循环单元(PCNNBiGRU)模型中进行训练。该模型通过CNN提取特征图,并将其输入到BiGRU中,以保持对时间特征的敏感度并剔除冗余信息;最后,为验证该方法的有效性,结合实际电站机组样本数据进行比较试验,对所提方法提供高效、准确的水电机组故障诊断解决方案进行了验证。 展开更多
关键词 水电机组 VMD 格拉姆角场 故障诊断 并行CNN BiGRU
在线阅读 下载PDF
基于GAF变换和TM-CNN的水工钢闸门损伤识别
7
作者 李向阳 张钰奇 +1 位作者 铁瑛 李帅 《中国农村水利水电》 北大核心 2025年第9期207-214,222,共9页
针对水工闸门损伤识别较为困难且较小程度损伤的识别准确率偏低的问题,提出了一种基于格拉姆角场(Gramian Angular Fields,GAF)变换和双流多通道卷积神经网络(Two-Stream Multi-Channel Convolutional Neural Network,TM-CNN)的闸门损... 针对水工闸门损伤识别较为困难且较小程度损伤的识别准确率偏低的问题,提出了一种基于格拉姆角场(Gramian Angular Fields,GAF)变换和双流多通道卷积神经网络(Two-Stream Multi-Channel Convolutional Neural Network,TM-CNN)的闸门损伤识别方法。该方法将不同损伤状态下采集的一维振动信号经过GAF变换转换为二维图像并以此图像训练TM-CNN,建立闸门振动信号到损伤状态的映射关系来实现损伤识别。闸门损伤实验结果显示,所提方法在闸门单点和多点损伤实验中的识别准确率分别为98.04%和99.88%,且对低程度损伤类型的识别能力较好,单点和多点实验中5%程度损伤状态的AUC均值分别为0.999 6和1。实验结果验证了通过深度学习对被测物体振动信号进行分类的损伤识别方法应用于闸门上是可行的,对于水工闸门的健康监测研究具有重大意义。 展开更多
关键词 水工闸门 损伤识别 格拉姆角场 卷积神经网络
在线阅读 下载PDF
基于格拉姆角场的子域适应变工况轴承故障诊断
8
作者 刘志伟 雷斌 +2 位作者 魏鹏飞 及文磊 李德仓 《组合机床与自动化加工技术》 北大核心 2025年第6期182-187,共6页
滚动轴承工作环境复杂多变且样本数据不平衡,导致模型泛化能力差和诊断精度低。为提高模型泛化能力以及准确性,结合格拉姆角场(GAF)编码技术捕获信号的周期变化,从子域角度出发,考虑对齐子域损失,提出了一种基于格拉姆角场的深度子域适... 滚动轴承工作环境复杂多变且样本数据不平衡,导致模型泛化能力差和诊断精度低。为提高模型泛化能力以及准确性,结合格拉姆角场(GAF)编码技术捕获信号的周期变化,从子域角度出发,考虑对齐子域损失,提出了一种基于格拉姆角场的深度子域适应网络(GSAM)跨域故障诊断模型。首先,将振动信号通过格拉姆角场技术进行预处理,生成特征图;再次,使用神经网络提取特征,利用局部最大均值差异(LMMD)进行特征映射,捕获不同域的同一类别内的两个子域之间的关系;最后,采用凯斯西储大学(CWRU)数据集和东南大学齿轮箱测得的轴承故障数据进行实验,进行跨域故障诊断。结果表明所提出模型的跨域故障诊断精度高于其他域适应对比模型。 展开更多
关键词 轴承 故障诊断 迁移学习 格拉姆角场 领域自适应
在线阅读 下载PDF
基于位串行卷积神经网络加速器的运动想象脑电信号识别系统
9
作者 程筱舒 王忆文 +2 位作者 娄鸿飞 丁玮然 李平 《电子科技大学学报》 北大核心 2025年第3期321-332,共12页
