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3,989篇文章
< 1 2 … 200 >
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：
考虑谐波激励的电工钢片SAMCNN-BiLSTM磁致伸缩特性精细预测方法
1
作者 肖飞 杨北超 +4 位作者 王瑞田 范学鑫 陈俊全 张新生 王崇 《中国电机工程学报》 北大核心 2026年第3期1274-1285,I0034,共13页
针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,... 针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,建立SAMCNN改进型网络。再结合双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络,提出电工钢片SAMCNN-BiLSTM磁致伸缩模型。首先,利用灰狼优化算法(grey wolf optimization,GWO)寻优神经网络结构的参数,实现复杂工况下磁致伸缩效应的准确表征;然后,建立中低频范围单频与叠加谐波激励等复杂工况下的磁致伸缩应变数据库,开展数据预处理与特征分析;最后,对SAMCNN-BiLSTM模型开展对比验证。对比叠加3次谐波激励下的磁致伸缩应变频谱主要分量,SAMCNN-BiLSTM模型计算值最大相对误差为3.70%,其比Jiles-Atherton-Sablik(J-A-S)、二次畴转等模型能更精确地表征电工钢片的磁致伸缩效应。 展开更多
关键词 磁致伸缩效应 谐波激励 卷积神经网络 空间注意力机制 双向长短期记忆网络
原文传递
一种改进的CNN-Seq2Seq电池荷电与健康状态联合估计方法
2
作者 张宇 周天宇 +1 位作者 张永康 吴铁洲 《电源学报》 北大核心 2026年第1期217-224,共8页
为保证电动汽车长期安全稳定运行,降低锂电池故障率,针对电动汽车电池管理系统能否精准有效地检测电池荷电状态SOC(state-of-charge)与电池健康状态SOH(state-of-health)这2个重要参数的问题,提出了1种基于卷积神经网络-长短期记忆CNN-L... 为保证电动汽车长期安全稳定运行,降低锂电池故障率,针对电动汽车电池管理系统能否精准有效地检测电池荷电状态SOC(state-of-charge)与电池健康状态SOH(state-of-health)这2个重要参数的问题,提出了1种基于卷积神经网络-长短期记忆CNN-LSTM(convolutional neural networks-long short-term memory)神经网络改进的卷积神经网络-序列到序列CNN-Seq2Seq(CNN-sequence-to-sequence)神经网络的锂电池SOC与SOH联合估计方法。在公共数据集上的对比实验表明,该方法提高了锂电池SOC与SOH估计结果的稳定性与准确性。 展开更多
关键词 荷电状态 健康状态 卷积神经网络 序列到序列 锂电池 深度学习
在线阅读 下载PDF
综合负样本优化指数与CNN-LSTM-ATT模型的滑坡易发性评价
3
作者 曹琰波 移康军 +5 位作者 梁鑫 荆海宇 孙颢宸 张越轩 刘思缘 范文 《安全与环境工程》 北大核心 2026年第1期69-85,共17页
针对滑坡易发性建模过程中随机抽取的非滑坡样本不确定性高、机器学习模型预测精度有限的问题,提出一种基于负样本优化指数(negative sample optimization index,NSI)的非滑坡样本采样策略,并融合卷积神经网络(convolutional neural net... 针对滑坡易发性建模过程中随机抽取的非滑坡样本不确定性高、机器学习模型预测精度有限的问题,提出一种基于负样本优化指数(negative sample optimization index,NSI)的非滑坡样本采样策略,并融合卷积神经网络(convolutional neural network,CNN)、长短时记忆(long short-term memory,LSTM)网络和注意力机制(attention mechanism,ATT)构建CNN-LSTM-ATT深度神经网络开展易发性评价。