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80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1DCNN-SVM的天然气水合物风险防控边界预测方法
1
作者 吕晓方 陈书楷 +5 位作者 徐孝轩 柳扬 钱瑞祥 王传硕 李晓伟 周诗岽 《管道保护》 2025年第1期14-21,共8页
为了保障油气管道的流动安全,准确预测天然气水合物的生成条件非常重要。传统方法依赖于实验经验公式或简单物理模型,但这些方法计算复杂、适用范围有限且精度较低。为此,提出了一种基于一维卷积神经网络(1DCNN)-支持向量机(SVM)的天然... 为了保障油气管道的流动安全,准确预测天然气水合物的生成条件非常重要。传统方法依赖于实验经验公式或简单物理模型,但这些方法计算复杂、适用范围有限且精度较低。为此,提出了一种基于一维卷积神经网络(1DCNN)-支持向量机(SVM)的天然气水合物相平衡预测方法。在实验中,探讨了不同迭代次数对模型性能的影响,确定2000次迭代时模型性能最佳。对比1DCNN-SVM模型与传统SVM、CNN、BP模型和OLGA的预测效果,结果显示1DCNN-SVM模型具有优异的预测性能,R2达到0.9761,MSE为1.8236,MAE为0.5889,均优于其他模型。此外,1DCNN-SVM模型在面对新数据时,表现出良好的适用性与稳定性。该预测方法为油气管道水合物生成的预测、监测预警及防控提供了新的思路。 展开更多
关键词 天然气水合物 相平衡 一维卷积神经网络(1dcnn) 支持向量机(SVM)
在线阅读 下载PDF
基于声学信号的CEEMDAN-1DCNN轴承故障诊断方法 被引量：2
2
作者 李林 王久山 +1 位作者 肖试录 郭遥 《电力机车与城轨车辆》 2025年第4期64-70,共7页
为了更好地提取轴承信号中的主要故障信息,提升轴承故障诊断的准确度,以声学信号为驱动,提出一种自适应噪声完全集合经验模态分解(CEEMDAN)与一维卷积神经网络(1DCNN)相结合的轴承故障诊断方法。通过CEEMDAN方法将原始声学信号分解为若... 为了更好地提取轴承信号中的主要故障信息,提升轴承故障诊断的准确度,以声学信号为驱动,提出一种自适应噪声完全集合经验模态分解(CEEMDAN)与一维卷积神经网络(1DCNN)相结合的轴承故障诊断方法。通过CEEMDAN方法将原始声学信号分解为若干个本征模态函数(IMF)分量,然后计算各个IMF分量与原始信号的皮尔逊相关系数,并基于皮尔逊相关系数对信号进行重构;利用重构信号训练1DCNN,并使用测试集对网络进行验证。结果表明,该方法对轴承故障诊断的准确率达到99.7%,具有良好的效果。 展开更多
关键词 轴承 故障诊断 声学信号 自适应噪声完全集合经验模态分解(CEEMDAN) 一维卷积神经网络(1dcnn)
原文传递
基于Attention-1DCNN-CE的加密流量分类方法
3
作者 耿海军 董赟 +3 位作者 胡治国 池浩田 杨静 尹霞 《计算机应用》 北大核心 2025年第3期872-882,共11页
针对传统加密流量识别方法存在多分类准确率低、泛化性不强以及易侵犯隐私等问题,提出一种结合注意力机制(Attention)与一维卷积神经网络(1DCNN)的多分类深度学习模型——Attention-1DCNN-CE。该模型包含3个核心部分:1)数据集预处理阶段... 针对传统加密流量识别方法存在多分类准确率低、泛化性不强以及易侵犯隐私等问题,提出一种结合注意力机制(Attention)与一维卷积神经网络(1DCNN)的多分类深度学习模型——Attention-1DCNN-CE。