准确识别运动想象脑电信号是神经科学和生物医学工程领域的重要挑战。设计了基于位串行卷积神经网络加速器的脑电信号识别系统,充分利用其小体积、低能耗和高实时性的优势。从软件层面,介绍了脑电数据的预处理、特征提取及分类过程,并... 准确识别运动想象脑电信号是神经科学和生物医学工程领域的重要挑战。设计了基于位串行卷积神经网络加速器的脑电信号识别系统,充分利用其小体积、低能耗和高实时性的优势。从软件层面,介绍了脑电数据的预处理、特征提取及分类过程,并采用格拉姆角场转换将一维信号映射为二维特征图供网络处理。在硬件层面,提出了列暂存数据流和固定乘数原位串行乘法器等方法,在FPGA上实现了位串行卷积神经网络加速器的原型验证。实验表明,基于位串行LeNet-5加速器的FPGA实现对BCI竞赛Ⅳ数据集2a和2b的分类平均准确率分别达到95.68%和97.32%,kappa值分别为0.942和0.946,展现出的优异性为运动想象脑电信号识别的高效实现提供了思路。 展开更多
关键词 脑机接口 运动想象 卷积神经网络 硬件加速器 格拉姆角场
在线阅读 下载PDF
基于改进V-I轨迹的非侵入式负荷辨识方法
10
作者 李剑文 梅飞 +2 位作者 张晓光 封通通 李欣 《电力工程技术》 北大核心 2025年第5期128-137,共10页
针对目前非侵入式负荷辨识方法对负荷特征信息挖掘不足和辨识模型规模庞大的问题,文中提出一种基于改进V-I轨迹的非侵入式负荷辨识方法。首先利用格拉姆角场(Gramian angular field,GAF)和颜色编码技术,将有功电流、瞬时功率、V-If轨迹... 针对目前非侵入式负荷辨识方法对负荷特征信息挖掘不足和辨识模型规模庞大的问题,文中提出一种基于改进V-I轨迹的非侵入式负荷辨识方法。首先利用格拉姆角场(Gramian angular field,GAF)和颜色编码技术,将有功电流、瞬时功率、V-If轨迹进行融合形成新的负荷特征,然后通过深度可分离卷积(depthwise separable convolution,DSC)模块和混合空洞卷积(hybrid dilated convolution,HDC)模块优化卷积神经网络(convolutional neural network,CNN)模型框架,构建轻量化负荷辨识模型,最后利用公开数据集进行实验分析。结果表明,文中所提方法的F1分数为0.953,可实现在减少软硬件资源占用的基础上进一步提升对用电负荷的辨识精度。 展开更多
关键词 非侵入式负荷监测 颜色编码 多特征融合 V-If轨迹 轻量化模型 格拉姆角场(GAF)
在线阅读 下载PDF
基于GAF-CNN与MISSA-XGBoost的高压隔离开关故障诊断方法
11
作者 董媛 马宏忠 +3 位作者 张驰 葛轩豪 徐睿涵 胡国栋 《科学技术与工程》 北大核心 2025年第31期13416-13426,共11页
针对变电站中高压隔离开关因复杂环境和长期运行引发的机械故障诊断问题,提出了一种基于格拉姆角场(Gramian angular field,GAF)结合卷积神经网络(convolutional neural network,CNN)特征提取与多策略改进麻雀搜索算法(multi-strategy i... 针对变电站中高压隔离开关因复杂环境和长期运行引发的机械故障诊断问题,提出了一种基于格拉姆角场(Gramian angular field,GAF)结合卷积神经网络(convolutional neural network,CNN)特征提取与多策略改进麻雀搜索算法(multi-strategy improved sparrow search algorithm,MISSA)优化的极端梯度提升(extreme gradient boosting,XGBoost)故障诊断方法。通过GAF将高压隔离开关的振动信号转换为二维图像,生成相应的图像集,并利用CNN进行特征提取;引入MISSA优化XGBoost分类器的参数,建立高压隔离开关机械故障诊断模型;最后基于该模型识别不同的状态类型。实验结果表明,与传统故障诊断模型相比,所提方法的识别准确率超过96%,能够有效识别高压隔离开关的机构卡涩、松动和三相不同期故障,为高压隔离开关状态检修提供了理论依据。 展开更多
