检索结果-维普期刊中文期刊服务平台

基于SDAE和GRUNN的行星齿轮故障识别被引量：8: 1; 作者于军高莲莲 +2 位作者于广滨刘可郭振宇《振动与冲击》 EI CSCD 北大核心 2021年第2期156-163,共8页; 针对噪声环境和时变转速工况下行星齿轮故障识别率低的问题,提出一种基于堆叠消噪自动编码器(SDAE)和门控循环单元神经网络(GRUNN)的行星齿轮故障识别方法。构建基于SDAE和GRUNN的混合模型,处理前后关联的时序数据,自动地从含噪样本中... 展开更多; 关键词行星齿轮故障识别噪声环境时变转速堆叠消噪自动编码器(sdae) 门控循环单元神经网络(GRUNN); 在线阅读下载PDF 职称材料

基于GSP仿真和SDAE的航空发动机故障诊断被引量：7: 2; 作者车畅畅王华伟 +1 位作者倪晓梅蔺瑞管《航空发动机》北大核心 2022年第1期13-18,共6页; 为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障... 展开更多; 关键词燃气涡轮发动机性能仿真软件堆栈降噪自编码器故障诊断航空发动机; 在线阅读下载PDF 职称材料

基于贝叶斯优化的SWDAE-LSTM滚动轴承早期故障预测方法研究被引量：48: 3; 作者石怀涛尚亚俊 +2 位作者白晓天郭磊马辉《振动与冲击》 EI CSCD 北大核心 2021年第18期286-297,共12页; 针对滚动轴承的早期故障特征较弱,在强噪声背景下难以有效提取以致生命周期很难准确预测的问题,提出了一种基于贝叶斯优化(BO)的滑动窗堆叠去噪自编码器(SWDAE)和长短期记忆(LSTM)网络的早期故障预测模型。使用滑动窗算法保留具有非线... 展开更多; 关键词滚动轴承早期故障预测贝叶斯优化(BO) 滑动窗算法堆叠去噪自编码(SWDAE) 长短时记忆(LSTM)网络; 在线阅读下载PDF 职称材料

基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制被引量：2: 4; 作者王亚伦周涛 +2 位作者陈中王毅权浩《上海交通大学学报》 EI CAS CSCD 北大核心 2023年第11期1477-1491,共15页; 风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的... 展开更多; 关键词逐步惯性控制二次频率跌落麻雀搜索算法堆叠式降噪自动编码器深度神经网络; 在线阅读下载PDF 职称材料

基于无监督栈式降噪自编码网络的显著性检测算法被引量：9: 5; 作者李庆武马云鹏 +1 位作者周亚琴邢俊《电子学报》 EI CAS CSCD 北大核心 2019年第4期871-879,共9页; 针对现有的显著性检测算法检测目标类型单一、通用性差的问题,提出一种基于无监督栈式降噪自编码网络的显著性检测算法.该算法利用无监督栈式降噪自编码网络(Stacked Denoising Auto Encoder,SDAE)在多个尺度对原始图像进行稀疏重构,将... 展开更多; 关键词显著性检测无监督网络栈式降噪自编码深度信念网络互信息; 在线阅读下载PDF 职称材料

栈式降噪自编码器在波形单元识别中的应用被引量：6: 6; 作者陈维高朱卫纲 +1 位作者唐晓婧贾鑫《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2018年第11期94-100,共7页; 为提高多功能雷达(Multi-Function Radar,MFR)波形单元的识别准确率和鲁棒性,提出一种栈式降噪自编码器(Stacked Denoising Autoencoders,SDAE)与支持向量机(Support Vector Machine,SVM)相结合的波形单元识别方法.首先摒弃传统依赖脉... 展开更多; 关键词多功能雷达波形单元深度学习降噪自编码器支持向量机; 在线阅读下载PDF 职称材料

