检索结果-南通市图书馆

检索条件"主题词=多路径并行"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于多路径并行机制的汽车ASM尾气排放检测过程异常辨别算法研究

基于多路径并行机制的汽车ASM尾气排放检测过程异常辨别算法研究

引用

作者：郑嘉东吉林大学

学位级别：硕士

随着我国汽车保有量的逐年上升,汽车尾气排放已成为环境污染的主要源头。因此,为改善环境,采取有效的尾气排放检测方法检出全部排放超标汽车具有重大意义。在当前的尾气排放检测方法中,加速模拟工况法因其高效、低成本得到了广泛地应用... 详细信息

随着我国汽车保有量的逐年上升,汽车尾气排放已成为环境污染的主要源头。因此,为改善环境,采取有效的尾气排放检测方法检出全部排放超标汽车具有重大意义。在当前的尾气排放检测方法中,加速模拟工况法因其高效、低成本得到了广泛地应用。但在检测时,检测结果可能会含有异常数据,从而导致检测结果失去真实性,不能反映汽车的真实排放,甚至于可能导致对排放超标汽车的漏检。因此,本文将检测加速模拟工况法采集的样本是否有异常,并将全部疑似异常的样本标记出来,以确保剩下的每个检测样本都真实可靠。为实现上述研究目标,本文定义了持续不变、急剧波动和相关性错误等异常。其中,相关性是检测参数与检测结果间的相关性,相关性错误即当检测参数变化时,检测结果HC、CO和NOx却以不同于理论的方式变化,此种异常不易发现,是本文的研究难点和聚焦点。本文首先针对上述3种异常,创建了多路径并行时间卷积——残差网络模型。该模型结合了检测样本中的多项参数,并创建了由3个注意力模块组成的融合模块提取检测参数与检测结果间的相关性特征。除此之外,模型采用3条并行的路径分别提取不同的特征,并利用注意力模块融合3条路径的输出;模型还将时间卷积网络与残差网络结合,创建了既能有效提取特征,又能缓解网络退化和梯度消失的时间卷积残差块。实验结果表明,该模型在检测异常情况时各项评价指标的均值大于82%,最高为87%,明显高于作为对比的残差网络模型,由此证明了该模型的优异性能。本文针对相关性错误,还创建了多路径并行Transformer编码器——时间卷积解码器模型。模型引入时序预测思想,利用并行的Transformer编码器对历史数据提取特征,并使用时间卷积解码器实现由历史特征和当前检测参数预测当前检测结果的目的。模型训练时,为其输入不含相关性错误的样本,从而让其学习到正常情况下检测参数与检测结果间的相关性。由此在模型输入含有相关性错误的样本时会预测失准,本文即利用预测结果与实际结果间失准后的均方根误差辨别异常。结果表明,该模型在各种情况的输入样本下辨别相关性错误的准确性均在80%以上,优于使用单通道Transformer编码器的对比模型,同样证明了该模型的优异性能。综上,实际中可以根据提出的2个模型检测加速模拟工况法采样中是否有异常数据。将含有异常数据的结果标记出来再次检测,从而确保检测结果能真实反映汽车排放情况,防止可能的对排放超标汽车的漏检,这对改善环境污染具有重大的理论和现实意义。

关键词：加速模拟工况法异常检测多路径并行时间卷积残差块 Transformer编码器

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

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

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

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：