该模型包含3个核心部分:1)数据集预处理阶段,保留原始数据流中数据包间的空间关系,并根据样本分布构建成本敏感矩阵;2)在初步提取加密流量特征的基础上,利用Attention和1DCNN模型深入挖掘并压缩流量的全局与局部特征;3)针对数据不平衡这一挑战,通过结合成本敏感矩阵与交叉熵(CE)损失函数,显著提升少数类别样本的分类精度,进而优化模型的整体性能。实验结果表明,在BOT-IOT和TON-IOT数据集上该模型的整体识别准确率高达97%以上;并且该模型在公共数据集ISCX-VPN和USTC-TFC上表现优异,在不需要预训练的前提下,达到了与ET-BERT(Encrypted Traffic BERT)相近的性能;相较于PERT(Payload Encoding Representation from Transformer),该模型在ISCX-VPN数据集的应用类型检测中的F1分数提升了29.9个百分点。以上验证了该模型的有效性,为加密流量识别和恶意流量检测提供了解决方案。 展开更多
关键词 网络安全 加密流量 注意力机制 一维卷积神经网络 数据不平衡 成本敏感矩阵
在线阅读 下载PDF
基于1DCNN-LSTM模型的冲击地压预测方法研究
4
作者 梁燕华 张朝鹏 +1 位作者 万陈瑞 吕航 《煤炭技术》 2025年第8期141-145,共5页
随着煤炭资源深部开采的进行,冲击地压灾害的发生风险不断上升,对矿井的生产效率和人员安全造成严重影响,精准可靠地预测冲击地压灾害尤为重要。应力和声发射信息通常被作为预测冲击地压的前兆信息,能够反应煤岩体破裂过程抗压强度和声... 随着煤炭资源深部开采的进行,冲击地压灾害的发生风险不断上升,对矿井的生产效率和人员安全造成严重影响,精准可靠地预测冲击地压灾害尤为重要。应力和声发射信息通常被作为预测冲击地压的前兆信息,能够反应煤岩体破裂过程抗压强度和声发射信号变化趋势。随着近几年人工神经网络技术的飞速发展,利用人工神经网络对冲击地压前兆信息融合预测,为冲击地压预测研究提供了新的方法,可以在矿井生产中更好地保障人员的安全,提高矿井的生产效率。利用长短期记忆神经网络和一维卷积神经网络对冲击地压前兆信息进行数据融合,对比了LSTM、1DCNN与1DCNN-LSTM这3种模型的融合预测结果,结果表明,1DCNN-LSTM模型具有更高的融合准确度,融合抗压强度、峰值频率、振铃计数、能量和持续时间的R^(2)分别为0.9125、0.9392、0.9472、0.9151、0.9565,对冲击地压预测研究具有一定的参考意义。 展开更多
关键词 冲击地压 声发射 1dcnn-LSTM 数据融合
原文传递
基于1DCNN-BiLSTM-ATT的海上风电机组齿轮箱油温预警方法研究
5
作者 彭帅 万安平 程晓民 《金陵科技学院学报》 2025年第2期43-50,共8页
针对海上风力发电机组齿轮箱在复杂海洋环境中损坏导致的风电场运维成本过高问题,提出了基于1DCNN-BiLSTM-ATT的油温预警方法。该方法以深度学习理论为基础,构建融合一维卷积神经网络(1DCNN)、双向长短时记忆网络(BiLSTM)和注意力(Atten... 针对海上风力发电机组齿轮箱在复杂海洋环境中损坏导致的风电场运维成本过高问题,提出了基于1DCNN-BiLSTM-ATT的油温预警方法。该方法以深度学习理论为基础,构建融合一维卷积神经网络(1DCNN)、双向长短时记忆网络(BiLSTM)和注意力(Attention)机制的混合模型,通过混合模型完成时空特征提取,采用重构误差构建预警阈值,最终实现齿轮箱油温预警。广东省阳江市某海上风电场监视控制与数据采集(SCADA)系统的实验结果表明:该模型的预测误差显著低于1DCNN-BiLSTM、BiLSTM和1DCNN模型,预警响应时间提前6~22 h,有效提升了故障预警的时效性,为海上风电运维提供了可靠的技术方案。 展开更多