以陕西省北部黄土高原地区的绥德县义合镇为例,首先,选取高程、坡度、地层岩性等14个孕灾因子建立评价指标体系;其次,引入Matthews相关系数为随机森林(random forest,RF)、逻辑回归(logistic regression,LR)和支持向量机(support vector machine,SVM)3种基模型分配权重,并计算NSI值;然后,基于NSI选取非滑坡样本,并与滑坡样本组成训练数据集;最后,利用CNNLSTM-ATT模型预测滑坡空间概率,通过SHAP值分析揭示各因子的重要程度。结果表明:NSI通过约束采样空间获得了质量更高的非滑坡样本,规避了因过度偏激的负样本所造成的预测误差,模型精度最大提升7%;相较于单一模型,集成多层复杂结构的CNN-LSTM-ATT模型具有更好的分类能力,预测精度达0.925;坡度、高程和距房屋距离是研究区易发性建模的关键因子。研究提出的采样策略和评价模型有助于提高滑坡灾害空间预测的精度。 展开更多
关键词 滑坡灾害 易发性 负样本优化指数(NSI) 卷积神经网络(cnn) 长短时记忆(LSTM)网络 注意力机制(ATT)
在线阅读 下载PDF
基于CNN-BiLSTM-SSA的锅炉再热器壁温预测模型 被引量：1
4
作者 徐世明 何至谦 +6 位作者 彭献永 商忠宝 范景玮 王俊略 曲舒杨 刘洋 周怀春 《动力工程学报》 北大核心 2026年第1期121-130,共10页
针对锅炉高温再热器壁温动态特点,提出了一种基于稀疏自注意力(SSA)、卷积神经网络(CNN)及双向长短期记忆神经网络(BiLSTM)相融合的再热器壁温软测量模型。首先,采用核主成分分析(KPCA)算法对原始候选变量进行筛选降维,选择前26个主成... 针对锅炉高温再热器壁温动态特点,提出了一种基于稀疏自注意力(SSA)、卷积神经网络(CNN)及双向长短期记忆神经网络(BiLSTM)相融合的再热器壁温软测量模型。首先,采用核主成分分析(KPCA)算法对原始候选变量进行筛选降维,选择前26个主成分变量作为模型的最终输入。其次,考虑利用CNN捕捉局部相关性,BiLSTM学习数据的长期序列依赖性的优势,使用卷积神经网络-双向长短期记忆神经网络(CNN-BiLSTM)捕捉时序数据中的短期和长期依赖关系,引入稀疏自注意力SSA机制,通过为不同特征部分分配自适应权重,从而增强CNN-BiLSTM模型的特征提取与建模能力,最后利用在役1000 MW超超临界锅炉的历史数据进行仿真实验。结果表明:CNN-BiLSTM-SSA模型在高温再热器壁温预测中的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)分别为4.92℃、3.81℃和0.6241%,相应的指标均优于CNN、LSTM、BiLSTM、CNN-LSTM和CNN-BiLSTM模型。 展开更多
关键词 再热器壁温软测量 深度学习 卷积神经网络 长短期记忆网络 注意力机制 核主成分分析 cnn-BiLSTM
在线阅读 下载PDF
融合注意力增强CNN与Transformer的电网关键节点识别
5
作者 黎海涛 乔禄 +2 位作者 杨艳红 谢冬雪 高文浩 《北京工业大学学报》 北大核心 2026年第2期117-129,共13页
为了精确识别电网关键节点以保障电力系统的可靠运行,提出一种基于融合拓扑特征与电气特征的双重自注意力卷积神经网络(convolutional neural network,CNN)的电网关键节点识别方法。首先,构建包含节点的局部拓扑特征、半局部拓扑特征、... 为了精确识别电网关键节点以保障电力系统的可靠运行,提出一种基于融合拓扑特征与电气特征的双重自注意力卷积神经网络(convolutional neural network,CNN)的电网关键节点识别方法。首先,构建包含节点的局部拓扑特征、半局部拓扑特征、电气距离及节点电压的多维特征集;然后,利用压缩-激励(squeeze-and-excitation,SE)自注意力机制改进CNN以增强对节点特征的提取能力,并引入多头自注意力的Transformer编码器以实现拓扑特征与电气特征的深度融合。结果表明:在IEEE 30节点和IEEE 118节点的标准测试系统上,该方法识别关键节点的准确性更高,并且在节点影响力评估和网络鲁棒性方面,得到的电网关键节点对网络的影响更大,鲁棒性更好,为电网的安全稳定运行提供了有效的决策支持。 展开更多
关键词 复杂网络 电网 关键节点识别 卷积神经网络(convolutional neural network cnn) 注意力 特征融合
在线阅读 下载PDF
基于格拉姆角场与融合注意力机制优化CNN的变压器绕组故障诊断
6