题名基于SDAE和GRUNN的行星齿轮故障识别被引量：8: 1; 作者于军高莲莲于广滨刘可郭振宇; 机构哈尔滨理工大学先进制造智能化技术教育部重点实验室矿冶过程自动控制技术国家重点实验室哈尔滨理工大学自动化学院哈尔滨理工大学电气与电子工程学院哈尔滨理工大学机械动力工程学院; 出处《振动与冲击》 EI CSCD 北大核心 2021年第2期156-163,共8页; 基金矿冶过程自动控制技术国家重点实验室开放基金(BGRIMM-KZSKL-2020-06) 国家自然科学基金(61806060) 黑龙江省杰出青年基金(JC2015013)。; 文摘针对噪声环境和时变转速工况下行星齿轮故障识别率低的问题,提出一种基于堆叠消噪自动编码器(SDAE)和门控循环单元神经网络(GRUNN)的行星齿轮故障识别方法。构建基于SDAE和GRUNN的混合模型,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;将行星齿轮故障诊断的训练样本看作该混合模型的输入数据,采用Adam优化算法和dropout技术训练该混合模型,实现多参数的优化,防止过拟合现象的发生;根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。通过行星齿轮的故障识别实验验证该方法的有效性,实验结果表明该方法具有较强的抗噪能力和时变转速适应能力。; 关键词行星齿轮故障识别噪声环境时变转速堆叠消噪自动编码器(sdae) 门控循环单元神经网络(GRUNN); Keywords planetary gear fault identification noisy environment time-varying rotational speed stacked denoising autoencoder(sdae) gated recurrent unit neural network(GRUNN); 分类号 TH17 [机械工程—机械制造及自动化] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于GSP仿真和SDAE的航空发动机故障诊断被引量：7: 2; 作者车畅畅王华伟倪晓梅蔺瑞管; 机构南京航空航天大学民航学院; 出处《航空发动机》北大核心 2022年第1期13-18,共6页; 基金国家自然科学基金和中国民航局联合资助项目(U1833110)资助。; 文摘为了深入研究航空发动机故障机理,提出基于航空燃气涡轮发动机性能仿真软件(GSP)和堆栈降噪自编码器(SDAE)的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障,并得到对应的运行状态参数;从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征,构成故障样本;将故障样本带入SDAE模型中进行深度特征提取,经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明:GSP能够通过参数更改来模拟微弱故障下的状态参数,从而构建多故障样本集;SDAE的重构误差和反向传播误差能够快速收敛到较小值,SDAE的故障诊断正确率为99.5%;与深度信念网络(DBN)、人工神经网络(ANN)以及经典机器学习方法支持向量机(SVM)相比,SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。; 关键词燃气涡轮发动机性能仿真软件堆栈降噪自编码器故障诊断航空发动机; Keywords Gas turbine Simulation Program(GSP) stacked denoising Autoencoder(sdae) fault diagnosis aeroengine; 分类号 V263.6 [航空宇航科学与技术—航空宇航制造工程]; 在线阅读下载PDF 职称材料

