检索结果-南通市图书馆

基于1D-WCWKCNN的痕量甲烷气体浓度检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

光谱学与光谱分析 2024年第3期44卷 829-835页

作者：阚玲玲朱富海梁洪卫东北石油大学电气信息工程学院黑龙江大庆163318

可调谐激光吸收光谱(TDLAS)技术在检测甲烷气体浓度过程中,甲烷气体透射光强二次谐波信号幅值与痕量甲烷气体浓度值成正比关系。如何准确和快速筛选目标甲烷透射光强二次谐波信号幅值至关重要。通过光电探测器获取1 000个甲烷气体透射... 详细信息

可调谐激光吸收光谱(TDLAS)技术在检测甲烷气体浓度过程中,甲烷气体透射光强二次谐波信号幅值与痕量甲烷气体浓度值成正比关系。如何准确和快速筛选目标甲烷透射光强二次谐波信号幅值至关重要。通过光电探测器获取1 000个甲烷气体透射光强信号样本,解调该透射光强信号获得二次谐波信号。人工在获得多种痕量甲烷气体透射光强和通过透射光强解调二次谐波信号时,存在噪声和人为操作对二次谐波信号的幅值产生影响,从而造成人工筛选二次谐波信号的时间增加。针对传统TDLAS技术筛选痕量甲烷气体二次谐波信号过程中存在高额时间成本的问题,提出了一种基于宽卷积和宽卷积核一维卷积神经网络(1D-WCWKCNN)的痕量甲烷气体浓度检测方法。首先,借助甲烷气体数据集训练1D-WCWKCNN模型,根据训练结果不断调整模型参数。其次,利用宽卷积层和宽卷积核一维卷积层对痕量甲烷气体二次谐波信号进行特征提取,使网络进行一次卷积后能够获得甲烷气体浓度信号中更长序列以及该序列边界信息与气体浓度之间的特征关系。甲烷透射光强二次谐波信号通过6层卷积层提取该信号与甲烷气体浓度关系的深层特征,然后通过6层最大池化层保留该信号与甲烷气体浓度关系的主要特征,再经过Flatten层将前一层处理的痕量甲烷气体透射光强二次谐波信号数据进行一维化处理。最后,根据训练好的1D-WCWKCNN模型通过Dense层输出痕量甲烷气体浓度。利用基于1D-WCWKCNN的痕量甲烷气体浓度检测模型代替了TDLAS技术中人工花费高额时间成本筛选二次谐波信号进行拟合直线对痕量甲烷气体浓度检测的过程。在实际实验中验证了该方法的有效性,实验结果表明利用该方法能够对50~1 000 mg·L^(-1)的痕量甲烷气体浓度进行有效检测,其准确度达到99.85%,与其他方法相比该方法信号特征提取能力强,检测甲烷气体精度高。该方法有助于气体检测领域中待测气体浓度信号的筛选。

关键词：痕量甲烷气体检测 TDLAS技术宽卷积核一维宽卷积

宽卷积局部特征扩展的Transformer网络故障诊断模型

在线全文

学校读者我要写书评

暂无评论

国外电子测量技术 2024年第2期43卷 139-149页

作者：张新良李占周益天河南理工大学电气工程与自动化学院河南省智能装备直驱技术与控制国际联合实验室焦作454003 舟山洋旺纳新科技有限公司舟山316104

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网... 详细信息

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网络可以直接接收的特征向量,提取故障局部特征,并通过增加卷积网络的感受野。然后,结合Transformer网络多头自注意力机制生成的全局信息,构建能同时描述故障局部和全局特征的特征向量。最后,在Transformer网络的预测层,利用高效通道注意力机制对特征向量的贡献度进行自动筛选。在西储大学(CWRU)轴承数据集上的故障诊断结果表明,在信噪比-4 dB的噪声干扰下,改进后的Transformer网络轴承故障诊断模型的准确率达90.21%,与原始Transformer模型相比,准确率提高了13.2%,在噪声环境下表现出优异的诊断性能。

关键词：轴承故障诊断视觉Transformer 宽卷积核自注意力机制局部-全局特征高效通道注意力

基于WDCNN-DLSTM的滚动轴承故障诊断方法

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2023年第13期23卷 5522-5529页

作者：刘万宇李宇鹏石怀涛陈智丽李思慧沈阳建筑大学机械工程学院沈阳110168 沈阳建筑大学计算机科学与工程学院沈阳110168

滚动轴承是机械设备中的核心部件,其运行状态对设备的运转有重要影响。深度学习作为滚动轴承故障诊断的重要方法越来越受到重视。由于传统的故障诊断方法没有充分利用数据时序性,提出了一种将第一层为宽卷积核的深度卷积神经网络(deep c... 详细信息