作者 钱国超 杨坤 +2 位作者 刘红文 李冬 王东阳 《广东电力》 北大核心 2026年第1期106-117,共12页
变压器绕组状态对变压器的可靠运行有重要影响,因此针对变压器绕组故障诊断提出了一种基于格拉姆角场与融合注意力机制优化卷积神经网络(convolutional neural network,CNN)的变压器绕组故障诊断方法。首先,通过搭建变压器绕组故障模拟... 变压器绕组状态对变压器的可靠运行有重要影响,因此针对变压器绕组故障诊断提出了一种基于格拉姆角场与融合注意力机制优化卷积神经网络(convolutional neural network,CNN)的变压器绕组故障诊断方法。首先,通过搭建变压器绕组故障模拟实验平台,采用频率响应分析法,得到绕组轴向移位、饼间短路和鼓包翘曲3种故障类型和3个故障区域下的频率响应曲线,为后续智能诊断提供数据支持;其次,提出基于格拉姆角场的频响曲线图像转换技术,利用格拉姆角场将频率响应曲线转换为格拉姆角差分场(Gramian angular difference filed,GADF)和格拉姆角求和场(Gramian angular summation filed,GASF)图像,并通过注意力机制优化VGG、ResNet和DenseNet等CNN模型,对比分析不同CNN对绕组不同故障类型和不同故障区域的诊断准确率,提出基于格拉姆角场与融合注意力机制优化CNN的变压器绕组故障诊断方法;最后,将所提的故障诊断方法应用于现场变压器,进行分析与验证。结果表明:使用GADF和GASF图像作为CNN的输入,对绕组故障类型和故障区域的诊断准确率均在88%以上,验证了GADF和GASF图像作为CNN输入的有效性;GADF图像作为数据集的分类准确率更高,其中GADF与SE-DenseNet组合的准确率最高,对绕组故障类型、故障区域的诊断准确率分别为98.89%和97.78%;相比于GADF与DenseNet组合,采用融合注意力机制优化CNN,对绕组故障类型、故障区域的识别准确率可分别提高2.22百分点、3.34百分点。 展开更多
关键词 变压器 绕组故障 注意力机制 卷积神经网络 格拉姆角场
在线阅读 下载PDF
基于KAN-CNN相位预测模型的反射聚焦超表面设计
7
作者 秦全士 浦实 +2 位作者 曾爽 夏浩达 官建国 《电波科学学报》 北大核心 2026年第1期124-135,共12页
超表面凭借其对电磁波的卓越调控能力,在各个领域展现出重要价值。但其几何构型与电磁响应之间高度复杂的非线性映射关系,导致传统超表面设计方法依赖于海量的电磁仿真,严重制约了设计效率。为突破这一瓶颈,本文首先在2~18 GHz的超宽带... 超表面凭借其对电磁波的卓越调控能力,在各个领域展现出重要价值。但其几何构型与电磁响应之间高度复杂的非线性映射关系,导致传统超表面设计方法依赖于海量的电磁仿真,严重制约了设计效率。为突破这一瓶颈,本文首先在2~18 GHz的超宽带内生成20 000组均匀的几何数据-反射相位数据集;然后利用科尔莫戈罗夫-阿诺德卷积神经网络(Kolmogorov–Arnold convolutional neural network, KAN-CNN)模块、注意力机制、残差连接等构建的高性能正向相位预测神经网络,结合模拟退火算法实现了由目标相位快速生成超表面结构参数。实验结果表明,该超表面逆向设计系统实现了92.7%的高精度宽带反射相位预测准确率,整个模型的R2高达0.893 7。相较于传统全波仿真迭代优化,本系统大幅提升了设计效率,实现了高性能超表面的快速生成。应用该系统,成功设计并加工出了工作于8 GHz、焦距为100 mm的聚焦超表面阵列。实测结果与设计目标高度吻合,验证了该系统从设计到制备的全流程可行性与可靠性。 展开更多
关键词 反射型 聚焦型 超表面 科尔莫戈罗夫-阿诺德卷积神经网络(KAN-cnn) 逆向设计
在线阅读 下载PDF
基于时频图特征压缩的低复杂度CNN干扰识别方法
8
作者 刘子龙 张军 +1 位作者 丁良辉 杨峰 《南京邮电大学学报(自然科学版)》 北大核心 2026年第2期39-47,共9页
