检索结果-维普期刊中文期刊服务平台

基于注意力机制的轻量化刀具磨损监测方法: 1; 作者王村松徐明宇 +1 位作者张泉灵王森林《组合机床与自动化加工技术》北大核心 2025年第6期13-19,25,共8页; 精准的刀具磨损监测是评估刀具磨损程度、保证机床稳定运行、提升工件加工质量的关键。目前,现有的数据驱动监测方法由于过度依赖人工特征提取和选择、模型计算能力有限等问题,已经无法满足产线在线监测的高要求。针对上述问题,提出了... 展开更多; 关键词轻量化刀具磨损监测小波变换 ResNet网络 BiLSTM网络注意力机制; 在线阅读下载PDF 职称材料

基于CNN-BiLSTM及ResNet网络的板中损伤TFM定位与检测研究被引量：1: 2; 作者颜劲夫何其骏 +1 位作者瞿业峰李义丰《南京大学学报（自然科学版）》 CAS CSCD 北大核心 2024年第4期566-576,共11页; 针对全聚焦(Total Focusing Method,TFM)成像技术因其耗时长,在工业应用中受限的问题,提出一种基于CNN-BiLSTM(Convolutional Neural Network-Bi-directional Long Short-Term Memory)网络的快速TFM成像方法,首先利用卷积神经网络从全... 展开更多; 关键词 LAMB波 TFM 损伤检测 CNN-BiLSTM ResNet; 在线阅读下载PDF 职称材料

基于残差双向长短期记忆效应网络模型的电力企业碳排放预测被引量：4: 3; 作者陈齐许明海 +1 位作者沈赛燕郭磊《环境污染与防治》 CAS CSCD 北大核心 2024年第5期689-693,720,共6页; 针对电力企业碳排放核算时间长、连续排放监测系统误差大及传统模型拟合困难等问题,结合电力企业燃料燃烧的特性及现有污染物在线监测结果,成功构建了电力行业碳排放的残差双向长短期记忆效应网络(ResNet-BiLSTM)模型,并以浙江省113家... 展开更多; 关键词残差双向长短期记忆效应网络模型碳排放预测; 在线阅读下载PDF 职称材料

基于ResNet-ABiLSTM的滚动轴承剩余寿命预测被引量：5: 4; 作者刘文广司永战《机电工程》 CAS 北大核心 2023年第6期903-909,共7页; 传统数据驱动的方法过度依赖先验知识且特征提取能力不足,从而导致预测精度不高等后果。针对这一问题,提出了一种带有自注意力机制(SAM)的残差网络(ResNet)与双向长短时记忆网络(BiLSTM)结合的剩余使用寿命(RUL)预测方法(ResNet-ABiLSTM... 展开更多; 关键词滚动轴承剩余使用寿命残差网络双向长短时记忆网络自注意力机制; 在线阅读下载PDF 职称材料

题名基于注意力机制的轻量化刀具磨损监测方法: 1; 作者王村松徐明宇张泉灵王森林; 机构南京工业大学智能制造研究院中国科学院海西研究院泉州装备制造研究中心; 出处《组合机床与自动化加工技术》北大核心 2025年第6期13-19,25,共8页; 基金国家自然科学基金项目(62203213) 江苏省自然科学基金项目(BK20220332)。; 文摘精准的刀具磨损监测是评估刀具磨损程度、保证机床稳定运行、提升工件加工质量的关键。目前,现有的数据驱动监测方法由于过度依赖人工特征提取和选择、模型计算能力有限等问题,已经无法满足产线在线监测的高要求。针对上述问题,提出了一种基于注意力机制的轻量化刀具磨损监测方法。首先,改进了传统的简单序列组合深度学习模型,解决了特征提取时性能受到内部互块干扰的问题;然后,采用小波变换重构了刀具的信号,通过重构的时间序列实现了信号降维和去噪。进一步,将重构的时序数据输入带有注意力机制的轻量化模型,实现了对重构数据的特征提取;最后,在提出的改进ResNet网络和BiLSTM网络混合模型中,分别加入两种不同注意力机制,通过学习相应的特征相关性来突出敏感特征和强调突出特征,实现了刀具磨损量的预测。案例分析结果验证了所提出方法的有效性和准确性。; 关键词轻量化刀具磨损监测小波变换 ResNet网络 BiLSTM网络注意力机制; Keywords lightweight tool wear monitoring wavelet transform ResNet network BiLSTM network attention mechanism; 分类号 TH16 [机械工程—机械制造及自动化] TG71 [金属学及工艺—刀具与模具]; 在线阅读下载PDF 职称材料

