-
题名基于MTF-DARCNN的滚动轴承故障诊断方法
- 1
-
-
作者
金岩
缪成翔
-
机构
金川集团镍钴有限公司镍冶炼厂
兰州理工大学机电工程学院
-
出处
《机电工程》
北大核心
2025年第11期2084-2095,共12页
-
基金
国家自然科学基金面上项目(52465013)。
-
文摘
针对传统卷积神经网络模型由于滚动轴承的负载或转速变化而导致故障识别性能下降这一问题,提出了一种创新的基于马尔科夫转移场(MTF)与双注意力残差卷积神经网络(DARCNN)的轴承故障诊断方法。首先,采用MTF将原始信号转换为具有时间相关性的二维图像,这种转换有助于更好地捕捉信号的时序特征;然后,构建了压缩和激励-多尺度注意力模块(SE-MSAM),该模块能够有效提取不同尺度下的特征信息,以增强模型对多层次特征的理解;接着,设计了轻量级残差模块(LRM),该模块不仅降低了计算复杂度,还提升了特征学习的有效性,增强了模型的整体性能;最后,引入全局注意力模块(GAM)提升了特征区分,基于此开发MTF-DARCNN方法用于轴承故障诊断;并采用了美国凯斯西储大学及本实验室机械故障模拟(MFS)轴承数据集,在变工况条件下,对模型故障诊断的鲁棒性与泛化性能进行了实验验证。研究结果表明:MTF-DARCNN方法在变负载和变转速的工况下,平均识别准确率分别达到了99%和98.47%;此外,在不同工况下,该方法的诊断稳定性也明显优于其他诊断方法;这些高准确率的结果充分验证了MTF-DARCNN方法不仅具备卓越的故障识别能力,还展现了在面对多样化工况挑战时的更高泛化能力。这意味着在工况变化的条件下,该方法能有效进行故障诊断,确保设备的正常运行。
-
关键词
轴承故障识别准确率
马尔科夫转移场
双注意力残差卷积神经网络
压缩和激励-多尺度注意力模块
轻量级残差模块
全局注意力模块
机械故障模拟
-
Keywords
accuracy of bearing fault identification
Markov transition field(MTF)
dual attention residual convolutional neural network(DARCNN)
squeeze and excitation-multi scale attention module(se-msam)
lightweight residual module(LRM)
global attention module(GAM)
mechanical fault simulation(MFS)
-
分类号
TH133.3
[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]
-
-
题名基于通道注意力和边缘融合的伪装目标分割方法
被引量：3
- 2
-
-
作者
詹春兰
王安志
王明辉
-
机构
贵州师范大学大数据与计算机科学学院
四川大学计算机学院
-
出处
《计算机应用》
CSCD
北大核心
2023年第7期2166-2172,共7页
-
基金
国家自然科学基金资助项目(62162013)
国家级大学生创新创业训练计划项目(202210663045)
贵州省大学生创新创业训练计划项目(S202110663028)。
-
文摘
伪装目标分割(COS)的目标是从背景中分离出隐藏的目标对象。近年来,基于卷积神经网络(CNN)的伪装目标检测(COD)发展迅速,然而仍存在无法从前/背景高度相似的场景中准确地检测出完整目标对象的问题。针对上述问题,提出一种基于通道注意力(CA)和边缘融合的COS方法CANet(Network based on Channel Attention and edge fusion),以得到伪装目标的边缘细节更清晰的完整分割结果。首先,引入压缩和激励(SE)注意力模块,以提取更丰富的高级语义特征;其次,提出一个边缘融合模块,抑制低级特征中的干扰,并充分利用图像的边缘细节信息;最后,设计了基于深度可分离卷积的通道注意力模块,以自上而下的方式逐步融合跨级的多尺度特征,进一步地提升检测精度和效率。在多个公开的COD数据集上的实验结果表明,相较于SINet(Search Identification Net)、TINet(Textureaware Interactive guidance Network)和C2FNet(Context-aware Cross-level Fusion Network)等8种主流的方法,CANet表现更佳,且能够获取到丰富的伪装目标内部及边缘细节信息,而且在具有挑战性的COD10K数据集上结构度量指标相较于SINet提升了2.6个百分点。CANet性能优越,适用于医学上检测与人体组织相似的病灶区域、军事领域检测隐蔽目标等相关领域。
-
关键词
伪装目标分割
边缘融合
压缩和激励注意力模块
深度可分离卷积
多尺度特征
-
Keywords
Camouflage Object Segmentation(COS)
edge fusion
squeeze-and-Excitation(SE)attention module
depthwise separable convolution
multi-scale feature
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于U-Net多尺度自校准注意力视网膜分割算法
被引量：5
- 3
-
-
作者
梁礼明
陈鑫
周珑颂
余洁
-
机构
江西理工大学电气工程与自动化学院
-
出处
《计算机应用研究》
CSCD
北大核心
2023年第3期943-948,共6页
-
基金
国家自然科学基金资助项目(51365017,61463018)
江西省自然科学基金资助项目(20192BAB205084)
江西省教育厅科学技术研究重点项目(GJJ170491)。
-
文摘
针对视网膜细小血管分割精度低的问题,提出一种融合可伸缩级联模块、Transformer和自校准注意力的改进U-Net算法以提高细小血管分割精度。首先在编码阶段利用可伸缩级联模块,先行学习复杂多变的视网膜血管拓扑结构。然后在解码阶段提出一种自校准注意力机制,利用多尺度挤压激励模块,自适应对特征图通道和空间之间特征重要性进行校准,增强目标区域特征响应,抑制背景噪声。最后使用Transformer特征提取块,提高特征空间映射能力。基于DRIVE和CHASEDB1数据集的实验结果表明,所提算法准确率分别为96.49%和96.67%,灵敏度分别为83.75%和83.30%,特异性分别为98.28%和98.01%,AUC分别为0.987 1和0.987 2,所提算法的整体性能优于现有算法,各模块能够有效提高细小血管分割能力。
-
关键词
视网膜分割
可伸缩级联模块
自校准注意力
Transformer特征提取
多尺度挤压激励模块
-
Keywords
retinal vessel segmentation
retractable cascade module
self-calibrating attention
Transformer module
multi-scale squeeze-and-excitation
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