在宽带通信干扰识别中,使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络(CNN)实现干扰识别的算法存在复杂度高的问题。针对这个问题,提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时... 在宽带通信干扰识别中,使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络(CNN)实现干扰识别的算法存在复杂度高的问题。针对这个问题,提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时频图中信息的冗余性和无效性,使用时频图的时域均值滤波、频域均值滤波和极值滤波结果联合表征干扰的时频图特征,将滤波后的三组一维特征序列输入CNN网络,实现干扰识别。所提方法结合减少输入数据量和降低CNN规模两种方式,在保证识别性能的同时显著降低干扰识别复杂度。实验结果表明,针对常见的7种压制式干扰,与传统的基于时频图的CNN识别方法相比,所提方法能减少98.78%的网络参数量和降低93.57%网络计算量,且在低干噪比情况下识别性能提升约2 dB;此外,所提方法在识别准确率和网络复杂度两方面均优于深度可分离卷积、网络剪枝和时频图尺寸压缩这几种低复杂度方案。该方法特别适用于无人机、便携式通信设备等资源受限设备中的实时干扰识别任务,为复杂电磁环境下的干扰识别提供了一种高精度、低复杂度的解决方案。 展开更多
关键词 通信干扰识别 卷积神经网络 宽带通信系统 短时傅里叶变换 时频图
在线阅读 下载PDF
物理模拟与CNN混合驱动的工业货架梁柱节点预测方法
9
作者 柯思敏 王新雨 +2 位作者 郭纯方 郭文松 吕志军 《包装工程》 北大核心 2026年第3期110-118,共9页
目的针对传统有限元方法在工业货架梁柱节点性能评估中存在的建模过程繁琐、计算效率低下等难以工程化应用的问题,提出一种兼具计算精度与效率的混合预测方法。方法首先基于梁柱节点的真实受力特性构建有限元模型,并通过正交试验设计系... 目的针对传统有限元方法在工业货架梁柱节点性能评估中存在的建模过程繁琐、计算效率低下等难以工程化应用的问题,提出一种兼具计算精度与效率的混合预测方法。方法首先基于梁柱节点的真实受力特性构建有限元模型,并通过正交试验设计系统探究结构参数对节点刚度与失效力矩的影响规律,形成仿真数据库。在此基础上,进一步引入卷积神经网络算法,构建梁柱节点性能预测模型。结果研究发现,铆钉数量和横梁高度分别是影响节点刚度和失效力矩的主导因素。所建立的神经网络预测模型在精度上与有限元分析结果一致,而计算建模效率提升了约45倍。结论为梁柱节点力学性能的快速、准确地评估提供了有效的工程技术手段。 展开更多
关键词 梁柱节点 物理模拟 有限元分析建模 卷积神经网络 正交试验方法
在线阅读 下载PDF
基于无人机高光谱数据和3D-2D-CNN的天然次生林主要树种分类研究
10
作者 李昊 全迎 +3 位作者 刘建阳 卞少杰 王斌 李明泽 《南京林业大学学报(自然科学版)》 北大核心 2026年第2期9-18,共10页
【目的】为了提高我国东北典型天然次生林主要树种分类的准确性,提出一种针对无人机高光谱图像的卷积神经网络(convolution neural network,CNN)树种分类框架。【方法】以东北林业大学帽儿山实验林场天然次生林水曲柳(Fraxinus mandshur... 【目的】为了提高我国东北典型天然次生林主要树种分类的准确性,提出一种针对无人机高光谱图像的卷积神经网络(convolution neural network,CNN)树种分类框架。【方法】以东北林业大学帽儿山实验林场天然次生林水曲柳(Fraxinus mandshurica)、胡桃楸(Juglans mandshurica)、榆树(Ulmus sp.)和白桦(Betula platyphylla)的4个主要树种为研究对象,采用新型无人机载高光谱成像仪对7个不同区域进行影像采集。以地面实测数据为参考构建不同树冠尺寸的单木数据集,并以7∶3的比例划分训练集和测试集,构建了包含三维卷积层和二维卷积层的3D-2D-CNN模型,通过3D卷积层提取光谱-空间耦合特征,2D卷积层提取细节特征,从而有效增强模型对数据整体特征的学习能力;将该模型与2D-CNN、3D-CNN以及基于特征筛选的机器学习模型[随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和梯度增强机(gradient boosting machine,GBM)]进行对比实验。此外,采用逐波段逐步移除方法分析了波段的重要性,并探讨了模型对光谱特征的敏感性。【结果】构建的3D-2D-CNN分类模型对研究区4个主要树种的分类准确率达到了87%,F1分数为0.86,相较其他对比算法,总体精度提高了5%~6%。波段重要性分析表明,近红外波段对分类结果影响显著。【结论】基于高光谱图像的3D-2D-CNN模型通过有效结合光谱与空间信息,显著提升了对天然次生林树种分类的准确性,比传统分类方法表现优越,可为森林资源管理和生态系统的遥感监测提供技术支持。 展开更多
