-
题名基于VGG19-SK模型的机械密封启停状态识别
- 1
-
-
作者
刘伟
翟志兴
张书尧
李双喜
-
机构
北京化工大学机电工程学院
-
出处
《机电工程》
北大核心
2025年第1期23-32,50,共11页
-
基金
国家重点研发计划项目(2018YFB2000800,2022YFB3303600)。
-
文摘
机械密封在机械设备的的启停过程中,时常会发生失效。针对这一问题,提出了一种新的深度学习模型VGG19-SK,并将其应用于机械密封的启停状态识别中。首先,在机械密封启停过程中,利用密封声发射信号试验台获取了试验数据,这些数据为训练深度学习模型提供了基础;然后,在传统VGG19基础之上进行了改进,增加了SK卷积层、全局平均池化层和批归一化(BN)层,这些改进显著减少了模型的参数数量,降低了对硬件设备的要求,同时提升了模型的性能;最后,在模型训练过程中,对VGG19-SK模型进行了细致的调优,采用准确率曲线、损失值曲线以及混淆矩阵等指标,与其他模型进行了对比,验证了VGG19-SK模型的有效性,突出了VGG19-SK模型的优越性。研究结果表明:在机械密封启停阶段8种分类识别中,VGG19-SK取得了86.67%的准确率,比传统VGG19提升了约2.19%;同时,模型的训练参数减少了83.74%,模型总体大小缩减了约80%。该VGG19-SK机械密封状态识别模型在兼顾准确率的同时,保证了硬件资源受限状况下的运行能力,为进一步开发基于深度神经网络模型的机械密封状态故障诊断系统奠定了基础。
-
关键词
机械密封
深度学习模型
声发射信号
SK卷积层
全局平均池化层
批归一化层
vgg19-sk模型
-
Keywords
mechanical seal
deep learning model
acoustic emission signal
SK convolution layer
global average pooling layer
batch normalization(BN)layer
vgg19-sk model
-
分类号
TH134
[机械工程—机械制造及自动化]
-
-
题名面向单幅遥感图像的生成对抗网络超分辨率重建
被引量：5
- 2
-
-
作者
韩志晟
孙丕川
唐超
-
机构
北京城建勘测设计研究院有限责任公司
城市轨道交通深基坑岩土工程北京市重点实验室
-
出处
《测绘通报》
CSCD
北大核心
2021年第8期106-110,共5页
-
文摘
利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。
-
关键词
单图像超分
生成对抗网络
vgg19网络模型
内容损失函数
对抗损失函数
-
Keywords
single image super-resolution
generative adversarial networks
vgg19 networks
content loss function
perceptual loss function
-
分类号
P237
[天文地球—摄影测量与遥感]
-
