检索结果-南通市图书馆

基于CNN-LSTM深度学习的列车荷载与桥面系局部健康状态识别研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

铁道学报 2022年第8期44卷 135-145页

作者：朴春慧冀梅梅张志国刘玉红李智宇董现石家庄铁道大学信息科学与技术学院河北石家庄050043 河北省电磁环境效应与信息处理重点实验室河北石家庄050043 石家庄铁道大学土木工程学院河北石家庄050043 北京全路通信信号研究设计院集团有限公司北京100073

桥梁健康监测数据的深度分析是发挥健康监测系统作用的必然途径,由于监测测点的有限性和监测数据受环境效应等因素影响,很多监测结果可利用率不高。在此背景下,以某公铁两用大跨度钢桁架桥桥面系纵梁应变及温度长期监测数据为依据,基于C... 详细信息

桥梁健康监测数据的深度分析是发挥健康监测系统作用的必然途径,由于监测测点的有限性和监测数据受环境效应等因素影响,很多监测结果可利用率不高。在此背景下,以某公铁两用大跨度钢桁架桥桥面系纵梁应变及温度长期监测数据为依据,基于CNN-LSTM深度学习,对有限应变监测数据在桥梁列车和局部健康状态识别应用进行有益探索;采用集合经验模态分解(EEMD)算法对车致应变进行提取与分析,根据列车过桥应变峰值进行列车荷载和车型识别。实际数据有效性检验结果表明,纵梁截面单一应变测试结果对该桥列车荷载识别准确率可达92.3%。利用提取的桥面纵梁测点应变监测数据训练CNN-LSTM模型,并进行残差预测,使用指数加权移动平均法,结合列车荷载因素进行桥面系局部损伤预警阈值分析,利用实测数据对模型进行深入训练和验证,并与CNN、RNN和LSTM模型进行对比分析。分析结果表明,本文模型在该桥桥面系测试节间纵梁损伤识别准确度优于其他模型,可在桥梁局部出现损伤时,进行健康状态判别与预警;随着测试截面的增加,可进一步扩展本文方法识别范围,提高识别效果。

关键词：桥梁健康监测列车荷载识别健康状态识别深度学习 CNN-LSTM

在线全文

学校读者我要写书评

暂无评论

矿渣粉磨健康状态识别模型及系统设计

振动．测试与诊断 2018年第4期38卷 827-833页

作者：代风纪杨建万安平张真浙江大学机械与工程学院杭州310027

提出一种基于数据挖掘的装备健康状态识别模型,实现对矿渣粉磨系统的运行健康预测。首先,利用一种多算法综合的特征筛选方法对工况数据进行挖掘分析,确定影响设备运行健康状态的评估指标参数;其次,以健康运行状态评估指标为对象,开展系... 详细信息

提出一种基于数据挖掘的装备健康状态识别模型,实现对矿渣粉磨系统的运行健康预测。首先,利用一种多算法综合的特征筛选方法对工况数据进行挖掘分析,确定影响设备运行健康状态的评估指标参数;其次,以健康运行状态评估指标为对象,开展系统运行工况状态聚类挖掘,分析历史样本运行数据中的健康工况模式分布,以此为依据定义工况的运行状态类别,建立健康工况模式库;然后,将实时运行数据与健康工况模式库比对,利用自回归积分滑动平均算法(auto-regressive integrated moving average,简称ARIMA)训练预测评估模型,对健康评估指标参数的变化趋势进行预测,获取系统健康状态评估结果;最后,基于上述模型开发了矿渣粉磨健康状态识别系统软件,并应用于某生产现场,验证了该模型及系统的有效性和实用性。

关键词：数据挖掘矿渣粉磨健康状态识别聚类分析

基于多种图结构信息融合的刮板输送机健康状态识别

在线全文

学校读者我要写书评

暂无评论

煤炭科学技术 2024年第8期52卷 171-181页

作者：杨鑫苏乐程永军王波赵愿杨雄伟赵成龙曹现刚赵江滨西安科技大学机械工程学院陕西西安710054 陕西省矿山机电装备智能检测与控制重点实验室陕西西安710054 西安重装蒲白煤矿机械有限公司陕西渭南714099

