基于VMD-CNN的金刚石合片取心钻头磨损状态自动检测方法 被引量：1

1

作者 孟月 《自动化应用》 2025年第2期99-101,共3页

考虑到钻头磨损状态会直接影响其应用阶段的振动情况,从振动信号入手检测钻头磨损状态将大大提高检测性能。为此,提出基于VMD-CNN的金刚石复合片取心钻头磨损状态自动检测方法研究。借助优化能量函数将振动信号分解为多个模态分量,并以... 考虑到钻头磨损状态会直接影响其应用阶段的振动情况,从振动信号入手检测钻头磨损状态将大大提高检测性能。为此,提出基于VMD-CNN的金刚石复合片取心钻头磨损状态自动检测方法研究。借助优化能量函数将振动信号分解为多个模态分量,并以最小化均方残差误差作为VMD的目标函数,以选定中心频率为基础,对每个IMF分量进行Hilbert变换;在磨损状态检测阶段,解析信号获取其瞬时相位和瞬时频率特征,在CNN中映射匹配对应的磨损状态。在测试结果中,设计检测方法下的RE始终在0.50以下,且从整体角度分析,设计检测方法的RE均值低于对照组0.332,在性能方面具有明显优势。 展开更多

关键词 vmd-cnn 钻头磨损状态 模态分量 中心频率 HILBERT变换

在线阅读 下载PDF 职称材料

基于VMD-CNN-BiTCN滚动轴承故障诊断 被引量：3

2

作者 徐志祥 玄永伟 +1 位作者 王洪洋 王壬杰 《微特电机》 2025年第2期68-73,共6页

针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(V... 针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(VMD)分解为K个本征模函数(IMF);将分解后的信号输入到CNN层中进行特征提取和信号压缩;将该信号送入BiTCN中,提取正反两个方向的时序特征,使用膨胀卷积最大化感受野;通过池化层和全连接层实现滚动轴承故障诊断。实验结果显示,该模型在特征提取能力和时序特征感知具有显著优势,能够在多个数据集中表现出良好的故障诊断性能和泛化能力。 展开更多

关键词 滚动轴承 故障诊断 卷积神经网络 双向时间卷积网络 变分模态分解

在线阅读 下载PDF 职称材料

基于SSA-VMD-CNN-BiGUR的矿区负荷预测 被引量：1

3

作者 邱岳 咸晓雨 +1 位作者 于向东 马永强 《能源与环保》 2025年第2期209-214,共6页

为提升矿区负荷预测精度,提出一种基于麻雀优化算法(Sparrow Search Algorithm,SSA)、变分模态分解(Variational Mode Decomposition,VMD)、卷积神经网络(Convolution Neural Networks,CNN)及双向门控循环单元(Bidirectional Gating Rec... 为提升矿区负荷预测精度,提出一种基于麻雀优化算法(Sparrow Search Algorithm,SSA)、变分模态分解(Variational Mode Decomposition,VMD)、卷积神经网络(Convolution Neural Networks,CNN)及双向门控循环单元(Bidirectional Gating Recurrent Unit,BiGRU)的矿区负荷预测模型。首先,通过麻雀优化算法基于样本熵对变分模态分解的最佳影响参数进行迭代寻优,将矿区负荷序列分解为稳定的负荷序列。其次,将得到稳定的负荷分量通过卷积循环网络对天气、电价等历史负荷影响数据进行特征挖掘,并构建BiGRU预测模型对稳定负荷分量进行预测,将所得预测结果重构得到最终的预测结果。最后,对某矿区真实用电负荷数据进行算例分析,采用3个评价指标与目前主流预测模型进行比较。预测效果更准确,验证了所提模型的准确性。 展开更多