关键词 高压隔离开关 振动信号 格拉姆角场 多策略改进麻雀搜索算法 XGBoost分类器 故障诊断
在线阅读 下载PDF
基于增强深度卷积神经网络的滚动轴承多工况故障诊断方法 被引量：3
12
作者 郭盼盼 张文斌 +4 位作者 崔奔 郭兆伟 赵春林 尹治棚 刘标 《振动工程学报》 北大核心 2025年第1期96-108,共13页
针对现有卷积神经网络无法充分提取滚动轴承时域信号间的关联特征,模型训练所需样本多以及泛化性不足的问题,提出一种基于增强卷积神经网络模型的滚动轴承多工况故障诊断方法。根据滚动轴承转速和采样频率计算轴承单圈故障特征信号长度... 针对现有卷积神经网络无法充分提取滚动轴承时域信号间的关联特征,模型训练所需样本多以及泛化性不足的问题,提出一种基于增强卷积神经网络模型的滚动轴承多工况故障诊断方法。根据滚动轴承转速和采样频率计算轴承单圈故障特征信号长度,采用格拉姆角场编码技术对单圈时域信号完整信息进行编码,生成相应特征图像,使神经网络在视觉上对时域信号关联特征进行学习;利用ACNet网络模型中的非对称卷积对ConvNeXt模型的7×7深度卷积层进行重构:即采用2个3×3,1个1×3和1个3×1的非对称小卷积核以多分支结构组合的形式重构其7×7卷积层,增强ConvNeXt模型的特征提取效率;对ConvNeXt模型中的数据增强模块及学习率衰减策略进行改进,提高ConvNeX模型在小样本训练下的泛化性,以此搭建增强深度卷积神经网络IConvNeXt模型。使用凯斯西储大学不同故障直径轴承、东南大学滚动轴承复合故障和加拿大渥太华变转速滚动轴承故障数据集进行试验验证,结果表明:所提IConvNeXt模型对滚动轴承不同故障直径和复合故障识别准确率为100%,对变转速轴承故障识别率为99.63%。将所提方法与RP+ResNet、RP+IConvNeXt、MLCNN⁃LSTM、MTF+ICon⁃vNeXt等方法进行对比,结果表明,所提模型在更少样本训练下的故障诊断效果均优于其他方法,并具有较强的泛化性能。 展开更多
关键词 故障诊断 滚动轴承 多工况 格拉姆角场 增强卷积神经网络
在线阅读 下载PDF
基于ECA-VGG16和迁移学习的砂轮磨损状态识别研究
13
作者 周思康 张明柱 +3 位作者 王宁宁 王一帆 史帅涛 邱明 《机床与液压》 北大核心 2025年第19期103-109,共7页
针对轴承套圈磨削过程中砂轮磨损状态识别精度低的问题,提出一种基于ECA-VGG16和迁移学习的砂轮磨损状态识别方法。采集3种工况下砂轮全寿命周期磨削过程中的声发射信号,并使用格拉姆角和场(GASF)将声发射信号转换为二维图像,构建源域... 针对轴承套圈磨削过程中砂轮磨损状态识别精度低的问题,提出一种基于ECA-VGG16和迁移学习的砂轮磨损状态识别方法。采集3种工况下砂轮全寿命周期磨削过程中的声发射信号,并使用格拉姆角和场(GASF)将声发射信号转换为二维图像,构建源域数据集和目标域数据集。分析不同砂轮进给速度下3种砂轮磨损迁移学习任务,并对所提方法进行验证。结果表明:所提模型在3种多源域数据集中的平均识别准确率达到97.61%,比单源域迁移识别准确率94.04%提高了3.80%,表明通过构建多源域数据集进行迁移学习,可以有效提高砂轮磨损状态的识别准确率;与残差神经网络ResNet、对抗神经网络GAN和域自适应网络DAN相比,所提方法在多源域迁移(A/B→C、A/C→B、B/C→A)中的识别准确率分别为97.00%、97.50%、98.32%,均比上述3种算法得到的识别结果优异。研究结果为当前轴承套圈砂轮磨损状态监测工程应用提供了参考。 展开更多