关键词 海上风力发电机组 齿轮箱油温预警 1dcnn-BiLSTM-ATT SCADA系统
在线阅读 下载PDF
基于TFG-SVD-1DCNN的液压优先阀智能故障诊断方法 被引量：1
6
作者 何瑶 熊晓燕 +2 位作者 王伟杰 李翔宇 刘会军 《机电工程》 北大核心 2025年第7期1287-1293,共7页
液压优先阀连接在液压泵、蓄能器和油箱增压腔之间,针对其容易受到多路干扰的影响,以及采用传统的液压测试方法对优先阀故障识别精度不足的问题,提出了一种基于时频图结构数据奇异值分解与一维卷积神经网络(TFG-SVD-1DCNN)的液压阀智能... 液压优先阀连接在液压泵、蓄能器和油箱增压腔之间,针对其容易受到多路干扰的影响,以及采用传统的液压测试方法对优先阀故障识别精度不足的问题,提出了一种基于时频图结构数据奇异值分解与一维卷积神经网络(TFG-SVD-1DCNN)的液压阀智能故障诊断方法。首先,采用短时傅里叶变换(STFT)的方法分析了包含故障信息的信号,提取了信号在不同时间段内频率成分的详细信息,得到了时频矩阵;然后,使用时频矩阵在频率维度上的特征构造了图结构数据(GSD),获得了边的连接关系和边的权重等信息,再利用这些信息生成了图结构数据的邻接矩阵,充分保留了每个样本的空间特征;最后,采用奇异值分解(SVD)方法对图结构数据的邻接矩阵进行了降维,将降维之后的主要特征输入到一维卷积神经网络(1D-CNN)中进行了故障分类,并利用仿真数据验证了该方法在优先阀故障诊断方面的性能。研究结果表明:对于优先阀正向无法打开或关断以及反向无法打开或关断4种故障类型,采用智能故障诊断方法所得的平均准确率为99.7%。该研究可以为液压阀故障检测提供一种有效的方法。 展开更多
关键词 液压系统 液压阀 流量优先阀 时频图结构数据奇异值分解 一维卷积神经网络 短时傅里叶变换 图结构数据
在线阅读 下载PDF
基于NRBO-1DCNN-SVM的滚动轴承故障诊断 被引量：2
7
作者 李燕军 《装备机械》 2025年第1期49-59,共11页
传统滚动轴承故障诊断方法主要依赖于手动特征提取,会降低鲁棒性。现有卷积神经网络的特点是参数多,对训练样本的要求很高。通过研究,提出一种基于牛顿-拉弗森优化算法(NRBO)-一维卷积神经网络(1DCNN)-支持向量机(SVM)的滚动轴承故障诊... 传统滚动轴承故障诊断方法主要依赖于手动特征提取,会降低鲁棒性。现有卷积神经网络的特点是参数多,对训练样本的要求很高。通过研究,提出一种基于牛顿-拉弗森优化算法(NRBO)-一维卷积神经网络(1DCNN)-支持向量机(SVM)的滚动轴承故障诊断方法。将一维卷积神经网络与支持向量机相结合,形成增强的一维卷积神经网络-支持向量机模型。利用牛顿-拉弗森优化算法对一维卷积神经网络-支持向量机模型进行细化,并对参数进行最优调整。试验结果表明,基于牛顿-拉弗森优化算法-一维卷积神经网络-支持向量机的滚动轴承故障诊断方法在两种数据集上具有更高的准确率,可以提高滚动轴承故障诊断的技术水平。 展开更多
关键词 牛顿-拉弗森优化算法 一维卷积神经网络 支持向量机 滚动轴承 故障 诊断
在线阅读 下载PDF
基于机电融合信号与1DCNN-MHAM-SVM的GIS局部放电故障诊断
8
作者 许洪华 陈旖旎 +3 位作者 丁晓森 万子雄 朱雷 马宏忠 《机械与电子》 2025年第6期37-41,47,共6页
