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8篇文章
< 1 >
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GADF与2D CNN-改进SVM的道岔故障诊断方法研究 被引量：4
1
作者 王彦快 孟佳东 +2 位作者 张玉 杨建刚 王贵强 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2024年第7期2944-2956,共13页
针对道岔故障特征不易提取以及道岔故障诊断准确率较低的问题,提出一种格拉姆角差场(Gramian Angular Difference Fields, GADF)与二维卷积神经网络(Two Dimensional Convolutional Neural Network, 2D CNN)-改进支持向量机(Support Vec... 针对道岔故障特征不易提取以及道岔故障诊断准确率较低的问题,提出一种格拉姆角差场(Gramian Angular Difference Fields, GADF)与二维卷积神经网络(Two Dimensional Convolutional Neural Network, 2D CNN)-改进支持向量机(Support Vector Machine, SVM)的道岔故障诊断组合方法。首先,结合现场实际应用情况,选取道岔设备正常转换与典型故障的转辙机功率曲线,建立转辙机功率曲线样本数据库;采用GADF编码将一维转辙机功率曲线信号转换为具有时间相关性的二维特征图,分别选择16×16、32×32以及64×64大小的特征图并提取图像数据。其次,在LeNet-5模型的基础上设计2D CNN网络结构,并将图像数据输入至基于2D CNN的道岔故障特征提取模型中,经多层的卷积层、池化层以及全连接层提取特征指标,建立道岔故障诊断样本数据库。最后,通过北方苍鹰优化(Northern Goshawk Optimization, NGO)算法优化SVM算法的惩罚因子与核函数方差,构建基于NGO-SVM的道岔故障诊断模型。实验结果分析表明,将转辙机功率曲线数据经GADF编码为64×64大小的特征图,并通过2D CNN模型提取道岔典型特征数据,较其他数据处理方法具有较高的故障诊断准确率,同时提高了故障诊断实时性;将建立的道岔故障诊断样本数据库输入至NGO-SVM道岔故障诊断模型,其故障诊断准确率高达97.5%,较其他故障诊断模型具有更好的故障诊断性能,为道岔故障诊断提供了一种新方法,对现场道岔设备的日常维修具有一定的指导意义。 展开更多
关键词 道岔设备 故障诊断 gadf 2D CNN NGO-SVM
在线阅读 下载PDF
基于GADF-CWT-GCNN的滚动轴承故障诊断方法研究
2
作者 张小丽 罗鑫 +2 位作者 李敏 梁旺 王芳珍 《西北工业大学学报》 EI CAS CSCD 北大核心 2024年第5期866-874,共9页
针对滚动轴承故障诊断在小样本环境下引起的模型泛化能力差、诊断精度低的问题,提出一种基于格拉姆角分场(GADF)和连续小波变化(continuous wavelet transform,CWT)与并行二维组归一化卷积神经网络(parallel convolutional neural netwo... 针对滚动轴承故障诊断在小样本环境下引起的模型泛化能力差、诊断精度低的问题,提出一种基于格拉姆角分场(GADF)和连续小波变化(continuous wavelet transform,CWT)与并行二维组归一化卷积神经网络(parallel convolutional neural network,P2D-GCNN)的滚动轴承故障诊断方法。对采集的数据进行预处理,采用格拉姆角场和连续小波变换将一维振动信号转换成二维图像作为模型输入,再选用数据增强技术扩充样本子图,满足网络输入要求,并将其导入搭建的组归一化卷积神经网络中进行诊断检测。结果表明:文中数据处理方法与搭建模型在小样本环境下泛化能力远高于SVM和1D-CNN等其他网络模型。为进一步验证模型在小样本数据下的识别能力,取数据集的70%,40%和20%样本量进行多次实验,所对应的训练准确率及测试准确率分为99.38%,99.02%,99.47%,98.29%,99.05%,97.08%。结果证明,文中模型在小样本环境下对轴承故障诊断具有很高的准确率。 展开更多