滚动轴承是机械设备中的核心部件,其运行状态对设备的运转有重要影响。深度学习作为滚动轴承故障诊断的重要方法越来越受到重视。由于传统的故障诊断方法没有充分利用数据时序性,提出了一种将第一层为宽卷积核的深度卷积神经网络(deep convolutional neural networks with wide first-layer kernels,WDCNN)和深度长短时记忆网络(deep long short-term memory networks,DLSTM)相融合的模型(WDCNN-DLSTM)。WDCNN将传统的CNN第一层卷积核尺寸加宽,提高了模型对一维振动信号中的空间特征信息的提取能力;DLSTM将多个LSTM模块进行堆叠,提高了模型对一维振动信号中时序信息的提取能力。WDCNN-DLSTM将二者通过连接层融合,优势互补,提高了模型的判别能力。通过实验结果表明,相较于一些其他模型,所提出的方法具有更高的精确度。在变负载的情况下,也仍然实现了更好的分类效果。

关键词：深度学习轴承故障诊断宽卷积核卷积神经网络深度长短时记忆网络

在线全文

学校读者我要写书评

暂无评论

基于可调谐激光器和深度学习的甲烷气体检测

基于可调谐激光器和深度学习的甲烷气体检测

作者：朱富海东北石油大学

学位级别：硕士

天然气主要成分为甲烷,约占85%。在天然气运输过程中,运输管道在长时间工作的情况下会存在泄漏的情况,当空气中的甲烷浓度达到5%,氧气浓度大于等于12%时,遇到明火,则会发生爆炸。为了防止发生安全事故,需要对管道周围进行甲烷气体的检... 详细信息

天然气主要成分为甲烷,约占85%。在天然气运输过程中,运输管道在长时间工作的情况下会存在泄漏的情况,当空气中的甲烷浓度达到5%,氧气浓度大于等于12%时,遇到明火,则会发生爆炸。为了防止发生安全事故,需要对管道周围进行甲烷气体的检测。传统TDLAS技术与深度学习的结合对甲烷气体进行高精度检测,对防止化学工业天然气爆炸,煤矿安全瓦斯爆炸,天然气大规模泄漏具有重要意义。本论文主要研究内容如下:首先,搭建了甲烷气体浓度数据采集TDLAS系统。然后利用该系统对痕量甲烷气体浓度二次谐波信号进行了采集,分析了系统中的噪声。其次,为解决传统TDLAS技术中人工筛选甲烷气体二次谐波信号,拟合最优幅值-浓度直线过程中时间较长的问题,同时提高对信号特征提取的能力,进一步提高痕量甲烷气体浓度的检测准确率。提出了一种基于宽卷积和宽卷积核一维卷积神经网络的痕量甲烷气体浓度检测方法。该方法利用宽卷积层和宽卷积核一维卷积层对痕量甲烷气体二次谐波信号进行特征提取,使网络进行一次卷积后能够获得甲烷气体浓度信号中更长序列以及该序列边界信息与气体浓度之间的特征关系。利用最大池化层对信号主要特征进行保留,去除冗余信息,减小计算量,简化网络复杂度。检测结果证明,该方法提高了甲烷气体检测效率与准确度。最后,针对在传统TDLAS技术中人为因素和噪声对甲烷气体浓度二次谐波信号幅值产生波动干扰的问题,在第四章模型的基础上加入深度残差收缩模块,减少卷积层数目,进一步减少模型参数量,提出了一种基于深度残差收缩宽卷积一维卷积神经网络的痕量甲烷气体浓度检测方法。该方法将加载进入模型中的二次谐波信号数据进行数据增强,然后利用一维卷积层对带有噪声的信号进行特征提取,加入软阈值化对带有噪声的信号进行降噪处理,最后利用全连接层输出甲烷气体浓度。实验结果表明利用该方法能够有效的降低噪声对甲烷气体二次谐波浓度信号幅值波动的影响,削减了幅值波动对气体浓度检测的干扰,提高了甲烷气体浓度检测准确度。

关键词：可调谐激光器 TDLAS技术宽卷积核残差模块一维卷积神经网络

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

球磨机负荷状态诊断与预警分析技术研究

球磨机负荷状态诊断与预警分析技术研究

作者：孟雪晴湖南大学

学位级别：硕士

球磨机作为选矿磨矿的关键机械设备,其作业时的负荷状态与生产效率、运行安全稳定性、生产指标及耗能等密切相关。球磨机连续封闭运行的复杂环境,造成筒内负荷状态难以描述和及时控制。开展球磨机负荷状态诊断和预警分析技术研究,一方... 详细信息