为解决当前气体绝缘组合电器局部放电故障诊断方法的监测信号单一和对小样本数据处理能力差的问题,提出一种基于1DCNN和SVM的GIS局部放电故障诊断方法。首先,利用1DCNN提取GIS局部放电中振动信号和特高频信号的融合特征,并对其降维。然... 为解决当前气体绝缘组合电器局部放电故障诊断方法的监测信号单一和对小样本数据处理能力差的问题,提出一种基于1DCNN和SVM的GIS局部放电故障诊断方法。首先,利用1DCNN提取GIS局部放电中振动信号和特高频信号的融合特征,并对其降维。然后,利用MHAM进一步提取全局特征,将该特征向量作为SVM的模型输入,从而实现GIS尖端放电、沿面放电、悬浮放电和气隙放电4种典型局部放电故障的分类识别。最后,通过试验数据对比验证所提方法,结果表明,基于振动和特高频信号融合与1DCNN MHAM SVM的诊断方法准确性不低于95.00%,有效提升了GIS局部放电故障诊断的适应性和可靠性。 展开更多
关键词 气体绝缘组合电器 局部放电 振动信号 特高频信号 一维卷积神经网络 多头自注意力机制
在线阅读 下载PDF
基于改进EEMD-MB1DCNN的船用柴油机缸套-活塞环故障诊断 被引量：5
9
作者 王永坚 范金宇 +2 位作者 蔡杭溪 赵凯 吴怡婷 《船海工程》 北大核心 2024年第1期30-35,共6页
针对船用中高速柴油机缸套-活塞环振动信号非线性非平稳性以及同类型不同损伤程度故障发生时振动信号时频域特征相似、故障难以识别等问题,利用振动信号辨识故障,提出一种基于改进集成经验模态分解方法和多模块一维卷积神经网络端到端缸... 针对船用中高速柴油机缸套-活塞环振动信号非线性非平稳性以及同类型不同损伤程度故障发生时振动信号时频域特征相似、故障难以识别等问题,利用振动信号辨识故障,提出一种基于改进集成经验模态分解方法和多模块一维卷积神经网络端到端缸套-活塞环故障诊断方法,通过设计固有模态分量IMF信息质量筛选准则对EEMD分解出的IMFs进行重新排序,获得包含更多凸显故障特征成分的重构信号,输入到上述神经网络模型,通过振动信号分析并与现有方法比较,评估所设计IMF信息质量筛选准则与所搭建模型的性能,试验结果显示该方法能准确、有效地识别缸套-活塞环故障类型。在判断该易损件同类型不同磨损程度故障诊断中有较高的准确率,能对故障状况进行有效的特征提取与故障分类。 展开更多
关键词 船用柴油机 缸套与活塞环 EEMD 1dcnn 故障诊断
在线阅读 下载PDF
基于多小波基DWT分解的1DCNN-KAN-EA机械损伤识别方法
10
作者 王雷 付海朋 《机电工程》 北大核心 2025年第9期1707-1715,1829,共10页
针对传统机械损伤识别方法处理复杂振动信号时,特征表达能力不足、识别准确率低的问题,提出了一种基于多小波基离散小波变换(DWT)分解,并结合了一维卷积神经网络(1DCNN)、Kolmogorov-Arnold网络(KAN)和外部注意力(EA)机制的机械损伤识... 针对传统机械损伤识别方法处理复杂振动信号时,特征表达能力不足、识别准确率低的问题,提出了一种基于多小波基离散小波变换(DWT)分解,并结合了一维卷积神经网络(1DCNN)、Kolmogorov-Arnold网络(KAN)和外部注意力(EA)机制的机械损伤识别方法。首先,采用多小波基DWT分解对振动信号进行了多样性描述,并以分解得到的小波系数集合构建特征向量作为1DCNN的输入,以提取深层次故障特征;然后,构建了KAN线性层取代全连接层,进行了损伤特征识别,克服了传统多层感知机(MLP)结构在节点采用固定激活函数和线性权重的固有局限性,增强了模型对复杂损伤特征的表达能力;接着,引入EA捕捉了不同样本之间的潜在关联,提高了模型对全局上下文信息的捕捉能力;最后,在包含5类不同损伤状态的机翼大梁数据集上进行了实验研究。研究结果表明:基于多小波基DWT分解的1DCNN-KAN-EA模型平均准确率高达99.41%,相比于1DCNN、KAN分别提高了1.56%、2.54%。对比其他模型,基于多小波基DWT分解的1DCNN-KAN-EA模型在准确识别损伤特征方面具有优越性,各项指标得到明显提升,其效果优于只基于单一小波基DWT分解下的模型。 展开更多