关键词 麻雀优化算法 变分模态分解 矿区负荷预测 卷积神经网络 双向门控循环单元

在线阅读 下载PDF 职称材料

基于PCA-VMD-CNN的输电线路覆冰重量预测模型 被引量：11

4

作者 李波 李鹏 +2 位作者 高莲 杨家全 包慧琪 《中国安全生产科学技术》 CAS CSCD 北大核心 2022年第10期216-222,共7页

为防止覆冰灾害危及电路安全,提出1种输电线路覆冰重量预测模型。首先对多个气象因素进行主成分分析提取气象因素中的有效信息,再对覆冰历史数据进行变分模态分解,获得具有不同特性的本征模态分量;然后基于卷积神经网络,对具有不同时间... 为防止覆冰灾害危及电路安全,提出1种输电线路覆冰重量预测模型。首先对多个气象因素进行主成分分析提取气象因素中的有效信息,再对覆冰历史数据进行变分模态分解,获得具有不同特性的本征模态分量;然后基于卷积神经网络,对具有不同时间尺度(周期性、波动性不同)的各个分量进行训练及预测,并将每个分量的预测结果相加。研究结果表明:通过对某覆冰区域的输电线路监测数据进行实验仿真,研究所提出的覆冰重量预测模型有更高精度。 展开更多

关键词 输电线路 主成分分析 变分模态分解 卷积神经网络 多步长预测

在线阅读 下载PDF 职称材料

基于VMD-CNN的高噪声动态生产过程质量异常监控 被引量：3

5

作者 刘玉敏 王德园 +1 位作者 王宁 田光杰 《控制与决策》 EI CSCD 北大核心 2024年第5期1595-1603,共9页

针对由智能制造现场动态生产过程的复杂随机因素影响造成的高噪声和质量异常监控方法效率低等问题,将变分模态分解方法 (variational mode decomposition, VMD)与深度卷积神经网络(convolutional neural network, CNN)相结合,提出一种基... 针对由智能制造现场动态生产过程的复杂随机因素影响造成的高噪声和质量异常监控方法效率低等问题,将变分模态分解方法 (variational mode decomposition, VMD)与深度卷积神经网络(convolutional neural network, CNN)相结合,提出一种基于VMD-CNN的实时质量监控新方法.首先,利用VMD方法,将高噪声动态过程原始数据分解为包含质量异常特征和噪声信息的两类本征模态函数,通过去除噪声数据的本征模态函数,消除动态生产过程的高噪声干扰;进而,采用灰度变换将保留原始质量异常特征的本征模型函数转化为质量异常图像,构建VMD-CNN模型对质量异常图像进行识别,并提出基于VMD-CNN的高噪声动态过程质量异常实时监控框架;最后,通过实验验证所提方法的有效性,并与小波去噪方法和CNN识别模型进行对比分析,实验结果显示所提方法的识别精确度显著优于现有的动态过程质量异常监控方法. 展开更多

关键词 高噪声动态过程 变分模态分解 卷积神经网络 质量异常特征识别 质量监控

原文传递

基于VMD-CNN的非侵入式负荷监测方法研究 被引量：1

6

作者 刘仲民 赵丹阳 《电气传动》 2023年第6期53-61,共9页

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号... 非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。 展开更多

关键词 非侵入式负荷监测 电力系统 VMD算法 卷积神经网络

在线阅读 下载PDF 职称材料

水库水位的VMD-CNN-GRU混合预测模型 被引量：4

7

作者 韩莹 王乐豪 +2 位作者 魏平慧 李占东 周文祥 《南京信息工程大学学报》 CAS 北大核心 2024年第2期239-246,共8页

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(C... 水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求. 展开更多