关键词 天然次生林 树种分类 高光谱图像 3D-2D-cnn模型 卷积神经网络 机器学习 波段重要性分析
原文传递
面向机械臂的改进型CNN-LSTM外力矩预测算法
11
作者 卿志强 曾福川 +3 位作者 胡晓兵 张雪健 王传龙 高灵强 《组合机床与自动化加工技术》 北大核心 2026年第2期62-67,共6页
提出了一种基于数据驱动的机械臂外力矩估计方法,旨在解决传统基于物理模型方法在复杂环境中适应性差的问题。所提出的模型采用融合卷积注意力机制的CALSTM网络结构,利用CNN提取机械臂运动数据中的局部空间特征,结合LSTM捕捉时间序列依... 提出了一种基于数据驱动的机械臂外力矩估计方法,旨在解决传统基于物理模型方法在复杂环境中适应性差的问题。所提出的模型采用融合卷积注意力机制的CALSTM网络结构,利用CNN提取机械臂运动数据中的局部空间特征,结合LSTM捕捉时间序列依赖性,并通过卷积注意力模块提升特征提取能力。实验表明,该方法能够有效估计七关节机械臂的外力矩,与传统模型相比在估计精度和稳定性上均有显著提升,为复杂非线性系统的外部力矩估计提供了新的解决方案。 展开更多
关键词 外力矩估计 数据驱动 cnn+LSTM 卷积注意力模块
在线阅读 下载PDF
基于RDS-Mask R-CNN的绵羊姿态自动检测方法研究
12
作者 甘霖惠 杜佳磊 +4 位作者 麻晓丽 余有信 朱文博 刘宇 王步钰 《中国农业大学学报》 北大核心 2026年第2期172-182,共11页
绵羊的姿态与其健康及福利密切相关。随着智能化畜牧业需求的增长,自动、准确地检测绵羊姿态尤为尤为重要。本研究提出基于Mask R-CNN基准网络的新型RDS-Mask R-CNN绵羊姿态检测算法,以Res2Net101作为特征提取网络,同时引入可变形卷积(D... 绵羊的姿态与其健康及福利密切相关。随着智能化畜牧业需求的增长,自动、准确地检测绵羊姿态尤为尤为重要。本研究提出基于Mask R-CNN基准网络的新型RDS-Mask R-CNN绵羊姿态检测算法,以Res2Net101作为特征提取网络,同时引入可变形卷积(Deformable convolution network,DCN),以更精准捕捉绵羊在不同位置的姿态特征,并运用软非极大值抑制(Soft non-maximum suppression,Soft NMS)算法实现重叠实例目标的准确分割。结果表明:1)目标检测框架算法对比:与该领域最经典的YOLOv3和Faster R-CNN相比,改进的算法在平均精度均值(Mean average precision,mAP)上分别提升了16.68%和8.64%;2)不同改进策略的算法对比:改进算法相较于基准网络,边界框平均精度均值(Bounding box mean average precision,Bbox mAP)提高6.21%,分割平均精度均值(Segmentation mean average precision,Segm mAP)提高6.61%,分别达到87.34%和81.50%;3)相较于Mask R-CNN,改进模型在识别绵羊站立与躺卧姿态时边界框平均精度(Bounding box average precision,Bbox AP)分别提高了6.84%和5.58%,分割平均精度(Segmentation average precision,Segm AP)分别提高了7.25%和5.17%;4)模型可解释性可视化结果表明RDS-Mask R-CNN能精准捕获绵羊站立和躺卧姿态关键部位深度特征,表明模型自动检测可行且具有可解释性。综上,本研究提出的RDS-Mask R-CNN算法,有效提升了绵羊姿态检测的精准度,为智慧养殖提供了技术支撑。 展开更多
关键词 绵羊姿态识别 RDS-Mask R-cnn 可变形卷积
原文传递
小样本轴承故障诊断:一种基于Laplace-CNN的图神经网络方法
13
作者 何俊 黄承纬 +3 位作者 刘士亚 陈志文 朱文杰 戴磊 《振动与冲击》 北大核心 2026年第1期313-320,共8页