关键词 机械运行与维修 离散小波变换 一维卷积神经网络 Kolmogorov-Arnold网络 外部注意力机制 多层感知机
在线阅读 下载PDF
基于1DCNN-BiLSTM组合模型的S700K转辙机故障诊断 被引量：12
11
作者 王瑞峰 李扬 《电子测量与仪器学报》 CSCD 北大核心 2022年第11期193-200,共8页
针对S700K转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络(1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory, BiLSTM)结合的转辙机故障诊断方法。首先,对微机监... 针对S700K转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络(1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory, BiLSTM)结合的转辙机故障诊断方法。首先,对微机监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks, CNN)的卷积层和池化层对处理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为BiLSTM层的输入,进一步挖掘深层次的特征;最后使用Softmax函数实现智能故障诊断。以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和F1值等评价指标分别达到98.99%、98.89%和98.89%,相较于其他经典故障诊断模型,1DCNN-BiLSTM模型在保证训练速度较快的情况下,将故障诊断的准确率至少提升了1.08%。 展开更多
关键词 1dcnn BiLSTM S700K转辙机 故障诊断
原文传递
基于1DCNN和D-S多信息融合的光伏系统直流母线串联电弧故障检测 被引量：5
12
作者 李岩 刘鑫月 +2 位作者 乔俊杰 王毛桃 王鹏 《电工电能新技术》 CSCD 北大核心 2024年第5期58-67,共10页
直流母线是光伏系统输出能源的主干道,由于长期曝晒、风化等作用,电缆、连接器等组件劣化,光伏系统直流母线中发生电弧的可能性急剧上升,极易引发火灾、触电等事故。在光伏系统中,串联电弧故障将使回路电流下降,传统的过流保护无法识别... 直流母线是光伏系统输出能源的主干道,由于长期曝晒、风化等作用,电缆、连接器等组件劣化,光伏系统直流母线中发生电弧的可能性急剧上升,极易引发火灾、触电等事故。在光伏系统中,串联电弧故障将使回路电流下降,传统的过流保护无法识别。因此,本文提出基于深度学习和证据理论(D-S)的方法来识别串联电弧故障,该方法基于并联电容器电流和电压信号,采用一维卷积神经网络(1DCNN)对检测数据进行电弧识别;在此基础上将基于单个传感数据的识别结果作为证据,运用D-S多信息合成法则计算得到信度分配,最后利用决策规则判断是否发生串联电弧故障。搭建多参数可调模型获取数据进行测试,结果表明:使用1DCNN识别方法,基于并联电容器电流和电压信号的串联电弧识别准确率分别为97.19%和94.98%,而基于1DCNN和D-S多信息融合的光伏系统直流串联电弧故障检测的识别准确率可提升至99%以上。 展开更多
关键词 光伏系统 1dcnn 串联电弧故障 D-S多元信息融合 故障检测
在线阅读 下载PDF
融合特征图谱和1DCNN-SVM的电力设备状态辨识模型
13
作者 黄军凯 宋禹飞 +2 位作者 王昕 林正平 张自锋 《电气自动化》 2025年第4期70-73,共4页