刮板输送机是一种煤矿井下用的煤炭输送设备,在煤矿生产中具有重要作用。恶劣工作环境及长期使用磨损导致刮板输送机性能逐渐退化,故及时掌握刮板输送机健康状态极为关键。为克服传统方法在刮板输送机整机健康状态识别过程中存在的部件... 详细信息

刮板输送机是一种煤矿井下用的煤炭输送设备,在煤矿生产中具有重要作用。恶劣工作环境及长期使用磨损导致刮板输送机性能逐渐退化,故及时掌握刮板输送机健康状态极为关键。为克服传统方法在刮板输送机整机健康状态识别过程中存在的部件强耦合性关系难以提取融合及健康指标构建人工参与过多、易受异常值影响的问题,提出一种基于多种图结构信息融合的刮板输送机健康状态识别方法。利用自注意力机制(SA)与标准化流(NF)共同优化的变分自编码器(VAE)无监督地自动构建刮板输送机健康指标,降低了刮板输送机健康指标构建中对人工经验的依赖,同时有效拟合了健康指标的隐式分布,克服了监测数据中存在的异常值影响健康指标构建的问题;提出了一种多种图结构信息提取方法,提取刮板输送机先验图结构及相似性度量图结构,全方位显式地表达了多部件之间的耦合关系;提出了一种多种图结构信息融合方法,利用多个图注意力网络(GAT)有效提取并融合刮板输送机的多种图结构信息。在采集的刮板输送机真实状态数据中进行试验,结果表明,模型识别准确率可达98.60%,宏平均F_(1)(Macro-F_(1))值可达96.81%,该方法为刮板输送机的健康状态识别提供了一种新的可行途径。

关键词：刮板输送机设备健康监测健康状态识别健康指标构建多种图结构图注意力网络

基于电压信号深度特征学习的谐波减速器健康状态识别

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2021年第7期42卷 234-241页

作者：陈仁祥张勇胡小林陈才谢文举重庆交通大学交通工程应用机器人重庆市工程实验室重庆400074 重庆工业大数据创新中心有限公司重庆400056 重庆华数机器人有限公司重庆400714

目前工业机器人谐波减速器健康状态识别多以振动信号为载体,需要外加测试系统,增加了数据获取难度及成本,且其准确性和有效性受传感器安装位置影响。基于此,提出基于电压信号深度特征学习的谐波减速器健康状态识别方法。利用工业机器人... 详细信息

目前工业机器人谐波减速器健康状态识别多以振动信号为载体,需要外加测试系统,增加了数据获取难度及成本,且其准确性和有效性受传感器安装位置影响。基于此,提出基于电压信号深度特征学习的谐波减速器健康状态识别方法。利用工业机器人电机电压信号对谐波减速器健康状态进行表征,使用连续小波变换将电压信号转换成时频图以获得谐波减速器不同健康状态下电压信号的时频信息,构建出数据样本集。利用卷积神经网络对电压信号时频信息进行自学习,并有监督调整网络参数,在获得谐波减速器不同健康状态下电压信号深度特征的同时实现对其健康状态的识别。实验结果显示,所提方法识别准确率达到了90%以上,证明了该方法能够有效识别谐波减速器健康状态,并具有较好的泛化能力和稳健性。

关键词：健康状态识别谐波减速器电压信号卷积神经网络连续小波变换

基于贝叶斯深度学习的外啮合齿轮泵健康状态识别研究

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2023年第16期59卷 397-405页

作者：郭锐王涛李永涛王建伟蔡伟赵静一燕山大学河北省重型机械流体动力传输与控制重点实验室秦皇岛066004 浙江大学流体动力与机电系统国家重点实验室杭州310027 燕山大学先进锻压成形技术与科学教育部重点实验室秦皇岛066004 河北省特种运载装备重点实验室秦皇岛066004

液压泵健康状态的精准识别是液压元件预防性维护的一部分。采用贝叶斯算法对长短时记忆网络(Long short-term memorg,LSTM)进行优化,构建一种基于贝叶斯长短时记忆网络(Bayesian-LSTM)的外啮合齿轮泵健康状态识别模型,完成了对外啮合齿... 详细信息