基于深度图神经网络的小样本学习方法常因图数据的缺失与图结构的不完整性,而面临分类精度低、泛化能力差等性能瓶颈;提出一种基于Laplace嵌入的深度图神经特征提取器,以实现图神经网络构造过程中的非欧几里得空间图数据的完整性。首先,... 基于深度图神经网络的小样本学习方法常因图数据的缺失与图结构的不完整性,而面临分类精度低、泛化能力差等性能瓶颈;提出一种基于Laplace嵌入的深度图神经特征提取器,以实现图神经网络构造过程中的非欧几里得空间图数据的完整性。首先,将Laplace小波卷积嵌入到卷积神经网络(convolutional neural network,CNN)的第一层并替换其普通卷积核,以实现原始振动信号的多尺度时频特征提取;然后,利用多头注意力机制处理时频特征并构建特征矩阵,以捕获全局长距离依赖的特征,实现完整的实例图构建与切比雪夫图神经网络故障诊断;最后,分别使用西储大学(CWRU)与东南大学(SEU)轴承数据集进行验证,结果表明所提方法的性能优于其他当前较先进方法。 展开更多
关键词 故障诊断 小样本学习 图神经网络 Laplace-卷积神经网络(cnn)
在线阅读 下载PDF
基于鲸鱼优化算法优化VMD-CNN-LSTM的IGBT性能退化预测
14
作者 张凯 赵翼飞 +2 位作者 张金萍 杨帅 杨栩生 《半导体技术》 北大核心 2026年第4期398-406,共9页
针对绝缘栅双极型晶体管(IGBT)的性能退化预测问题,提出了一种基于鲸鱼优化算法(WOA)优化变分模态分解(VMD)与卷积神经网络-长短期记忆(CNN-LSTM)网络的组合预测模型VMD-WOA-CNN-LSTM。以IGBT集电极-发射极关断电压峰值作为性能退化特... 针对绝缘栅双极型晶体管(IGBT)的性能退化预测问题,提出了一种基于鲸鱼优化算法(WOA)优化变分模态分解(VMD)与卷积神经网络-长短期记忆(CNN-LSTM)网络的组合预测模型VMD-WOA-CNN-LSTM。以IGBT集电极-发射极关断电压峰值作为性能退化特征参数,采用VMD算法将原始时间序列分解为多个相对稳定的模态分量,减小了原始数据噪声对预测准确性的影响。构建了CNN-LSTM融合模型,增强了预测模型的特征提取能力。基于WOA优化CNN-LSTM模型的参数,提高了模型的预测精度及性能。对比了VMD-LSTM、VMD-WOA-LSTM、VMD-CNN-LSTM和VMD-WOA-CNN-LSTM模型的预测结果与性能评价指标,结果表明,VMD-WOA-CNN-LSTM模型的预测效果最好、性能最佳,其线性拟合优度R2为0.984。与VMD-WOA-LSTM和VMD-CNN-LSTM模型相比,VMD-WOA-CNN-LSTM模型的均方根误差(RMSE)分别降低了40.4%和48.6%,可精准预测IGBT性能退化趋势。 展开更多
关键词 绝缘栅双极型晶体管(IGBT) 退化预测 鲸鱼优化算法(WOA) 变分模态分解(VMD) 卷积神经网络(cnn) 长短期记忆(LSTM)网络
原文传递
基于CNN-Attention-LSTM的IGBT键合线失效状态评估
15
作者 胡翔政 甘培 +3 位作者 李科 吴文奇 郭汉挺 黄先进 《电气传动》 2026年第4期68-75,共8页
绝缘栅双极型晶体管(IGBT)作为电力电子系统的核心器件,因其高效率和高开关频率等特性广泛应用于工业控制、交通运输和新能源发电等领域。然而,其内部键合线在长期运行中,易受热应力与电流冲击的影响发生老化与断裂,这也成为IGBT模块失... 绝缘栅双极型晶体管(IGBT)作为电力电子系统的核心器件,因其高效率和高开关频率等特性广泛应用于工业控制、交通运输和新能源发电等领域。然而,其内部键合线在长期运行中,易受热应力与电流冲击的影响发生老化与断裂,这也成为IGBT模块失效的主要原因之一。为精准评估键合线的健康状态,提出一种结合卷积神经网络(CNN)、注意力机制与长短期记忆网络(LSTM)的混合模型。通过剪断键合线实验采集短路电流数据,并基于短路电流偏差量将健康状态划分为健康、受损和故障3类,而CNN用于提取短路电流的局部特征,注意力机制聚焦关键时间步的异常变化,LSTM捕捉短路电流的时序依赖关系,从而实现对键合线失效状态的精准分类。结果表明,该模型在验证集上的分类准确率较高,能够有效区分键合线的不同健康状态。研究成果为IGBT模块的健康监测与失效诊断提供了科学依据,具有重要的工程应用价值。 展开更多
关键词 IGBT器件 键合线 卷积神经网络 长短期记忆网络 健康状态评估
在线阅读 下载PDF
自适应特征模态分解与CNN-SVM在天然气管道泄漏识别中的应用研究
16
作者 刘路勇 刘名杨 +5 位作者 王磊 胡开胜 熊建森 张明 王琳 仇芝 《振动与冲击》 北大核心 2026年第5期120-129,共10页