球磨机作为选矿磨矿的关键机械设备,其作业时的负荷状态与生产效率、运行安全稳定性、生产指标及耗能等密切相关。球磨机连续封闭运行的复杂环境,造成筒内负荷状态难以描述和及时控制。开展球磨机负荷状态诊断和预警分析技术研究,一方面针对实时运行状态判断磨机当前负荷,并做出相应的控制操作,及时止损,另一方面利用工业实时运行数据预测未来一定时间内的负荷变化情况,警示负荷变化趋势,及时采取措施。通过负荷状态诊断和预警分析技术研究,为选冶磨矿过程优化控制、提高磨矿效率提供有效可靠依据。本文以半自磨磨矿系统湿式球磨机为研究对象,以信号处理和深度学习方法为技术手段,完成磨机负荷状态诊断和预警分析。主要研究内容如下:首先阐述磨机负荷状态诊断与预警分析的意义,对比现有负荷状态诊断方法优缺点,总结归纳基于振动信号的磨机负荷状态诊断方法、预警分析方法研究现状。探究球磨机工作原理和半自磨系统磨矿工艺流程。深入研究基于筒体振动信号的磨机负荷状态诊断原理,分析振动信号产生机理以及信号与负荷间的相关性,并对球磨机生产过程中与负荷变化密切相关的主要运行参数进行介绍。针对选冶磨矿过程磨机负荷状态难以区分的问题,构建基于CSPCA与Kmeans相结合的负荷状态分类方法,选取与负荷相关的7种磨机出入口运行参数基于CSPCA方法降维,既表征变量的内部相关性有可表示不同MTS间的外部关系,对降维后的数据利用Kmeans聚类,基于模糊推理规则实现负荷状态分类。实验结果表明该方法具有更好的分类能力,可实现球磨机负荷状态有效分类。针对磨矿复杂工况下球磨机负荷状态准确诊断难题,提出一种基于DWRSNs的球磨机负荷状态诊断方法。首先采用宽卷积神经网络提取振动信号短时特征,并构建三层深度残差收缩网络,利用软阈值函数实现非线性变换,再基于注意力机制模块自主学习阈值提取面向负荷状态的高级特征,通过全连接层、softmax层实现球磨机负荷状态的准确分类与判别。实测结果证明,本文提出DWRSNs方法的拟合度、收敛速度及学习能力均优于现有DCNN、ResNet和DRSNs诊断方法,且提取的振动信号特征具有高代表性,经TSNE可视化后簇内紧密度高、簇间分界明显,本文方法诊断测试集准确率超过99%,交叉熵损失为0.0772,相较于现有负荷状态诊断方法具有更高的准确率且诊断耗时更少,可实现磨机负荷状态准确判别。针对球磨机负荷状态诊断实时性差操作不及时和难以预知负荷变化及时控制的问题,提出基于CNN-BiLSTM-Attention的磨机负荷预警方法。首先利用灰色关联度方法分析磨矿过程多种运行参数与负荷的相关性,选择关联度较高的数据完成负荷预警;筛选后的多种参数和负荷数据经预处理后利用CNN滤除无关信息并提取有效特征,采用BiLSTM方法实现数据双向时序特征学习,并利用注意力机制为贡献力不同的特征加权,通过全连接层、输出层输出负荷预警结果。实测结果证明,本文提出方法相较于传统的负荷预警方法具有更低的RMSE和MAE值,测试集负荷预测曲线与实际曲线拟合度更高,整体误差更小。最后基于本文提出的负荷诊断与预警方法,利用LabVIEW设计开发球磨机负荷状态诊断与预警分析系统,详细介绍系统架构和数据获取、负荷诊断、负荷预警、用户管理、数据储存等子模块,并利用工业实测数据测试系统功能,同时验证本文方法的合理性和准确性。

关键词：球磨机负荷深度残差收缩网络宽卷积核 BiLSTM神经网络注意力机制

一种基于新型轻量级神经网络的滚动轴承故障诊断方法

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

机械工程师 2022年第11期 59-62页

作者：陈洪明孟威谭力王建景林群煦五邑大学轨道交通学院广东江门529020

近年来随着传感器的技术进步,使得滚动轴承的故障数据获取成几何倍数增长。然而,传统的深度学习方法在处理海量数据时,常常会出现效率低、计算量与占用内存过大的问题。为解决这些问题,文中提出了一个双层宽核卷积神经网络(Two Wide Ker... 详细信息

