为提高柴油机装配质量和冷试性能,基于柴油机装配冷试基础数据集,选取加州大学欧文分校(University of California Irvine,UCI)机器学习资料库标准数据集中的Seeds、Wine、Wdbc三种数据集,对比支持向量机(support vector machines,SVM)...为提高柴油机装配质量和冷试性能,基于柴油机装配冷试基础数据集,选取加州大学欧文分校(University of California Irvine,UCI)机器学习资料库标准数据集中的Seeds、Wine、Wdbc三种数据集,对比支持向量机(support vector machines,SVM)模型、组合智能算法改进后SVM模型、Transformer模型应用于冷试异常数据的分析效果。结果表明:SVM、改进后SVM,Transformer模型对正常数据和异常数据分类的准确率分别为85.20%、92.54%、97.94%;相比SVM、改进SVM模型,Transformer模型的分类准确率有较大的提高,可用于分析参数异常;排气压力与转矩关系密切,排气压力较大造成转矩增大;排气门开启时间过长导致进气真空度异常,验证了Transformer模型对发动机装配异常识别方法的有效性。展开更多
针对低信噪比环境下超声细微缺陷特征提取难题,提出一种适用于低信噪比超声信号的门控残差与双级压缩-激励(squeeze and excitation,SE)注意力协同增强网络。该模型以卷积神经网络(convolutional neural network,CNN)为基础,通过残差块...针对低信噪比环境下超声细微缺陷特征提取难题,提出一种适用于低信噪比超声信号的门控残差与双级压缩-激励(squeeze and excitation,SE)注意力协同增强网络。该模型以卷积神经网络(convolutional neural network,CNN)为基础,通过残差块-SE模块-池化级联结构,在残差块内部嵌入普通SE模块进行初步通道筛选,在网络末端利用局部增强SE模块聚焦峰值信号,并采用门控残差连接从而动态保留原始细微特征,实现噪声抑制与特征增强的协同优化。结果显示:改进后模型的均方根误差(root mean square error,RMSE)均值为0.0683、平均绝对误差(mean absolute error,MAE)均值为0.0471,较基准CNN分别降低49.7%、41.7%,且模型显著优于仅使用单一注意力或残差块的改进模型,验证了双机制协同的优越性,且训练稳定性突出,低信噪比环境下仍保持高精度。所提模型的预测精度、抗干扰能力及稳定性显著优于传统方法与现有模型,为钢管超声无损检测提供高效技术方案,具有重要工业应用价值。展开更多
文摘为提高柴油机装配质量和冷试性能,基于柴油机装配冷试基础数据集,选取加州大学欧文分校(University of California Irvine,UCI)机器学习资料库标准数据集中的Seeds、Wine、Wdbc三种数据集,对比支持向量机(support vector machines,SVM)模型、组合智能算法改进后SVM模型、Transformer模型应用于冷试异常数据的分析效果。结果表明:SVM、改进后SVM,Transformer模型对正常数据和异常数据分类的准确率分别为85.20%、92.54%、97.94%;相比SVM、改进SVM模型,Transformer模型的分类准确率有较大的提高,可用于分析参数异常;排气压力与转矩关系密切,排气压力较大造成转矩增大;排气门开启时间过长导致进气真空度异常,验证了Transformer模型对发动机装配异常识别方法的有效性。
文摘针对低信噪比环境下超声细微缺陷特征提取难题,提出一种适用于低信噪比超声信号的门控残差与双级压缩-激励(squeeze and excitation,SE)注意力协同增强网络。该模型以卷积神经网络(convolutional neural network,CNN)为基础,通过残差块-SE模块-池化级联结构,在残差块内部嵌入普通SE模块进行初步通道筛选,在网络末端利用局部增强SE模块聚焦峰值信号,并采用门控残差连接从而动态保留原始细微特征,实现噪声抑制与特征增强的协同优化。结果显示:改进后模型的均方根误差(root mean square error,RMSE)均值为0.0683、平均绝对误差(mean absolute error,MAE)均值为0.0471,较基准CNN分别降低49.7%、41.7%,且模型显著优于仅使用单一注意力或残差块的改进模型,验证了双机制协同的优越性,且训练稳定性突出,低信噪比环境下仍保持高精度。所提模型的预测精度、抗干扰能力及稳定性显著优于传统方法与现有模型,为钢管超声无损检测提供高效技术方案,具有重要工业应用价值。