题名基于CNN-BiLSTM及ResNet网络的板中损伤TFM定位与检测研究被引量：1: 2; 作者颜劲夫何其骏瞿业峰李义丰; 机构南京工业大学计算机与信息工程学院(人工智能学院) 近代声学教育部重点实验室; 出处《南京大学学报（自然科学版）》 CAS CSCD 北大核心 2024年第4期566-576,共11页; 基金国家自然科学基金(61571222) 江苏省研究生科研与实践创新计划(SJCX24_0563)。; 文摘针对全聚焦(Total Focusing Method,TFM)成像技术因其耗时长,在工业应用中受限的问题,提出一种基于CNN-BiLSTM(Convolutional Neural Network-Bi-directional Long Short-Term Memory)网络的快速TFM成像方法,首先利用卷积神经网络从全矩阵数据中提取关键特征,接着结合双向长短期记忆网络来预测金属板上损伤的区域位置,再使用TFM技术在损伤区域进行精确成像.为了进一步提升损伤检测的准确性,引入基于ResNet网络的损伤尺寸检测方法以实现对损伤大小的精确检测.为了验证方法的有效性,利用有限元分析软件ABAQUS建立三维铝板仿真模型,并通过模型变换构建神经网络数据集.实验结果表明,与传统全聚焦成像方法相比,CNN-BiLSTM网络展现出较高的区域定位精度,定位准确率达到95.26%,并具有显著的效率优势,平均定位速度提升了46.4%;同时,损伤尺寸大小的检测结果验证了基于ResNet网络的方法在损伤尺寸评估方面的有效性和准确性,在测试集上达到了99.26%的准确率.; 关键词 LAMB波 TFM 损伤检测 CNN-BiLSTM ResNet; Keywords Lamb waves TFM damage detection CNN⁃BiLSTM ResNet; 分类号 TB559 [理学—声学]; 在线阅读下载PDF 职称材料

题名基于残差双向长短期记忆效应网络模型的电力企业碳排放预测被引量：4: 3; 作者陈齐许明海沈赛燕郭磊; 机构浙江生态环境集团有限公司浙江天沣环境科技有限公司浙江锦鑫建设工程有限公司; 出处《环境污染与防治》 CAS CSCD 北大核心 2024年第5期689-693,720,共6页; 文摘针对电力企业碳排放核算时间长、连续排放监测系统误差大及传统模型拟合困难等问题,结合电力企业燃料燃烧的特性及现有污染物在线监测结果,成功构建了电力行业碳排放的残差双向长短期记忆效应网络(ResNet-BiLSTM)模型,并以浙江省113家电力企业的数据为样本进行验证。结果表明:与目前主流数据预测算法逻辑回归(Regression)、循环神经网络(RNN)、反向传播神经网络(BPNN)模型相比,ResNet-BiLSTM模型的平均绝对百分比误差分别低5.7、4.1、2.8百分点,对碳排放量的预测更贴近电力企业核算碳排放波动情况,且预测准确率(96%)最高。ResNet-BiLSTM模型的成功应用不仅为电力企业提供了新的碳排放预测途径,同时为提高相关管理部门的碳排放数据监管效率提供了支持。; 关键词残差双向长短期记忆效应网络模型碳排放预测; Keywords resnet-bilstm model carbon emissions prediction; 分类号 F426.61 [经济管理—产业经济] X322 [环境科学与工程—环境工程]; 在线阅读下载PDF 职称材料

题名基于ResNet-ABiLSTM的滚动轴承剩余寿命预测被引量：5: 4; 作者刘文广司永战; 机构内蒙古科技大学机械工程学院; 出处《机电工程》 CAS 北大核心 2023年第6期903-909,共7页; 基金内蒙古自然科学基金资助项目(2020LH05025)。; 文摘传统数据驱动的方法过度依赖先验知识且特征提取能力不足,从而导致预测精度不高等后果。针对这一问题,提出了一种带有自注意力机制(SAM)的残差网络(ResNet)与双向长短时记忆网络(BiLSTM)结合的剩余使用寿命(RUL)预测方法(ResNet-ABiLSTM)。首先,对采集的原始监测信号进行了标准化处理,并采用滑窗法对处理后的数据进行了重采样,以实现数据的扩充目标;然后,通过采用残差网络和双向长短时记忆网络,分别提取了数据空间维度和时间维度上的深层特征,同时引入了自注意力机制,关注了时空维度上反映设备退化趋势的更重要的特征;最后,采用PHM2012轴承数据集对预测效果进行了验证,并将其结果与CNN-LSTM、ResNet-BiLSTM、HI-GRNN、CNN-HI、ResNet-CBAM、DRN-BiGRU等方法的预测结果进行了对比分析。研究结果表明:采用ResNet-ABiLSTM方法的两项误差值(RMSE、MAE)分别取得了0.037、0.029的最低值,其效果显著优于其他对比方法;该结果验证了ResNet-ABiLSTM方法对轴承RUL预测的准确性和有效性。; 关键词滚动轴承剩余使用寿命残差网络双向长短时记忆网络自注意力机制; Keywords rolling bearing remaining useful life(RUL) residual network(ResNet) bidirectional long and short term memory network(BiLSTM) self-attention mechanism(SAM); 分类号 TH133.33 [机械工程—机械制造及自动化] 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	作者	出处	发文年	被引量	操作
1	基于注意力机制的轻量化刀具磨损监测方法	王村松徐明宇张泉灵王森林	《组合机床与自动化加工技术》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于CNN-BiLSTM及ResNet网络的板中损伤TFM定位与检测研究	颜劲夫何其骏瞿业峰李义丰	《南京大学学报（自然科学版）》 CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
3	基于残差双向长短期记忆效应网络模型的电力企业碳排放预测	陈齐许明海沈赛燕郭磊	《环境污染与防治》 CAS CSCD 北大核心	2024	4	在线阅读下载PDF 职称材料
4	基于ResNet-ABiLSTM的滚动轴承剩余寿命预测	刘文广司永战	《机电工程》 CAS 北大核心	2023	5	在线阅读下载PDF 职称材料