液压泵健康状态的精准识别是液压元件预防性维护的一部分。采用贝叶斯算法对长短时记忆网络(Long short-term memorg,LSTM)进行优化,构建一种基于贝叶斯长短时记忆网络(Bayesian-LSTM)的外啮合齿轮泵健康状态识别模型,完成了对外啮合齿轮泵健康状态的识别。首先运用改进的变分模态分解(Improved variational modal,IVMD)方法对蕴含丰富健康信息的样本泵振动信号进行分解重构,基于时域、频域及时频域对重构信号进行特征提取,将所选特征归一化处理后构造了能够表征振动信号的特征矩阵。最后将归纳好的特征矩阵与标签输入到Bayesian-LSTM(以下简称BDL)模型中进行训练,进而得到外啮合齿轮泵健康识别模型,为验证BDL模型在外啮合齿轮泵健康状态识别上的优越性,将其与LSTM模型及RNN模型进行对比。结果表明,BDL模型对样本泵的预测精度达到了98.3%以上,相比LSTM模型及RNN模型优势明显,可以为深度学习在液压元件状态识别的应用提供参考。

关键词：外啮合齿轮泵健康状态识别加速退化试验贝叶斯长短时记忆网络

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于空间运动特性的断路器健康状态识别

仪器仪表学报 2024年第10期45卷 50-62页

作者：孙曙光王浩宇王景芹李奎郝永耀河北工业大学人工智能与数据科学学院天津300130 河北工业大学电工产品可靠性技术省部共建协同创新中心天津300130 河北工业大学省部共建电工装备可靠性与智能化国家重点实验室天津300130 江苏四方清洁能源装备制造有限公司徐州221000

考虑到空间运动特性差异对机械性能退化的体现更为直接,且振动信号蕴含丰富的机械状态信息,提出一种利用振动信号对空间运动特性进行表征的断路器健康状态识别方法。首先,利用位移信号获取能够反映关键机构机械状态的运动特性参数;其次... 详细信息

考虑到空间运动特性差异对机械性能退化的体现更为直接,且振动信号蕴含丰富的机械状态信息,提出一种利用振动信号对空间运动特性进行表征的断路器健康状态识别方法。首先,利用位移信号获取能够反映关键机构机械状态的运动特性参数;其次,采用AAF-AAKR模型构建运动特性健康指标;然后,基于关键动作阶段三维振动信号特点提取多域特征参数,选取相关性较高的特征进行层次聚类并计算与运动特性的互信息,得到对运动特性表征能力强的关键退化特征矢量;最后,将退化特征矢量作为输入,运动特性健康指标作为输出,构建1D-CNN性能退化回归模型,以实现储能机构健康状态识别。实例验证表明,三维振动信号相对于一维振动信号对运动健康指标的拟合效果更好,回归分析RMSE为0.0186,MAE为0.0112,可精准地识别断路器的健康状态。

关键词：万能式断路器三维振动信号空间运动特性健康状态识别

基于CNN与改进XGBoost的采煤机健康状态识别

在线全文

学校读者我要写书评

暂无评论

煤矿机械 2025年第2期46卷 183-187页

作者：张金坡李曼金楠郑永涛陕西铁路工程职业技术学院陕西渭南714000 西安科技大学西安710054

采煤机结构复杂,工作环境恶劣,其健康状态评估比较困难。提出一种基于卷积神经网络(CNN)和改进XGBoost的采煤机健康状态识别方法。结合评估数据时间、参数间相关性,将原始数据重构为矩阵形式作为CNN模型输入,降低了网络的训练难度;针对... 详细信息

采煤机结构复杂,工作环境恶劣,其健康状态评估比较困难。提出一种基于卷积神经网络(CNN)和改进XGBoost的采煤机健康状态识别方法。结合评估数据时间、参数间相关性,将原始数据重构为矩阵形式作为CNN模型输入,降低了网络的训练难度;针对CNN特征提取优势明显但分类能力有限的问题,利用CNN实现特征提取,并使用分类性能良好的XGBoost模型完成采煤机健康状态识别;针对XGBoost算法最优参数难以获取、专家经验法和网格搜索等常用调参方法容易陷入局部最优等问题,利用乌燕鸥优化算法(STOA)进行XGBoost模型参数优化,提高模型对数据的分析学习能力。利用采煤机仿真数据对该模型进行实验验证,并与其他模型进行对比,结果显示,该模型识别准确度可达98.2%,可为采煤机的状态预知和维护提供理论支持。