针对电力设备辨识精度不高的问题,提出了融合特征图谱和一维卷积神经网络-支持向量机的电力设备状态辨识模型。首先,将电力设备运行波形转化为结构化数据特征,提取各类特征参数;然后将设备特征进行优化融合,利用电力设备本体体系辅助建... 针对电力设备辨识精度不高的问题,提出了融合特征图谱和一维卷积神经网络-支持向量机的电力设备状态辨识模型。首先,将电力设备运行波形转化为结构化数据特征,提取各类特征参数;然后将设备特征进行优化融合,利用电力设备本体体系辅助建立电力设备结构化特征知识图谱;最后,提出了基于一维卷积神经网络-支持向量机的电力设备状态识别模型,对电力设备进行状态辨识。通过对实际采集的电力设备运行数据进行验证,不同电力设备的运行状态均达到了高的辨识准确率,验证了该模型具有较好的通用性与有效性。 展开更多
关键词 电力设备 状态辨识 一维卷积神经网络 特征图谱 支持向量机
在线阅读 下载PDF
结合RF与1DCNN的多信息融合气温预报方法 被引量：2
14
作者 李晶 唐全莉 《软件导刊》 2022年第3期100-107,共8页
气温是影响气候最主要的参数之一,其中气温预报对识别干旱、洪涝等极端气象灾害具有重要意义。基于机器学习理论,提出一种将随机森林(RF)和一维卷积神经网络(1DCNN)相结合的多信息融合气温预报方法。首先,运用差分法将气象观测数据转化... 气温是影响气候最主要的参数之一,其中气温预报对识别干旱、洪涝等极端气象灾害具有重要意义。基于机器学习理论,提出一种将随机森林(RF)和一维卷积神经网络(1DCNN)相结合的多信息融合气温预报方法。首先,运用差分法将气象观测数据转化为平稳的时间序列数据;其次,运用RF方法挖掘出与气温高度相关的特征变量作为神经网络模型的输入变量;最后,构建多信息融合气温预报模型RF-1DCNN。以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来10小时的气温预报性能进行比较研究。研究结果表明,RF-1DCNN的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了13.110%、26.176%和17.612%,皮尔逊相关系数(r)最大提高了0.240%、0.567%和0.355%,表明该研究方法具有较好的学习能力、泛化能力和拟合能力,为气温的精准预报提供了技术支撑。 展开更多
关键词 RF 1dcnn 多信息融合 气温预报
在线阅读 下载PDF
基于1DCNN-BiLSTM的航空发动机故障分类研究 被引量：2
15
作者 孔令刚 康时嘉 +3 位作者 吴家菊 左洪福 杨永辉 程铮 《现代电子技术》 北大核心 2024年第20期129-135,共7页
随着航空发动机运行状态的变化,其故障模式也会发生变化。针对航空发动机的运行退化趋势,提出一种基于1DCNN-BiLSTM的航空发动机故障分类模型。该模型可以直接用于原始监测数据,不需要其他算法提取故障退化特征,并且能充分利用1DCNN提... 随着航空发动机运行状态的变化,其故障模式也会发生变化。针对航空发动机的运行退化趋势,提出一种基于1DCNN-BiLSTM的航空发动机故障分类模型。该模型可以直接用于原始监测数据,不需要其他算法提取故障退化特征,并且能充分利用1DCNN提取时间维度局部特征的优势,以及BiLSTM处理非线性时间序列及利用双向上下文信息的特点,最后连接全连接层来学习双向时序依赖的特征信息,并使用softmax函数来诊断故障类别。在美国航空航天局公开的CMAPSS数据集上进行验证,将故障模式分为无故障、HPC故障(单一故障)、HPC&Fan故障(混合故障)三种类型。实验结果表明,与其他模型对比,所提模型具有较高的分类精度,这对提高航空发动机运行可靠性和进一步进行剩余使用寿命预测有一定的实用价值。 展开更多
关键词 航空发动机 发动机故障 故障分类 1dcnn BiLSTM 非线性时间序列
在线阅读 下载PDF