关键词 滚动轴承 故障诊断 格拉姆角分场(gadf) 小波变换(CWT) 并行二维卷积神经网络(P2D-GCNN)
在线阅读 下载PDF
基于GADF-MDSC的特大型轴承深度迁移故障诊断方法 被引量：2
3
作者 姜烨飞 王华 +2 位作者 潘裕斌 王天祥 傅航 《振动与冲击》 EI CSCD 北大核心 2024年第19期10-18,共9页
针对工程应用中特大型轴承运行工况复杂以及故障数据匮乏,导致其故障特征提取不全面的问题,提出了一种基于格拉姆角差场-多尺度深度可分离卷积(Gramian angular difference field-multi-scale depthwise separable convolutions,GADF-MD... 针对工程应用中特大型轴承运行工况复杂以及故障数据匮乏,导致其故障特征提取不全面的问题,提出了一种基于格拉姆角差场-多尺度深度可分离卷积(Gramian angular difference field-multi-scale depthwise separable convolutions,GADF-MDSC)的特大型轴承深度迁移智能诊断方法。首先,构建GADF-MDSC故障诊断网络,该网络分为三大模块:图像转换、特征提取、输出部分。图像转换模块采用GADF编码方式将振动信号转换为二维图像;特征提取模块通过MDSC提取综合故障特征信息,并利用双向门控循环单元筛选融合特征;输出部分由Softmax函数预测轴承故障类型的概率分布。然后,利用源域数据预训练模型,将预训练模型权重参数作为目标域训练模型初始化参数,冻结除底层外的所有参数,使用目标域数据微调模型,实现深度迁移故障诊断任务。最后,通过两种特大型轴承试验对深度迁移模型进行验证。试验结果表明,所提方法在目标域样本仅有5.00%的条件下,仍能保证较高的跨工况精度,达到86.04%,且迁移效果优于其他方法。 展开更多
关键词 特大型轴承 故障诊断 迁移学习 格拉姆角差场(gadf) 多尺度深度可分离卷积(MDSC)
在线阅读 下载PDF
基于GADF-CNN的滚动轴承故障诊断方法 被引量：51
4
作者 仝钰 庞新宇 魏子涵 《振动与冲击》 EI CSCD 北大核心 2021年第5期247-253,260,共8页
针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生... 针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。 展开更多
关键词 轴承故障诊断 深度学习 格拉姆角差域 卷积神经网络
在线阅读 下载PDF
基于GADF和ResNet的轴向柱塞泵复合故障诊断研究 被引量：6
5
作者 袁科研 兰媛 +4 位作者 黄家海 马晓宝 王君 李国彦 李利娜 《机电工程》 CAS 北大核心 2023年第6期945-951,共7页
轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振... 轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振动信号的多分量耦合调制特征及特征参数较难确定,所以针对此问题,提出了一种基于格拉姆角差场与深度残差网络相结合(GADF-ResNet)的轴向柱塞泵复合故障诊断方法。首先,对轴向柱塞泵原始振动信号进行了格拉姆角差场(GADF)转换,将其转换为二维数组,将数组以灰度图形式存储,得到了特征样本,并将其分为训练集与测试集,以多标签的方式进行了标记;然后,将样本输入到深度残差网络(ResNet)中,通过前向传播和反向传播方式确定了网络最佳结构和参数;最后,采用实验的方式,通过测试集验证了该模型的可行性和鲁棒性。实验结果表明:采用基于GADF-Resnet的轴向柱塞泵复合故障诊断方法对轴向柱塞泵的复合故障进行识别,其准确率可以达到87%以上。研究结果表明,该方法可以有效地识别轴向柱塞泵的复合故障。 展开更多