关键词 水位预测 变分模态分解 门控循环单元 卷积神经网络 深度学习

在线阅读 下载PDF 职称材料

基于VMD-CNN-BiLSTM的轴承故障多级分类识别 被引量：8

8

作者 王祎颜 王衍学 姚家驰 《机电工程》 CAS 北大核心 2024年第9期1554-1564,共11页

双馈风力发电机(DFIG)作为风能发电领域的关键设备之一,保障其稳定运行显得尤为重要。针对DFIG轴承故障的多级分类问题,提出了一种基于参数优化的变分模式分解-卷积神经网络-双向长短期记忆(VMD-CNN-BiLSTM)故障诊断模型。首先,采用改... 双馈风力发电机(DFIG)作为风能发电领域的关键设备之一,保障其稳定运行显得尤为重要。针对DFIG轴承故障的多级分类问题,提出了一种基于参数优化的变分模式分解-卷积神经网络-双向长短期记忆(VMD-CNN-BiLSTM)故障诊断模型。首先,采用改进的麻雀优化算法——鱼鹰-柯西-麻雀搜索算法(OCSSA)对变分模态分解(VMD)的惩罚因子、模态分量进行了优化,OCSSA算法是将鱼鹰算法和柯西变异策略与麻雀算法进行了融合,形成了一种新的优化算法,该算法利用强大的参数搜索能力获取了更精确的频率特征;然后,利用卷积神经网络(CNN)提取了信号的时域和频域特征,并对特征进行了融合;最后,利用双向长短期记忆网络(BiLSTM)学习了故障的序列模式,完成了故障的多级分类任务。研究结果表明:基于OCSSA算法优化的VMD-CNN-BiLSTM模型在多级轴承故障识别方面表现出明显的优势,平均识别准确率可达98.36%,与CNN-LSTM、CNN-BiLSTM和VMD-BiLSTM模型进行对比,该模型具有更卓越的故障诊断性能、出色的泛化能力和快速的计算速度。这一结果充分验证了该模型在双馈风力发电机轴承故障的多级分类识别任务上的有效性,且适用于在线监测和智能诊断,为实现高效、可靠的风能发电提供了重要的实际应用价值。 展开更多

关键词 双馈风力发电机 变分模式分解-卷积神经网络-双向长短期记忆 鱼鹰-柯西-麻雀搜索算法 轴承故障诊断 多级分类 识别准确率 泛化能力

在线阅读 下载PDF 职称材料

基于VMD-CNN-LSTM的短期风电功率预测研究 被引量：2

9

作者 张子华 李琰 +2 位作者 徐天奇 王阳光 邓小亮 《云南民族大学学报（自然科学版）》 CAS 2023年第3期359-365,共7页

风电功率预测的准确性可提高发电商的电力市场竞争力,降低电力系统运行难度,然而风电功率主要受风速影响,属于非平稳性时间序列,固有的随机性和间歇性使得日前风电功率预测的精度很难大幅度提高.利用变分模态分解(VMD)将风电功率和风速... 风电功率预测的准确性可提高发电商的电力市场竞争力,降低电力系统运行难度,然而风电功率主要受风速影响,属于非平稳性时间序列,固有的随机性和间歇性使得日前风电功率预测的精度很难大幅度提高.利用变分模态分解(VMD)将风电功率和风速数据分解为相同数量的子模态分量以降低数据非平稳性,并将风电功率和风速对应子模态分量重构为二维矩阵作为卷积神经网络和长短时记忆网络(CNN-LSTM)的输入,构建VMD-CNN-LSTM新型深度神经网络混合模型,将预测得到的若干子模态分量重构得到风电功率预测结果.利用某风电场实际运行数据进行算例分析,与VMD-LSTM、EMD-LSTM、EMD-CNN-LSTM模型进行比较,实验结果表明提出的新型神经网络混合模型在保证预测精度的同时具有良好的适应能力. 展开更多

关键词 风电功率预测 组合预测 变分模态分解 卷积神经网络 长短时记忆网络

在线阅读 下载PDF 职称材料

煤矿井下供水管道泄漏孔径识别与定位 被引量：1

10

作者 杜京义 陈镇 +3 位作者 张嘉伟 李晨 高瑞 王鹏 《科学技术与工程》 北大核心 2025年第8期3296-3303,共8页

为快速识别煤矿井下泄漏点的位置及泄漏孔径,利用供水管道泄漏时产生的压力及流量信号,提出一种泄漏孔径识别与定位模型。首先利用模态能量熵和遗传算法结合包络熵对变分模态分解(variational mode decomposition,VMD)进行参数优化,再使... 为快速识别煤矿井下泄漏点的位置及泄漏孔径,利用供水管道泄漏时产生的压力及流量信号,提出一种泄漏孔径识别与定位模型。首先利用模态能量熵和遗传算法结合包络熵对变分模态分解(variational mode decomposition,VMD)进行参数优化,再使用VMD对压力信号进行降噪处理;采用卷积神经网络(convolutional neural networks,CNN)提取压力及流量信号的深层特征序列,长短时记忆网络(long short-term memory,LSTM)提取深层特征序列的时序特征,进行泄漏孔径识别与定位。实验结果表明:经过参数优化的变分模态分解,相较卡尔曼滤波、均值滤波、低通滤波在均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、信噪比(signal to noise ratio,SNR)、归一化互相关系数(normalized cross correlation,NCC)上均有提高,表明其能够有效降低噪声成分,保留有效信号;CNN-LSTM相较LSTM,在泄漏点定位中,MAE降低了65.97%,平均绝对百分比误差(mean absolute percentage error,MAPE)降低了61.22%,RMSE降低了59.11%。在泄漏孔径识别中,MAE降低了12.04%,MAPE降低了22.45%,RMSE降低了3.29%,证明CNN-LSTM可以充分利用管道压力及流量信号的空间及时间特征进行泄漏位置及孔径的识别,其检测效果相较LSTM更加准确和稳定。 展开更多