关键词：采煤机健康状态识别 CNN STOA XGBoost

基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别

在线全文

学校读者我要写书评

暂无评论

信息与控制 2022年第1期51卷 98-106页

作者：曹现刚许欣雷卓李彦川西安科技大学机械工程学院陕西西安710054 陕西省矿山机电装备智能监测重点实验室陕西西安710054

针对采煤机监测参数间关联性强、冗余信息多且受强噪声干扰导致其健康状态识别困难及传统的采煤机状态识别方法在健康状态指标构建中人工参与过多导致识别准确率不高的问题,提出一种基于降噪自编码器(denoising autoencoder,DAE)与改进... 详细信息

针对采煤机监测参数间关联性强、冗余信息多且受强噪声干扰导致其健康状态识别困难及传统的采煤机状态识别方法在健康状态指标构建中人工参与过多导致识别准确率不高的问题,提出一种基于降噪自编码器(denoising autoencoder,DAE)与改进卷积神经网络(improved convolutional neural network,ICNN)的采煤机健康状态识别方法。首先,对原始监测数据作滑动平均降噪处理并进行归一化;其次,通过无监督训练降噪自编码器实现数据降维、特征提取,进而构建健康状态指标;然后,根据降噪后的监测数据与健康状态指标训练改进卷积神经网络模型,实现采煤机健康状态的自动识别;最后,利用采煤机仿真数据完成模型验证并与其他多种健康状态识别方法进行对比。结果表明:该方法识别准确率达98.38%,明显高于其他方法,可为后期的预知维护提供理论支持。

关键词：采煤机健康状态识别卷积神经网络降噪自编码器

在线全文

学校读者我要写书评

暂无评论

模块式加筋土挡墙震后健康状态识别研究

岩土工程学报 2023年第S02期45卷 116-121页

作者：李思汉蔡晓光景立平蔡博渊黄鑫徐洪路防灾科技学院地质工程学院河北廊坊065201 河北省地震灾害防御与风险评价重点实验室河北廊坊065201 廊坊市加筋土结构研发与应用重点实验室河北廊坊065201 中国地震灾害防御中心北京100029 中国地震局工程力学研究所地震工程与工程振动重点实验室黑龙江哈尔滨150080

采用时域识别方法分析了加筋土挡墙大型振动台模型试验在不同工况下动力特性(自振频率和阻尼比)分布规律,介绍了加筋土挡墙不同位置处动力特性的变化特征,阐述了不同损伤程度下加筋土挡墙动力特性分布规律,探究了动力特性变化幅值与加... 详细信息

采用时域识别方法分析了加筋土挡墙大型振动台模型试验在不同工况下动力特性(自振频率和阻尼比)分布规律,介绍了加筋土挡墙不同位置处动力特性的变化特征,阐述了不同损伤程度下加筋土挡墙动力特性分布规律,探究了动力特性变化幅值与加筋土挡墙损伤程度的定量关系。结果表明:加载阶段前期,加筋土挡墙各位置处的自振频率基本相同,阻尼比随着墙高的上升而减小;加载后期,挡墙自振频率明显下降、阻尼比大幅上升。采用数理方法获得了单级挡墙自振频率和阻尼比的分布曲线,得出了基本完好、轻微破坏、中等破坏和毁坏4个阶段自振频率和阻尼比变化幅度;当自振频率下降幅度为6.75%~16.43%,阻尼比上升幅度106.14%~243.09%时,可认为加筋土挡墙处于中等破坏阶段;当自振频率下降幅度为16.43%~31.59%、阻尼比上升幅度243.09%~462.04%时,可认为加筋土挡墙处于毁坏阶段。

关键词：振动台试验模块式加筋土挡墙时域识别方法健康状态识别动力特性