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GASF-CNN的高速列车转向架关键部件劣化状态识别研究 被引量：2
1
作者 魏庆 王悦明 +3 位作者 邢璐璐 李国华 杨涛存 杜文然 《中国铁路》 2023年第10期23-31,共9页
为研究高速列车转向架关键部件劣化状态的识别方法,通过统计抗蛇行减振器服役性能参数的分布特征,同时考虑阻尼和节点刚度变化组合形成5种劣化抗蛇行减振器试验工况,选取新踏面廓形和旋修后运行15万km、25万km的磨耗踏面廓形,进行了劣... 为研究高速列车转向架关键部件劣化状态的识别方法,通过统计抗蛇行减振器服役性能参数的分布特征,同时考虑阻尼和节点刚度变化组合形成5种劣化抗蛇行减振器试验工况,选取新踏面廓形和旋修后运行15万km、25万km的磨耗踏面廓形,进行了劣化状态下车辆动力学响应线路测试。基于实测数据,设计并构建基于GASF-CNN的转向架关键部件劣化状态分类辨识模型,以实测车体和构架横向加速度数据作为模型的训练集和测试集进行分类辨识模型训练,并对模型的泛化能力和识别准确度影响因素进行分析。通过优选数据构造方式、数据滤波、滑动窗口长度和数据通道数量,模型达到了较高的分类准确度,且对列车不同运行方向、不同速度级、不同运行环境等也达到了较好的泛化能力。 展开更多
关键词 高速列车 转向架 抗蛇行减振器 磨耗踏面 劣化状态 识别模型 gasf-cnn
在线阅读 下载PDF
基于多传感器成像与CNN的电网继保故障检测
2
作者 萧彦 任江波 +3 位作者 何亚坤 张岩坡 薛玉石 李慧鹏 《传感器与微系统》 北大核心 2026年第3期172-178,共7页
为解决传统电网继电保护设备因参数固定导致的故障响应灵敏度不足、上下级保护协调性差等问题,提出一种融合多传感器数据、时间序列成像技术与深度学习的继电保护故障检测及自适应协调方案。该方案首先通过电压、电流传感器采集电网运... 为解决传统电网继电保护设备因参数固定导致的故障响应灵敏度不足、上下级保护协调性差等问题,提出一种融合多传感器数据、时间序列成像技术与深度学习的继电保护故障检测及自适应协调方案。该方案首先通过电压、电流传感器采集电网运行数据,设定4 800 Hz采样频率,确保数据时效性与准确性。随后采用格拉姆角求和场(GASF)将传感器获取的一维时间序列信号转换为二维图像,有效保留信号时域关联特征。进一步基于改进AlexNet卷积神经网络(CNN)构建故障分类模型,实现对单相接地、两相短路、三相短路等8类故障及正常运行状态的精准识别。在故障分类基础上,引入LINKNET方法识别主保护与后备保护继电器配对关系,动态调整继电器参数以保障上下级保护协调配合。基于9节点电网测试系统的实验结果表明,所提故障分类模型在测试集上实现100%分类准确率,且优化求解耗时仅0.047 s。通过自适应调整继电器参数,故障场景下保护动作时间显著缩短,协调时间间隔满足规范要求。 展开更多
关键词 电网继电保护 多传感器信号 格拉姆角求和场 改进AlexNet 卷积神经网络
在线阅读 下载PDF
基于GASF多通道图像时序融合的高速列车横向减振器故障诊断
3
作者 李刚 秦永峰 齐金平 《振动与冲击》 北大核心 2025年第15期144-152,191,共10页
由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适... 由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适应性,提出了一种基于一维(1D)时序信号和二维(2D)格拉姆角和场(Gramian angular summation field,GASF)特征融合的卷积神经网络结合门控循环单元网络融合多头自注意力机制(1D-2D-CNN-GRU-MSA)的故障诊断方法。首先,将一维的时序信号编码为二维的GASF图,再分别将一维的时序信号与二维的GASF图同时送入到两条并行的网络支路中,其中:一路为图像输入经卷积神经网络(convolutional neural networks,CNN)提取GASF图像的特征;另一路将一维的故障波形直接输入经门控循环网络单元(gated recurrent unit,GRU)提取时序特征,通过多头自注意力机制(multi-head self-attention,MSA)将二维图像特征和一维时序特征进行特征重点强化并降维融合,最后通过Softmax层对高速列车横向减振器故障进行分类。仿真试验证明,不同工况下1D-2D-CNN-GRU-MSA模型比两种主流模型进行高速列车横向减振器故障识别的准确率高。 展开更多
关键词 高速列车 格拉姆角和场(GASF) 卷积神经网络(CNN) 多头自注意力机制(MSA) 门控循环单元(GRU)
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 下一页 到第 页
使用帮助 返回顶部