关键词 变分模态分解(VMD) 卷积神经网络(CNN) 长短时记忆网络(LSTM) 模态能量熵 遗传算法(GA) 包络熵

在线阅读 下载PDF 职称材料

基于VMD-1DCNN-GRU的轴承故障诊断 被引量：3

11

作者 宋金波 刘锦玲 +2 位作者 闫荣喜 王鹏 路敬祎 《吉林大学学报(信息科学版)》 2025年第1期34-42,共9页

针对滚动轴承信号含噪声导致诊断模型训练困难的问题,提出了一种基于变分模态分解(VMD:Variational Mode Decomposition)和深度学习相结合的轴承故障诊断模型。首先,该方法通过VMD对轴承信号进行模态分解,并且通过豪斯多夫距离(HD:Hausd... 针对滚动轴承信号含噪声导致诊断模型训练困难的问题,提出了一种基于变分模态分解(VMD:Variational Mode Decomposition)和深度学习相结合的轴承故障诊断模型。首先,该方法通过VMD对轴承信号进行模态分解,并且通过豪斯多夫距离(HD:Hausdorff Distance)完成去噪,尽可能保留原始信号的特征。其次,将选择的有效信号输入一维卷积神经网络(1DCNN:1D Convolutional Neural Networks)和门控循环单元(GRU:Gate Recurrent Unit)相结合的网络结构(1DCNN-GRU)中完成数据的分类,实现轴承的故障诊断。通过与常见的轴承故障诊断方法比较,所提VMD-1DCNN-GRU模型具有最高的准确性。实验结果验证了该模型对轴承故障有效分类的可行性,具有一定的研究意义。 展开更多

关键词 故障诊断 深度学习 变分模态分解 一维卷积神经网络 门控循环单元

在线阅读 下载PDF 职称材料

基于VMD-MOMEDA-CNN的强背景噪声下矿井提升机主轴轴承故障诊断方法

12

作者 沈佳兴 朱虎 张良露 《电子测量与仪器学报》 北大核心 2025年第12期258-269,共12页

为提高强噪声影响下矿井提升机主轴轴承故障诊断的准确性,提出变分模态分解(VMD)和卷积神经网络(CNN)结合的滚动轴承故障诊断方法。利用融合正余弦和柯西变异的麻雀搜索算法对VMD的惩罚因子和分解层数进行多目标寻优,根据峭度准则将振... 为提高强噪声影响下矿井提升机主轴轴承故障诊断的准确性,提出变分模态分解(VMD)和卷积神经网络(CNN)结合的滚动轴承故障诊断方法。利用融合正余弦和柯西变异的麻雀搜索算法对VMD的惩罚因子和分解层数进行多目标寻优,根据峭度准则将振动信号进行VMD分解得到本征模态函数(IMF)并筛选含有冲击成份的IMF分量,根据筛选结果对原始信号进行信号重构。针对重构信号使用多点最优最小熵解卷积(MOMEDA)降噪处理,对MOMEDA中的关键参数故障周期建立自相关峭度指数作为适应度函数对其进行寻优;对滤波器长度,采用排列熵作为目标函数进行寻优。将MOMEDA算法增强后的信号进行包络解调,将包络幅值序列作为特征量,输入到CNN模型中进行训练以及验证,得到故障诊断结果。并比较分析变分模态分解-最小熵解卷积-卷积神经网络(VMD-MED-CNN)、变分模态分解-最大相关峭度卷积-卷积神经网络(VMD-MCKD-CNN)、VMD-CNN方法。结果表明,提出的VMD-MOMEDA-CNN的故障诊断方法平均准确率最高,达到98%以上。证明了该算法在强背景噪声环境影响下具有优越的准确性和稳定性。 展开更多