关键词 砂轮磨损状态识别 迁移学习 ECA-VGG16 格拉姆角和场(GASF) 声发射信号
在线阅读 下载PDF
基于通道加权的多模态特征融合用于EEG疲劳驾驶检测
14
作者 程文鑫 闫光辉 +2 位作者 常文文 吴佰靖 黄亚宁 《浙江大学学报(工学版)》 北大核心 2025年第9期1775-1783,1802,共10页
针对疲劳驾驶检测方法泛化能力差、特征提取模式单一、模型不可解释等问题,提出多模态特征融合模型nsNMF-PCNN-GRU-MSA,通过分析驾驶员脑电图(EEG)信号实现疲劳程度的检测.在网络浅层设计通道加权模块,引入非平滑非负矩阵分解(nsNMF)算... 针对疲劳驾驶检测方法泛化能力差、特征提取模式单一、模型不可解释等问题,提出多模态特征融合模型nsNMF-PCNN-GRU-MSA,通过分析驾驶员脑电图(EEG)信号实现疲劳程度的检测.在网络浅层设计通道加权模块,引入非平滑非负矩阵分解(nsNMF)算法计算电极通道的贡献度;在网络中层设计多模态特征融合模块,引入格拉姆角场成像方法将一维EEG数据映射成二维图像,并采用PCNN-GRU并行方式融合不同模态的时空特征;在网络深层融合多头自注意力机制(MSA),完成疲劳驾驶状态分类任务.实验结果表明,该模型在数据集SEED-VIG和SAD的混合样本上的疲劳检测准确率分别为93.37%、90.78%,单个被试数据准确率最低分别为86.60%、85.59%,高于近年先进模型.将特征激活值映射到大脑拓扑图上的分析方法不仅提高了模型的可解释性,而且为疲劳驾驶检测提供了新视角. 展开更多
关键词 EEG 疲劳驾驶检测 nsNMF 格拉姆角场 多模态特征融合 模型可解释性
在线阅读 下载PDF
基于GAF-ResNet50的配电网故障区段定位
15
作者 石昱烜 席燕辉 张伟杰 《电力科学与技术学报》 北大核心 2025年第2期122-130,149,共10页
配电线路是现代电力系统的组成部分,直接影响着供电的安全和稳定。配电网故障定位分为对故障点的精准定位与区段定位两种。针对配电网结构的复杂性,提出基于GAF-ResNet50的配电网故障区段定位方法。该方法通过格拉姆角场算法,将一维时... 配电线路是现代电力系统的组成部分,直接影响着供电的安全和稳定。配电网故障定位分为对故障点的精准定位与区段定位两种。针对配电网结构的复杂性,提出基于GAF-ResNet50的配电网故障区段定位方法。该方法通过格拉姆角场算法,将一维时间序列转换成二维(Gramian angular field,GAF)图像,并利用残差神经网络的框架,从GAF图像中提取信号更深层次的故障特征,精确地辨识故障区域。为验证该方法的有效性,在MATLAB平台上搭建IEEE 13节点的配电网模型,对其产生故障数据进行故障区段的定位仿真。研究结果表明:该方法能够快速、准确地进行故障区段定位,其精度在98%以上,且该方法对噪声具有良好的鲁棒性。 展开更多
关键词 残差神经网络 配电网 格拉姆角场 域变换 故障定位
在线阅读 下载PDF
基于多模态特征融合的并行双通道轴承故障诊断 被引量：1
16
作者 曹月 王衍学 +1 位作者 姚家驰 王祎颜 《机床与液压》 北大核心 2025年第13期71-76,共6页