基于1DCNN-LSTM的锂离子电池SOH预测 被引量：22
16
作者 王英楷 张红 王星辉 《储能科学与技术》 CAS CSCD 北大核心 2022年第1期240-245,共6页
为了提高锂离子电池健康状态(SOH)的预测精准度和稳定性,针对常规特征选取复杂且无法有效利用等问题,提出了一种联合一维卷积(1DCNN)与长短记忆网络(LSTM)的电池SOH预测方法。首先采用多通道串联电压、电流、温度构建多维特征,然后采用1... 为了提高锂离子电池健康状态(SOH)的预测精准度和稳定性,针对常规特征选取复杂且无法有效利用等问题,提出了一种联合一维卷积(1DCNN)与长短记忆网络(LSTM)的电池SOH预测方法。首先采用多通道串联电压、电流、温度构建多维特征,然后采用1DCNN从样本数据中提取高级数据特征输入LSTM中以有效利用历史信息,最后通过全连接层输出电池SOH的预测结果。采用NASA锂离子电池容量衰减数据,对所应用的联合算法进行验证,结果表明,相较于其他预测算法,基于1DCNN-LSTM的算法具有更准确的SOH预测结果,其平均绝对误差(MAE)为0.01左右,且失效点误差周期(RUL)小于2个周期。 展开更多
关键词 1dcnn LSTM 锂电池 多通道特征 电池寿命
在线阅读 下载PDF
基于并行1DCNN的滚动轴承故障诊断研究 被引量：20
17
作者 刘伟 单雪垠 +2 位作者 李双喜 张志华 姚思雨 《机电工程》 CAS 北大核心 2021年第12期1572-1578,共7页
滚动轴承是旋转机械中常用的零部件,由于其工作环境恶劣,极易发生故障,为此,提出了一种基于并行1DCNN(one-dimensional convolutional neural network)的滚动轴承故障诊断方法。首先,对滚动轴承振动信号进行了处理,将其分为训练集和测试... 滚动轴承是旋转机械中常用的零部件,由于其工作环境恶劣,极易发生故障,为此,提出了一种基于并行1DCNN(one-dimensional convolutional neural network)的滚动轴承故障诊断方法。首先,对滚动轴承振动信号进行了处理,将其分为训练集和测试集;然后,构建了由两个通道组成的并行1DCNN模型,两通道可以分别获取振动信号的时域信息和频域信息,提取时域信息时使用相对较小的卷积核,而提取频域信息时使用相对较大的卷积核,并使用全局最大池化层替换了传统的全连接层;最后,用训练好的并行1DCNN模型对凯斯西储大学滚动轴承测试集数据进行了处理;同时为了验证并行1DCNN模型的故障诊断效果,将该模型与传统的CNN模型进行了比较。研究结果表明:并行1DCNN模型的故障诊断精度高于0.996,与传统单通道CNN模型相比,并行1DCNN模型可以充分利用所提取的时域和频域特征信息,具有更加出色的故障诊断能力。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 1dcnn 深度学习 特征提取
在线阅读 下载PDF
基于1DCNN-BiGRU-MLR组合算法的小水电发电负荷预测
18
作者 熊会林 《中文科技期刊数据库(全文版)工程技术》 2023年第6期045-050,共6页
针对小水电发电负荷随机波动性大、不确定性强导致的模型预测精度不高的问题,提出一种一维卷积神经网络(1D Couvolutioual Neural Networks,1DCNN)、双向门控循环单元(bidirectional gatedrecurrent unit, BiGRU)和多元线性回归(Multipl... 