在传统天然气管道泄漏检测方法中,泄漏信号中的周期性微扰与短时结构突变特征常被忽视,严重制约管道泄漏识别精准度。提出一种借助美洲狮优化算法,构建新型的自适应特征模态分解(adaptive feature mode decomposition,AFMD)方法,用以提... 在传统天然气管道泄漏检测方法中,泄漏信号中的周期性微扰与短时结构突变特征常被忽视,严重制约管道泄漏识别精准度。提出一种借助美洲狮优化算法,构建新型的自适应特征模态分解(adaptive feature mode decomposition,AFMD)方法,用以提取泄漏声信号中的周期性微扰动与短时结构突变目标特征,并采用卷积神经网络(convolutional neural network,CNN)与支持向量机(support vector machine,SVM)形成联合识别模型,对目标特征进行泄漏识别分类。试验结果表明,该混合模型对管道泄漏识别准确率高达99.07%,优于其他特征提取算法及独立CNN分类模型,展现出良好的鲁棒性与泛化能力,在多种工况下识别效果明显优于传统方法。 展开更多
关键词 管道泄漏识别 自适应特征模态分解(AFMD) 美洲狮优化算法 卷积神经网络(cnn) 支持向量机(SVM)
在线阅读 下载PDF
一种基于多层融合-CNN-Transformer的防火切断阀故障诊断模型
17
作者 何阳 熊晓燕 +2 位作者 王伟杰 李翔宇 兰媛 《机电工程》 北大核心 2026年第2期269-279,共11页
防火切断阀作为飞机液压系统中的关键组件,一旦发生堵塞或阀芯偏移等故障,会使主回路供油不足、压力降低,导致液压负载元件故障,造成严重后果。因此,提出了一种基于多层融合-卷积神经网络(CNN)-Transformer的模型,用于防火切断阀的故障... 防火切断阀作为飞机液压系统中的关键组件,一旦发生堵塞或阀芯偏移等故障,会使主回路供油不足、压力降低,导致液压负载元件故障,造成严重后果。因此,提出了一种基于多层融合-卷积神经网络(CNN)-Transformer的模型,用于防火切断阀的故障诊断。首先,由于切断阀出口处缺乏压力测点,无法利用压差信号进行故障诊断,需采集三轴加速度信号并对其进行特征层预处理;然后,将处理好的数据输入至CNN-Transformer网络进行了训练与分类,CNN的小卷积层能够有效提取局部特征,Transformer则能够对全局特征进行捕捉;最后,针对发动机泵和增压泵等其他元件的振动干扰,利用Dempster-Shafer(DS)证据理论对位于切断阀入口处和出口处的两个加速度传感器的训练结果进行了决策层融合,以提高最终诊断的准确性和可靠性;在搭建的飞机液压系统试验台上对基于多层融合-CNN-Transformer的防火切断阀的故障诊断方法进行了实验验证,并与现有主流方法进行了对比。研究结果表明:基于多层融合-CNN-Transformer的防火切断阀的故障诊断方法在防火切断阀故障诊断中表现出最高的准确率,实验数据在阀芯开口为70%、80%、90%和100%的工况下的平均识别准确率达到99.5%。该方法可为飞行器液压系统中关键元件的智能诊断提供一种高可靠性的技术路线。 展开更多
关键词 防火切断阀 故障诊断 卷积神经网络 TRANSFORMER Dempster-Shafer(DS)证据理论 多层融合模型
在线阅读 下载PDF
基于CNN-Attention-LSTM的液压系统故障诊断网络
18
作者 张旭峰 马硕 +2 位作者 易飞彤 刘庆同 纪辉 《机电工程》 北大核心 2026年第2期238-247,共10页
针对液压系统故障时信号复杂难以诊断、维护成本高等问题,提出了一种融合卷积神经网络(CNN)、注意力机制(Attention)和长短时记忆网络(LSTM)的深度学习模型(CNN-Attention-LSTM),对液压系统进行了故障诊断。首先,采用CNN提取了液压系统... 针对液压系统故障时信号复杂难以诊断、维护成本高等问题,提出了一种融合卷积神经网络(CNN)、注意力机制(Attention)和长短时记忆网络(LSTM)的深度学习模型(CNN-Attention-LSTM),对液压系统进行了故障诊断。首先,采用CNN提取了液压系统传感器信号的局部特征,结合LSTM提取了时序依赖关系,将Attention融入LSTM网络中,增强了对关键故障特征的关注度;然后,使用来自UCI网站的液压系统运行数据作为数据集,对不同采样频率的数据进行了处理,保证了所有传感器的采样点数保持一致;最后,针对冷却器、阀门、泵和蓄能器四类元件故障类别,评估了CNN-Attention-LSTM模型的故障预测准确性。研究结果表明:在预测的样本数量增多的情况下,CNN-Attention-LSTM模型对冷却器、阀门和泵三类故障的预测准确率达99%以上,对蓄能器故障的预测准确率达98%,验证了CNN-Attention-LSTM模型的有效性且证明其具备较强的泛化能力。该模型对故障状态识别能力明显优于传统的LSTM模型、支持向量机(SVM)网络、反向传播(BP)神经网络和循环神经网络(RNN)模型,为维护液压系统的稳定运行提供了新方法。 展开更多