题名基于贝叶斯优化的SWDAE-LSTM滚动轴承早期故障预测方法研究被引量：48: 3; 作者石怀涛尚亚俊白晓天郭磊马辉; 机构沈阳建筑大学机械工程学院东北大学机械工程与自动化学院; 出处《振动与冲击》 EI CSCD 北大核心 2021年第18期286-297,共12页; 基金国家自然科学基金(51705341,51905357,51675353) 国家重点研发计划(2017YFC0703903)。; 文摘针对滚动轴承的早期故障特征较弱,在强噪声背景下难以有效提取以致生命周期很难准确预测的问题,提出了一种基于贝叶斯优化(BO)的滑动窗堆叠去噪自编码器(SWDAE)和长短期记忆(LSTM)网络的早期故障预测模型。使用滑动窗算法保留具有非线性特征和时序特征的历史正常数据,输入到模型中进行训练,使模型学习滚动轴承的正常运行状态趋势。将滚动轴承运行的数据输入到训练好的SWDAE-LSTM模型中进行实时在线监控,利用模型的预测值与真实值的残差检测滚动轴承早期故障。针对模型超参数组合选择困难的问题,使用贝叶斯优化算法对模型的超参数进行调优。最后,使用美国辛辛那提大学智能维护中心(IMSCenter)的轴承全生命周期数据以及机械故障综合模拟实验装置获取的数据进行仿真实验验证。结果表明,使用贝叶斯优化算法进行智能调参的模型和基于时域指标的方法对比,可以更早的有效检测出滚动轴承的早期故障并具有很强的鲁棒性。与其余深度学习方法比较,其模型的诊断准确率高于其他方法,进一步证明了其有效性和可靠性。; 关键词滚动轴承早期故障预测贝叶斯优化(BO) 滑动窗算法堆叠去噪自编码(SWDAE) 长短时记忆(LSTM)网络; Keywords rolling bearing initial fault diagnosis Bayesian optimization(BO) sliding window algorithm stacked denoising auto encoder(sdae) long short-term memory(LSTM)network; 分类号 TH17 [机械工程—机械制造及自动化] TP206.3 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制被引量：2: 4; 作者王亚伦周涛陈中王毅权浩; 机构南京理工大学自动化学院东南大学电气工程学院国网电力科学研究院有限公司智能电网保护和运行控制国家重点实验室; 出处《上海交通大学学报》 EI CAS CSCD 北大核心 2023年第11期1477-1491,共15页; 基金江苏省自然科学基金青年项目(BK20220216) 智能电网保护和运行控制国家重点实验室开放课题(SGNR0000KJJS2200305)。; 文摘风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求.为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(SDAE)和深度神经网络(DNN)的风电调频逐步惯性智能控制方法.首先,使用麻雀搜索算法获得最优参数,使用SDAE高效提取数据特征;随后,基于DNN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用SDAE-DNN联合方法实现扰动事件后风电调频的逐步惯性在线控制.在IEEE 30节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始DNN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果.; 关键词逐步惯性控制二次频率跌落麻雀搜索算法堆叠式降噪自动编码器深度神经网络; Keywords stepwise inertial control(SIC) secondary frequency drop(SFD) sparrow search algorithm(SSA) stacked denoising autoencoder(sdae) deep neural network(DNN); 分类号 TM732 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于无监督栈式降噪自编码网络的显著性检测算法被引量：9: 5; 作者李庆武马云鹏周亚琴邢俊; 机构河海大学物联网工程学院常州市传感网与环境感知重点实验室; 出处《电子学报》 EI CAS CSCD 北大核心 2019年第4期871-879,共9页; 基金国家重点研发计划(No.2018YFC0406900) 江苏省重点研发计划(No.BE2016071 +1 种基金 No.BE2017057 No.BE2017648); 文摘针对现有的显著性检测算法检测目标类型单一、通用性差的问题,提出一种基于无监督栈式降噪自编码网络的显著性检测算法.该算法利用无监督栈式降噪自编码网络(Stacked Denoising Auto Encoder,SDAE)在多个尺度对原始图像进行稀疏重构,将原始图像与SDAE网络重构图像之间的差作为显著图,二值化后的显著图作为显著性目标检测结果.在SDAE网络训练过程中,将原始图像作为原始数据,网络重构的图像作为观察数据.为了提升网络训练效率,首先利用无监督逐层贪婪方法训练同结构的深度信念网络(Deep Belief Network,DBN),将训练得到的DBN网络参数设为SDAE网络的初始参数,再计算原始数据与观察数据之间的互信息作为网络收敛代价,利用反向传播进行网络参数微调.实验表明,该网络模型可以完成多类型目标的显著性检测,具有通用性好,准确度高等优点.; 关键词显著性检测无监督网络栈式降噪自编码深度信念网络互信息; Keywords saliency detection unsupervised network stacked denoising auto-encoder(sdae) deep belief network(DBN) mutual information; 分类号 TP751 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名栈式降噪自编码器在波形单元识别中的应用被引量：6: 6; 作者陈维高朱卫纲唐晓婧贾鑫; 机构航天工程大学; 出处《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2018年第11期94-100,共7页; 文摘为提高多功能雷达(Multi-Function Radar,MFR)波形单元的识别准确率和鲁棒性,提出一种栈式降噪自编码器(Stacked Denoising Autoencoders,SDAE)与支持向量机(Support Vector Machine,SVM)相结合的波形单元识别方法.首先摒弃传统依赖脉冲序列分析技术对MFR信号进行处理的方法,通过分析波形单元结构并借助参数间的联合变化特征,提出一种MFR波形单元分段识别模型,将传统对脉冲序列的识别转化为对MFR波形单元的识别;然后在该模型的基础上引入SDAE,对训练样本数据、SDAE隐含层神经元节点进行加噪处理,并利用这些加噪后的样本数据训练优化SDAE网络模型,提取出样本数据的深层稳健特征;最后引入SVM算法,借助SDAE挖掘出的样本深层特征,实现SVM模型的优化,得到最终的波形单元识别模型(SDAE-SVM).仿真实验表明:提出的波形单元识别方法在相同样本数目和测试误差的条件下,与SVM算法相比,能够取得较高的识别准确率,具备更优越的识别效果.证实MFR波形单元识别模型是有效的,且通过SDAE网络的引入,使得SDAE-SVM方法能够自主地挖掘原始信号的深层特征,提高波形单元识别的鲁棒性和准确率.; 关键词多功能雷达波形单元深度学习降噪自编码器支持向量机; Keywords Multi-Function Radar(MFR) waveform unit Deep Learning stacked denoising Autoencoders(sdae) Support Vector Machine(SVM); 分类号 TN958.92 [电子电信—信号与信息处理]; 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SDAE和GRUNN的行星齿轮故障识别	于军高莲莲于广滨刘可郭振宇	《振动与冲击》 EI CSCD 北大核心	2021	8	在线阅读下载PDF 职称材料
2	基于GSP仿真和SDAE的航空发动机故障诊断	车畅畅王华伟倪晓梅蔺瑞管	《航空发动机》北大核心	2022	7	在线阅读下载PDF 职称材料
3	基于贝叶斯优化的SWDAE-LSTM滚动轴承早期故障预测方法研究	石怀涛尚亚俊白晓天郭磊马辉	《振动与冲击》 EI CSCD 北大核心	2021	48	在线阅读下载PDF 职称材料
4	基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制	王亚伦周涛陈中王毅权浩	《上海交通大学学报》 EI CAS CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料
5	基于无监督栈式降噪自编码网络的显著性检测算法	李庆武马云鹏周亚琴邢俊	《电子学报》 EI CAS CSCD 北大核心	2019	9	在线阅读下载PDF 职称材料
6	栈式降噪自编码器在波形单元识别中的应用	陈维高朱卫纲唐晓婧贾鑫	《哈尔滨工业大学学报》 EI CAS CSCD 北大核心	2018	6	在线阅读下载PDF 职称材料