关键词 强背景噪声 变分模态分解 多点最优最小熵解卷积 卷积神经网络

原文传递

基于VMD和辅助任务学习的短期负荷预测方法 被引量：3

13

作者 张恒 郑建勇 +1 位作者 梅飞 徐睿麟 《电力系统保护与控制》 北大核心 2025年第5期104-112,共9页

日高峰时段负荷的强波动性和随机性极大地影响了传统方法在进行负荷预测时的准确性,提出一种基于变分模态分解(variational mode decomposition,VMD)与辅助任务学习的短期负荷预测方法。首先,利用斯皮尔曼等级系数法确定与原始负荷具有... 日高峰时段负荷的强波动性和随机性极大地影响了传统方法在进行负荷预测时的准确性,提出一种基于变分模态分解(variational mode decomposition,VMD)与辅助任务学习的短期负荷预测方法。首先,利用斯皮尔曼等级系数法确定与原始负荷具有强相关性的气象特征。然后,采用变分模态分解算法逐次分离出原始负荷序列中的低频趋势和高频波动。接着,将其与相关气象结合作为辅助任务训练数据输入CNN-Bi GRU混合预测模型,并通过共享特征及跨任务注意力机制降低负荷强波动性对负荷预测的影响,实现对原始负荷的准确预测。最后,以我国南方某地区近3年内社会负荷数据为例进行仿真验证。结果表明,所提方法有效降低了日高峰时段负荷的强波动性和随机性对预测模型的影响,提升了负荷预测的准确度。 展开更多

关键词 短期负荷预测 变分模态分解 辅助任务学习 卷积神经网络 双向门控循环单元

在线阅读 下载PDF 职称材料

基于改进蜣螂优化算法的短期风电功率预测 被引量：1

14

作者 蒋建东 张海峰 郭嘉琦 《郑州大学学报(工学版)》 北大核心 2025年第4期129-136,共8页

为了提高短期风电功率预测的准确度,建立了一种基于POTDBO-VMD-CNN-BiLSTM的短期风电功率预测模型。首先,采用融合Piecewise混沌映射、鱼鹰优化算法和自适应T分布扰动3种策略对蜣螂优化算法进行改进,以平衡蜣螂优化算法的全局探索和局... 为了提高短期风电功率预测的准确度,建立了一种基于POTDBO-VMD-CNN-BiLSTM的短期风电功率预测模型。首先,采用融合Piecewise混沌映射、鱼鹰优化算法和自适应T分布扰动3种策略对蜣螂优化算法进行改进,以平衡蜣螂优化算法的全局探索和局部开发能力并加快其收敛速度;其次,用改进的蜣螂优化算法(POTDBO)对变分模态分解(VMD)的分解数K和惩罚因子α进行寻优处理,提高VMD的分解效果,再用POTDBO-VMD模型对风电功率进行分解;最后,将分解的各频率分量以及残差分量分别输入到CNN-BiLSTM混合模型中预测,再将各频率分量以及残差分量的预测结果进行序列重构得到风电功率预测结果。通过新疆某风电场和吉林某风电场的实际数据对所提出模型进行实验,并和CNN-BiLSTM模型进行对比,结果显示:所提模型在决定系数R^(2)上分别增加了4.21%,7.69%,表现出更好的预测精度。 展开更多