针对单一通道解释数据存在不全面性、难以达到较高的诊断准确率且在实际生产中旋转机械轴承故障信号微弱易被噪声淹没的问题,提出一种利用图像和时序信号分别进行特征提取、融合分类的并行双通道电机轴承故障分类方法。采用格拉姆角场... 针对单一通道解释数据存在不全面性、难以达到较高的诊断准确率且在实际生产中旋转机械轴承故障信号微弱易被噪声淹没的问题,提出一种利用图像和时序信号分别进行特征提取、融合分类的并行双通道电机轴承故障分类方法。采用格拉姆角场将时序信号转化为二维图像,随后将一维信号和二维图像同时输入到并行双通道模型中。第一个通道采用卷积神经网络提取空间信息;第二个通道采用门控循环单元挖掘振动信号中的时序特征。最后,将两个通道提取的时空特征融合并引入多头自注意力机制进行训练。基于公开和实测数据集的实验结果表明:该诊断方法在多种工况下对故障类型的诊断平均准确率高达98.13%;与单通道模型相比具有更高的准确率和鲁棒性。 展开更多
关键词 故障诊断 并行双通道 多模态融合 格拉姆角场 自注意力机制
在线阅读 下载PDF
基于XRF的CARS-GAF-MobileNet铝合金牌号分类研究 被引量：1
17
作者 吕树彬 万优 +1 位作者 李福生 杨婉琪 《分析测试学报》 北大核心 2025年第6期1161-1168,共8页
铝合金以其卓越的特性在工业上得到广泛应用,对铝合金的牌号进行准确分类能够进一步推动制造业等领域的发展。该文提出了一种新的铝合金X射线荧光(XRF)光谱分类框架CARS-GAF-MobileNet(CGM)。首先,采用XRF光谱仪获取铝合金样本的XRF光... 铝合金以其卓越的特性在工业上得到广泛应用,对铝合金的牌号进行准确分类能够进一步推动制造业等领域的发展。该文提出了一种新的铝合金X射线荧光(XRF)光谱分类框架CARS-GAF-MobileNet(CGM)。首先,采用XRF光谱仪获取铝合金样本的XRF光谱数据;然后,提出一种基于多元素校正的竞争性自适应重加权采样(CARS)算法对数据进行变量筛选;随后,使用格拉姆角场(GAF)将一维光谱转换为二维光谱图像,并通过色彩映射将灰度图转为RGB图;最后,将转换后的二维光谱图作为Mobilenet-V3模型的输入,对铝合金样本进行分类。实验结果表明,所提出的CGM框架的最终分类准确率可以达到94.3%,能够对不同牌号的铝合金样品进行精确识别。CGM是一种具有潜力的铝合金牌号识别框架,对铝合金分类问题具有较好的理论指导和应用价值。 展开更多
关键词 X射线荧光 铝合金分类 格拉姆角场 竞争性自适应重加权采样 深度学习
在线阅读 下载PDF
基于2D-VMD和ConvLSTM的电力负荷图像化短期预测方法
18
作者 李承皓 杨永标 +2 位作者 宋嘉启 张翔颖 徐青山 《南方电网技术》 北大核心 2025年第2期1-9,共9页
电力负荷预测受到诸多不确定性事件的影响,因此准确地预测负荷一直是行业内研究的重点方向。针对传统方法在对短期电力负荷预测精度较低的问题,给出一种基于二维变分模态分解(two-dimensional variational mode decomposition,2D-VMD)... 电力负荷预测受到诸多不确定性事件的影响,因此准确地预测负荷一直是行业内研究的重点方向。针对传统方法在对短期电力负荷预测精度较低的问题,给出一种基于二维变分模态分解(two-dimensional variational mode decomposition,2D-VMD)和卷积长短时记忆神经网络(convolutional long short-term memory,ConvLSTM)的电力负荷图像化短期预测方法。首先采用格拉姆角场方法(Gramian angular fields,GAF)将预处理后的负荷数据转换为一组格拉姆角场图像,然后通过2D-VMD将这组图像各自分解成一系列不同中心频率的子模态并按中心频率分类,使用ConvLSTM神经网络对不同模态图像组进行预测,最终将预测结果重构并逆操作得到负荷预测值。预测结果表明此方法提高了短期负荷预测的精度,为电力负荷预测提供了新方法。 展开更多
关键词 电力系统 负荷预测 格拉姆角场 二维变分模态分解 ConvLSTM神经网络