关键词 液压传动系统 故障识别模型 多传感器信息融合 卷积神经网络 长短时记忆网络 注意力机制
在线阅读 下载PDF
基于自注意力机制和COA优化的CNN-BiGRU日前电价预测
19
作者 李志飞 张玮 王辉 《齐鲁工业大学学报》 2026年第1期1-8,共8页
日前电价预测结果作为电力市场中的关键信号,对电力系统的正常运行起到重要的作用,对此提出一种基于自注意力机制与长鼻浣熊优化算法(Coati Optimization Algorithm,COA)的卷积神经网络和双向门控循环单元网络的日前电价预测模型。模型... 日前电价预测结果作为电力市场中的关键信号,对电力系统的正常运行起到重要的作用,对此提出一种基于自注意力机制与长鼻浣熊优化算法(Coati Optimization Algorithm,COA)的卷积神经网络和双向门控循环单元网络的日前电价预测模型。模型充分考虑了影响电价的电力市场边界条件和外部环境等诸多因素,首先使用皮尔逊相关性系数法对山东省电力市场的披露数据进行相关性分析,得出了影响电价的关键因素。然后将数据输入到基于自注意力机制和长鼻浣熊优化算法的CNN-BiGRU模型中进行训练。通过实验结果表明,该模型的平均绝对误差(Mean Absolute Error,δ_(MAE))、平均绝对百分比误差(Mean Absolute Percentage Error,δ_(MAPE))、确定系数(R-Square,R^(2))3个评价指标分别为10.481、3.23%、0.954,3项指标明显优于其他模型,具有更高的预测精度和稳定性,充分验证了该模型在日前出清电价预测中的可行性。 展开更多
关键词 电价预测 自注意力机制 卷积神经网络 双向门控循环单元网络 长鼻浣熊优化算法
在线阅读 下载PDF
基于CNN-GRU模型的核反应堆冷却剂系统故障诊断系统设计
20
作者 刘家义 隋阳 +2 位作者 戴滔 贾晓龙 闫家胜 《科学技术与工程》 北大核心 2026年第4期1498-1508,共11页
核反应堆冷却剂系统(reactor coolant system,RCS)是核电厂安全运行的核心屏障,其故障诊断的准确性对保障核安全具有关键意义。针对传统故障诊断方法在特征提取和时序建模方面的不足,且传统诊断系统在安装、维护及跨平台数据交互等方面... 核反应堆冷却剂系统(reactor coolant system,RCS)是核电厂安全运行的核心屏障,其故障诊断的准确性对保障核安全具有关键意义。针对传统故障诊断方法在特征提取和时序建模方面的不足,且传统诊断系统在安装、维护及跨平台数据交互等方面存在诸多限制。按照如下路线,构建一种基于卷积神经网络-门控循环单元(convolutional neural network-gated recurrent unit,CNN-GRU)模型的RCS故障诊断模型,并设计了基于浏览器/服务器(browser/server,B/S)架构的RCS故障诊断系统。首先,使用CNN模型,提取RCS运行数据的局部时空特征;然后,将提取的特征输入GRU进行时序建模,构建CNN-GRU诊断模型;最后,基于该模型设计了RCS故障诊断系统。该系统通过前端数据上传与后端模型推理实现故障诊断。实验采用核电厂仿真与严重事故分析仪(personal computer transient analyzer,PCTRAN)生成的模拟数据进行验证。结果表明,该系统能够准确识别RCS的8类故障工况,平均准确率达到99.85%,为核电厂安全运行提供了可靠的故障诊断支持。 展开更多
关键词 核反应堆冷却剂系统(RCS) 故障诊断 卷积神经网络-门控循环单元(cnn-GRU)神经网络 浏览器/服务器(B/S)架构
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 … 200 下一页 到第 页
使用帮助 返回顶部