关键词 风电功率预测 改进蜣螂优化算法 变分模态分解 卷积神经网络 双向长短期记忆神经网络

在线阅读 下载PDF 职称材料

基于深度学习的万能式断路器剩余寿命预测优化方法 被引量：1

15

作者 孙曙光 魏硕 +3 位作者 王景芹 邵旭 孙靓 高辉 《电测与仪表》 北大核心 2025年第5期200-207,共8页

智能电网背景下,针对机械动作复杂的万能式断路器的状态监测,提出一种基于深度学习的万能式断路器剩余寿命预测优化方法。采用变分模态分解(variational mode decomposition,VMD)对分闸振动信号进行分解,并选择峭度较大的模态进行重构,... 智能电网背景下,针对机械动作复杂的万能式断路器的状态监测,提出一种基于深度学习的万能式断路器剩余寿命预测优化方法。采用变分模态分解(variational mode decomposition,VMD)对分闸振动信号进行分解,并选择峭度较大的模态进行重构,以突出信号的有效冲击特征。引入特征注意力卷积神经网络(feature attention convolutional neural network,FACNN)进行寿命预测,将特征注意力模块嵌入一维卷积层,优化神经元对关键状态信息的捕捉能力。利用断路器的实测数据进行验证。结果表明,该方法能够针对性地实现断路器的剩余机械寿命预测,具有较高的预测精度和稳定性,有效减少了因系统复杂性造成的数据不确定性影响。 展开更多

关键词 万能式断路器 剩余寿命预测 VMD 特征注意力 CNN

在线阅读 下载PDF 职称材料

基于格拉姆角场和PCNN-BiGRU模型的故障诊断方法及其应用 被引量：4

16

作者 盛世龙 王淑青 +2 位作者 王云鹤 翟宇胜 刘冬 《中国农村水利水电》 北大核心 2025年第2期121-128,共8页

研究提出了一种基于信号处理和深度学习技术的水电机组故障诊断方法。首先,利用VMD对水电机组的原始信号进行分解和重构,以实现信号的降噪,并得到本征模态函数(IMF);随后,通过格拉姆角场(GAF)变换,将IMF转换为GASF和GADF图像。然后将所... 研究提出了一种基于信号处理和深度学习技术的水电机组故障诊断方法。首先,利用VMD对水电机组的原始信号进行分解和重构,以实现信号的降噪,并得到本征模态函数(IMF);随后,通过格拉姆角场(GAF)变换,将IMF转换为GASF和GADF图像。然后将所有图像数据输入到双通道并行二维卷积神经网络与双向门控循环单元(PCNNBiGRU)模型中进行训练。该模型通过CNN提取特征图,并将其输入到BiGRU中,以保持对时间特征的敏感度并剔除冗余信息;最后,为验证该方法的有效性,结合实际电站机组样本数据进行比较试验,对所提方法提供高效、准确的水电机组故障诊断解决方案进行了验证。 展开更多

关键词 水电机组 VMD 格拉姆角场 故障诊断 并行CNN BiGRU

在线阅读 下载PDF 职称材料

融合双重分解与深度学习的径流预报模型构建

17

作者 叶晓雨 王栋 +3 位作者 邓清文 于辰璐 杨卓 张阿龙 《水文》 北大核心 2025年第6期7-15,22,共10页

径流预报在防汛抗旱、水资源管理等方面具有重要意义。针对传统分解方法存在的模态混叠与残差复杂问题,构建一种融合双重分解与深度学习的径流预报模型—IVCL(ICEEMDAN-VMD-CNNLSTM)。首先,运用改进的自适应噪声完全集合经验模态分解(IC... 径流预报在防汛抗旱、水资源管理等方面具有重要意义。针对传统分解方法存在的模态混叠与残差复杂问题,构建一种融合双重分解与深度学习的径流预报模型—IVCL(ICEEMDAN-VMD-CNNLSTM)。首先,运用改进的自适应噪声完全集合经验模态分解(ICEEMDAN)方法初步分解原始径流序列以降低复杂度;其次,对最复杂子序列应用变分模态分解(VMD)方法进行二次分解,进一步提取深层特征;最后,应用卷积神经网络(CNN)-长短期记忆网络(LSTM)组合模型对各子序列建模与预测,并加和重构获得总径流预报序列。选用气候气象、下垫面条件与水文特征各异的广西河口水文站、安徽正阳关水文站与甘肃兰州水文站的汛期日径流实测序列加以验证,结果表明,IVCL模型在大多数指标上均优于其他模型,具有更小的预报误差、更准确的极值刻画能力与更高的稳定性。同时,分解顺序对模型性能有显著影响,合理设计的分解流程能够有效提升径流预报精度。 展开更多

关键词 径流预报 改进的自适应噪声完全集合经验模态分解(ICEEMDAN) 变分模态分解(VMD) 卷积神经网络(CNN) 长短期记忆神经网络(LSTM)