关键词 液压传动系统 容积泵 复合故障 格拉姆角差场 深度残差网络 多标签
在线阅读 下载PDF
基于卷积神经网络和格拉姆角差场的四象限脉冲整流器故障诊断方法 被引量：2
6
作者 翟道宇 孙燕楠 《电气技术》 2025年第1期23-32,共10页
为充分发挥卷积神经网络(CNN)在图像识别分类中的优势,提出一种基于卷积神经网络和格拉姆角差场(GADF)的四象限脉冲整流器故障诊断方法。首先利用格拉姆角差场将整流器网侧电流一维时间序列转换为二维特征图,保留数据对时间的依赖性,识... 为充分发挥卷积神经网络(CNN)在图像识别分类中的优势,提出一种基于卷积神经网络和格拉姆角差场(GADF)的四象限脉冲整流器故障诊断方法。首先利用格拉姆角差场将整流器网侧电流一维时间序列转换为二维特征图,保留数据对时间的依赖性,识别出信号在不同时间间隔内的时间相关性;然后利用卷积神经网络对生成的特征图进行整流器开路故障特征提取与分类,并与其他常见故障诊断方法比较。仿真分析结果表明,相较于其他故障诊断方法,所提方法具有更高的诊断准确率。 展开更多
关键词 四象限脉冲整流器 格拉姆角差场(gadf) 卷积神经网络(CNN) 故障诊断
在线阅读 下载PDF
基于卷积神经网络的EHG胎儿早产识别算法 被引量：1
7
作者 吴沈冠 邓艳军 +2 位作者 张烨菲 邵李焕 赵治栋 《中国医疗器械杂志》 2022年第3期242-247,共6页
胎儿早产是影响婴儿早期发育及生命安全的直接因素之一,其直接的临床表现为孕妇宫缩强度和频率的变化。子宫肌电信号通过在孕妇腹部采集而得,能准确有效地反映出子宫收缩的情况,比子宫宫内压力导管等侵入式监测技术具有更高的临床应用... 胎儿早产是影响婴儿早期发育及生命安全的直接因素之一,其直接的临床表现为孕妇宫缩强度和频率的变化。子宫肌电信号通过在孕妇腹部采集而得,能准确有效地反映出子宫收缩的情况,比子宫宫内压力导管等侵入式监测技术具有更高的临床应用价值。因此,基于EHG的胎儿早产识别算法研究对于围产期的胎儿监护尤为重要。该研究提出了一种基于卷积神经网络架构的EHG胎儿早产识别算法,通过格拉姆角差域法结合迁移学习技术构建一种深度CNN模型。采用临床实测的足月-早产EHG数据库对模型结构进行优化,实现了94.38%的分类准确度和97.11%的F1值。实验结果表明,本研究所构建的模型对临床胎儿早产的预测具有一定的辅助诊断价值。 展开更多
关键词 子宫肌电信号 格拉姆角差域 深度卷积神经网络 AlexNet
在线阅读 下载PDF
基于格拉姆角差场和迁移残差网络的HVDC线路故障识别 被引量：7
8
作者 赵妍 孙延 聂永辉 《电力建设》 CSCD 北大核心 2024年第8期118-127,共10页
为了提高高压直流(high voltage direct current,HVDC)输电线路在样本数量不足和高阻抗条件下的识别准确率,提出了一种基于格拉姆角差场(Gramian angular difference field,GADF)和迁移残差网络(ResNet18)结合的高压直流输电线路故障识... 为了提高高压直流(high voltage direct current,HVDC)输电线路在样本数量不足和高阻抗条件下的识别准确率,提出了一种基于格拉姆角差场(Gramian angular difference field,GADF)和迁移残差网络(ResNet18)结合的高压直流输电线路故障识别方法。首先利用格拉姆角差场将一维时序信号转化为二维角差场图,然后将在源域ImageNet-1K数据集上训练好的ResNet18模型的权重参数迁移至以角场图为目标域的ResNet18模型中,自适应提取故障相关特征,进行故障类型识别。实验结果证明:相较于其他深度学习方法,所提方法在小样本条件下能够正确识别区内正极接地故障、区内负极接地故障、区内双极短路故障和区外故障,识别准确率达到99.67%,并且具有较强的耐受过渡电阻能力、抗噪性和泛化性。 展开更多
关键词 高压直流输电线路 格拉姆角差场(gadf) 残差网络 迁移学习 故障识别
原文传递
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 下一页 到第 页
使用帮助 返回顶部