在线阅读 下载PDF
IMGAF-RLNet模型的股指趋势预测研究 被引量：1
19
作者 张菊平 李路 《计算机工程与应用》 北大核心 2025年第6期229-243,共15页
针对金融时间序列动态不稳定性以及长期依赖的特性,构建了基于深度学习算法的IMGAF-RLNet模型预测中国股票市场的大、中盘指数涨跌趋势。IMGAF-RLNet采用格拉姆角场方法将目标股指和基于斯皮尔曼秩相关系数筛选的成分股的不同特征序列... 针对金融时间序列动态不稳定性以及长期依赖的特性,构建了基于深度学习算法的IMGAF-RLNet模型预测中国股票市场的大、中盘指数涨跌趋势。IMGAF-RLNet采用格拉姆角场方法将目标股指和基于斯皮尔曼秩相关系数筛选的成分股的不同特征序列编码为格拉姆差角场矩阵,然后将得到的矩阵序列构造为多维张量输入根据预训练模型分类结果筛选的CNN分类器残差网络(ResNet)进行特征提取,同时添加长短时记忆网络(LSTM)学习股指数据的时序特征,最后通过全连接网络对ResNet提取的局部特征和LSTM提取的整体特征完成股指趋势分类预测。选取沪深300、上证50、中证500指数作为研究对象。实验表明,三只股指的短、中、长期趋势预测准确率均在59%以上,其中预测效果最好的窗口及分类准确率分别为40、20、20以及62.65%、63.68%、61.85%。 展开更多
关键词 股指趋势预测 数据增强 格拉姆角场 残差神经网络 长短时记忆网络
在线阅读 下载PDF
基于改进CNN-LSTM的开关闩故障诊断方法
20
作者 高振华 秦奋起 +1 位作者 王琳琳 于存贵 《兵工学报》 北大核心 2025年第9期49-58,共10页
针对某舰炮开关闩机构关重件磨损和弹簧弹性减弱两类典型故障模式,传统故障诊断方法主要依赖于人工检查、专家经验推理和理论仿真等方法,不仅时间周期较长,而且诊断精度难以保证。针对此问题,采用深度学习的方法,提出一种基于麻雀搜索算... 针对某舰炮开关闩机构关重件磨损和弹簧弹性减弱两类典型故障模式,传统故障诊断方法主要依赖于人工检查、专家经验推理和理论仿真等方法,不仅时间周期较长,而且诊断精度难以保证。针对此问题,采用深度学习的方法,提出一种基于麻雀搜索算法(Sparrow Search Algorithm,SSA)的格拉姆角场结合卷积神经网络和长短期记忆神经网络(Graham Angle Field-Convolutional Neural Network-Long Short-Term Memory,GAF-CNN-LSTM)的开关闩故障诊断方法。通过试验台架采集开关闩机构故障原始信号并进行预处理,通过时频分析法和格拉姆角场法建立一维时序数据和二维图像故障数据集;将故障数据集分别输入到使用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)通道中,利用CNN强大的空间特征提取能力和LSTM挖掘数据时序特征能力进行特征提取,并将二者得到的特征信息进行融合,在全连接层和激活函数的作用下输出诊断结果;通过SSA对GAF-CNN-LSTM网络结构中的超参数进行优化,提高模型的诊断精度和适用性。经测试数据验证:提出的SSA-GAF-CNN-LSTM故障诊断模型不仅可以更精准地诊断开关闩机构故障类型,而且具有更强的泛化能力及抗干扰能力,有效地提高了开关闩机构故障诊断的性能。 展开更多
关键词 故障诊断 开关闩机构 深度学习算法 群体智能优化算法 格拉姆角场
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 2 … 4 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