在线阅读 下载PDF 职称材料

基于变分模态分解和CNN-BiGRU-Attention神经网络的电机故障分类方法 被引量：1

18

作者 司成志 惠世贤 +1 位作者 邢超 邓灿 《高压电器》 北大核心 2025年第5期189-196,共8页

为了解决电机故障分类结果准确性较低的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与CNN-BiGRU-Attention神经网络模型相结合的电机故障诊断方法。首先,对凯斯西储大学电机数据进行预处理,然后利用VMD方法将... 为了解决电机故障分类结果准确性较低的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与CNN-BiGRU-Attention神经网络模型相结合的电机故障诊断方法。首先,对凯斯西储大学电机数据进行预处理,然后利用VMD方法将复杂的电机信号分解成多个IMF(intrinsic mode function)分量,构建电机故障特征向量。最后,建立特征训练CNN-BiGRU-Attention神经网络模型,基于模型的迭代训练,诊断电机故障的具体类型。实验结果表明,提出的诊断方法应用后,电机故障分类错误诊断数量较少,测试集准确率达到97%以上,方法具有较高的鲁棒性和精确性。 展开更多

关键词 VMD CNN-BiGRU-Attention IMF 故障分类

在线阅读 下载PDF 职称材料

融合特征下的双流CNN的制动蠕动颤振评价 被引量：1

19

作者 李阳 靳畅 +1 位作者 李天舒 顾鼎元 《振动与冲击》 北大核心 2025年第1期134-142,189,共10页

针对车辆蠕动颤振主观评价方法效率低、耗时长、测试流程复杂的问题,研究了蠕动颤振信号的时序特征和时频域特征提取方法,将2D-CNN的空间处理能力与1D-CNN的时序处理能力相结合,提出一种融合特征下的双流卷积神经网络的蠕动颤振评价方... 针对车辆蠕动颤振主观评价方法效率低、耗时长、测试流程复杂的问题,研究了蠕动颤振信号的时序特征和时频域特征提取方法,将2D-CNN的空间处理能力与1D-CNN的时序处理能力相结合,提出一种融合特征下的双流卷积神经网络的蠕动颤振评价方法。一条支路的输入为经过变分模态分解提取的时间序列特征,另一条支路的输入为经过快速傅里叶变换提取的图像特征,将一维时序特征与高维图像特征融合,训练模型进行评分。该方法通过融合不同模态的信息,充分捕捉蠕动颤振的局部波形特征和空间纹理特征。结果表明,融合两种特征的评分模型的八分类准确率达87.13%,验证了特征融合方法在蠕动颤振评价上的有效性。 展开更多

关键词 卷积神经网络(CNN) 融合特征 变分模态分解(VMD) 蠕动颤振

在线阅读 下载PDF 职称材料

基于TVF-EMD-VMD多特征融合的短期风速预测神经网络模型

20

作者 马腾 施三支 《长春理工大学学报(自然科学版)》 2025年第5期121-131,共11页

为进一步挖掘风速时序规律与多气象变量的关联信息,提出一种融合“特征筛选-二次分解-时空特征学习”的深度学习模型来提升短期风速预测精度。首先,从原始数据集提取风速序列与气象变量,通过相关性筛选与风速高相关的气象变量,剔除冗余... 为进一步挖掘风速时序规律与多气象变量的关联信息,提出一种融合“特征筛选-二次分解-时空特征学习”的深度学习模型来提升短期风速预测精度。首先,从原始数据集提取风速序列与气象变量,通过相关性筛选与风速高相关的气象变量,剔除冗余特征;其次,提出了称之为TVF-EMD-VMD的二次分解方法,对风速序列进行分解,为后续神经网络提供了更高质量的输入数据;最后,将二次分解后的所有子序列与筛选后的气象变量整合,通过CNN提取多变量间的空间关联特征,输入BiLSTM学习时序演化规律,输出得到最终风速预测值。通过对比模型得出本文方法相较一次分解和已有的二次分解在预测精度上有所提升;将其应用于内蒙古风电场风速序列中,表明该方法具有较好的预测效果。 展开更多

关键词 风速预测 TVF-EMD VMD CNN BiLSTM

在线阅读 下载PDF 职称材料