检索结果-南通市图书馆

振动与冲击 2023年第13期42卷 226-234页

作者：吴佳李明宸唐文妍湘潭大学自动化与电子信息学院湖南湘潭411105

工业循环水系统供水泵的工作状态是影响工业过程安全生产的重要因素,为及时准确地识别供水泵的工作状态,提出一种基于深度迁移卷积神经网络和支持向量机(deep transfer convolutional neural network-support vector machine,DTCNN-SVM... 详细信息

工业循环水系统供水泵的工作状态是影响工业过程安全生产的重要因素,为及时准确地识别供水泵的工作状态,提出一种基于深度迁移卷积神经网络和支持向量机(deep transfer convolutional neural network-support vector machine,DTCNN-SVM)的故障诊断方法。将与工作状态强相关的振动信号进行信号-图像预处理,实现振动时序信号的二维灰度图化;在此基础上,采用融合迁移学习与残差神经网络的深度迁移卷积神经网络模型提取振动信号灰度图特征,并基于模糊不一致性度量对深度学习特征进行约简;采用支持向量机法建立供水泵故障诊断模型。试验结果表明,所提方法在少量样本数据和模型参数下能有效识别供水泵工作状态。

关键词：供水泵故障诊断深度迁移卷积神经网络(DTCNN) 支持向量机(SVM) 模糊不一致性度量

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

深度特征约简算法及其在故障诊断中的应用

深度特征约简算法及其在故障诊断中的应用

引用

作者：李明宸湘潭大学

学位级别：硕士

深度学习模型能够提取不同的低层特征进行组合,以形成更为抽象、更具表达能力的高层特征。但是所得的深度特征存在冗余,会导致训练过程耗时长、占用资源较多等问题。为减少深度特征集的冗余度,本文将传统机器学习中特征约简技术应用于... 详细信息

深度学习模型能够提取不同的低层特征进行组合,以形成更为抽象、更具表达能力的高层特征。但是所得的深度特征存在冗余,会导致训练过程耗时长、占用资源较多等问题。为减少深度特征集的冗余度,本文将传统机器学习中特征约简技术应用于模型所学图像高维数据特征集进行特征约简,并将其应用于工业循环水系统供水泵故障诊断。主要研究工作如下:为解决深度学习模型提取的特征集冗余问题,结合传统机器学习特征降维方法,提出一种基于模糊不一致性度量的深度特征约简算法。使用预训练模型提取目标任务数据特征,获得深度特征集;定义模糊不一致性的特征重要性指数,并给出基于模糊不一致性度量的深度特征约简算法,获得关键深度特征集;基于关键深度特征集采用支持向量机(Support Vector Machine,SVM)分类器对待处理图像深度特征进行分类。首先在UCI数据集上验证约简算法的通用性,然后在图像深度特征集上验证深度特征约简算法的有效性。实验结果表明,该方法不仅在UCI数据集上约简效果良好,在图像深度特征集上也取得了较好的约简效果与分类准确率。为及时准确地识别工业循环水系统供水泵的工作状态,提出一种基于深度迁移卷积神经网络(Deep Transfer Convolutional Neural Network,DTCNN)和支持向量机的供水泵故障诊断方法(DTCNN-SVM),该方法结合基于模糊不一致性度量的深度特征约简方法以有效去除卷积神经网络中冗余特征。首先将与工作状态强相关的振动信号进行信号-图像的预处理,实现振动时序信号的二维灰度图化;在此基础上,结合迁移学习与残差神经网络的DTCNN模型提取振动信号灰度图特征,并基于模糊不一致性度量对深度特征进行约简;最后采用支持向量机方法建立供水泵故障诊断模型。在某炼钢厂高炉工业循环水系统供水泵设备平台采集的振动信号数据上验证其有效性,实验结果表明,该方法具有较为出色的故障诊断效果。综上所述,本文首先提出一种基于模糊不一致性度量的特征约简算法,将其用于图像深度特征集约简;然后结合该方法,利用迁移学习与卷积神经网络相关技术,解决少量样本下的工业循环水系统供水泵故障诊断任务。

关键词：深度学习图像深度特征特征约简迁移学习供水泵故障诊断

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：