针对小水电发电负荷随机波动性大、不确定性强导致的模型预测精度不高的问题,提出一种一维卷积神经网络(1D Couvolutioual Neural Networks,1DCNN)、双向门控循环单元(bidirectional gatedrecurrent unit, BiGRU)和多元线性回归(Multiple Linear Regression, MLR)组合算法的小水电发电负荷预测模型。首先将历史负荷数据通过集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)算法分解为高频分量和低频分量,再运用1DCNN提取高频分量中蕴含的数据特征,并构造成BiGRU神经网络的输入,进行高频分量的预测;低频分量则采用MLR方法进行预测;最后,将各分量的预测结果叠加即可得到最终预测结果。仿真结果表明,本文所提模型预测精度,与单一的预测模型、一般的组合预测模型,均有着较大的提升。 展开更多
关键词 小水电 EEMD 1dcnn BiGRU MLR 负荷预测
在线阅读 下载PDF
基于1DCNN的齿轮箱小样本故障诊断 被引量：5
19
作者 钟建华 林云树 叶锦华 《组合机床与自动化加工技术》 北大核心 2022年第7期81-84,89,共5页
齿轮箱故障诊断对于降低运维成本和提高设备运转效率至关重要。首先,提出了一种基于小样本数据的一维卷积神经网络(1DCNN)端到端故障诊断方法;针对小样本故障诊断,采用LeNet-5结构增加卷积层数量,增大特征提取能力;其次,通过动力传动故... 齿轮箱故障诊断对于降低运维成本和提高设备运转效率至关重要。首先,提出了一种基于小样本数据的一维卷积神经网络(1DCNN)端到端故障诊断方法;针对小样本故障诊断,采用LeNet-5结构增加卷积层数量,增大特征提取能力;其次,通过动力传动故障诊断综合实验台(DDS)数据验证;最后,引入t-SNE技术,对部分层输出进行了可视化,进一步验证了模型的有效性。此外,通过不同参数组合验证了模型所设参数的合理性,实验结果表明,所提方法与传统LeNet-5和基于EEMD和VMD特征提取方法的SVM分类器对比,在分类准确率上分别有7.5%、11.25%和5%的提升,证明了所提方法的有效性。 展开更多
关键词 1dcnn 小样本 齿轮箱 端到端 故障诊断
在线阅读 下载PDF
基于1DCNN-LSTM尾矿坝浸润线预测 被引量：2
20
作者 杨玉好 杨斌 +2 位作者 胡军 董文宇 金实 《有色金属工程》 CAS 北大核心 2024年第7期138-146,共9页
准确预测浸润线位置变化对尾矿坝的稳定性和安全性至关重要,为充分挖掘浸润线数据提供的空间特征和时序信息,提出将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合方法预测浸润线。以辽宁省齐大山风水沟尾矿库主坝为例,使用... 准确预测浸润线位置变化对尾矿坝的稳定性和安全性至关重要,为充分挖掘浸润线数据提供的空间特征和时序信息,提出将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合方法预测浸润线。以辽宁省齐大山风水沟尾矿库主坝为例,使用历史浸润线、库水位、坝体内外部位移、干滩长度5个主要因素作为模型输入数据,预测未来1 d和未来3 d的浸润线位置。将1DCNN-LSTM模型与经典的LSTM和反向传播神经网络(BP)进行对比研究。结果表明,1DCNN-LSTM浸润线预测的决定系数(R^(2))均在0.9以上,未来1 d的浸润线预测误差均值绝对值为0.004 m,最大误差绝对值为0.06 m,未来3 d的浸润线预测误差均值绝对值为0.003 m,最大误差绝对值为0.065 m,优于经典模型。这为短期浸润线预测提供一定的参考依据。 展开更多
关键词 1dcnn网络 LSTM网络 浸润线 尾矿坝 预测
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
使用帮助 返回顶部