近年来随着传感器的技术进步,使得滚动轴承的故障数据获取成几何倍数增长。然而,传统的深度学习方法在处理海量数据时,常常会出现效率低、计算量与占用内存过大的问题。为解决这些问题,文中提出了一个双层宽核卷积神经网络(Two Wide Kernel Convolutional Neural Network,TWCNN)模型用于滚动轴承故障诊断。该模型以一维振动信号作为输入(1D-TWCNN),通过在前两个卷积层中采用宽卷积核提取特征,实现了以较少的参数来获取更大的感受野,因此大幅地减少了网络模型的连接参数,使得模型的计算量大幅减少,效率提升。与传统的优秀轻量化模型MobileNetV3(Small)的变体和ShuffleNetV2相比,文中所提出的1D-TWCNN模型不仅总参数量远小于这两个模型。而且在滚动轴承的故障诊断中的诊断精度更高。

关键词：滚动轴承故障诊断轻量化模型宽卷积核卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于深度学习的机械故障诊断方法研究

基于深度学习的机械故障诊断方法研究

作者：陈周亮南昌航空大学

学位级别：硕士

本文是在国家自然科学基金(No.51675258,51261024,51075372),机械传动国家重点实验室开放基金(***-KFKT-201514)的资助下展开的。围绕深度学习为中心,针对旋转机械故障预测及诊断等方面展开研究,结合最新的多隐层人工神经网络,提出了基... 详细信息

本文是在国家自然科学基金(No.51675258,51261024,51075372),机械传动国家重点实验室开放基金(***-KFKT-201514)的资助下展开的。围绕深度学习为中心,针对旋转机械故障预测及诊断等方面展开研究,结合最新的多隐层人工神经网络,提出了基于深度学习的机械故障诊断新方法,并将提出的算法应用到机械故障诊断中,实验结果证明了提出方法的有效性。本文的主要研究内容包括了以下几个方面:第一章,论述了本课题的提出及其开展研究的意义,论述了深度学习的国内外研究现状及深度学习在机械故障诊断领域的研究现状。在此基础上提出了本文的主要研究内容、结构安排和创新之处。第二章,利用深度信念网络可以从低层逐步学习到更加抽象复杂的高层表示的特点,提出了基于深度信念网络的机械故障诊断方法。在提出的方法中,首先直接从轴承振动数据出发将振动信号输入到第一层RBM中,进行RBM的前向训练,经RBM的层层堆叠得到深度信念网络。之后对训练得到的深度信念网络进行后向参数微调,由最高层出发,依次向低层进行逐层参数微调,得到完整的深度信念网络模型。最后,利用训练得到的网络模型对机械设备进行故障诊断。实验结果表明,提出的方法能够实现故障特征的自适应提取和轴承健康状况的智能识别,克服了传统方法在特征提取和故障识别中需要依靠大量的信号处理知识和工程经验的不足,减少了人工参与故障诊断的因素。对比实验表明,提出的方法比传统基于小波方法、多变量特征和特征峭度方法具有更高的故障识别率。第三章,针对传统的卷积神经网络利用多个权值仅可获得很小的感受野以及训练过程中网络内部协变量易发生转移网络泛化能力不足的缺点,提出了BN-WCNN卷积神经网络。在提出的网络中,首先对原有的卷积神经网络进行了重新的设计,其中将第一层卷积核设计为宽卷积核,其余卷积层保持结构不变,同时在保持网络提取故障特征能力的情况下减少卷积核参数。这样做不但可以加深网络的深度,而且可以抑制网络的过拟合同。其次在卷积操作之后加入了BN处理,来防止网络内部协变量发生转移,提高网络的泛化能力。在完成网络的设计后,为了验证网络的有效性,将BN-WCNN网络应用于轴承故障诊断中。实验结果表明,提出的方法可以直接从时域振动信号中提取故障特征,对轴承故障进行高精度的识别,验证了提出方法的有效性。第四章,利用降噪自编码机可以在含噪声的样本中实现对数据重构的特点,将基于降噪自编码机的深度神经网络应用到含噪干扰的旋转机械设备故障诊断中。首先将旋转机械的频域信号输入到降噪自编码机中,利用多个降噪自编码机进行层层堆叠得到深度神经网络。在得到深度神经网络后,采用dropout技术对网络进行微调,完成网络的训练,并进行故障诊断。实验结果表明,提出的方法可以克服对信号处理知识、工程诊断经验的依赖以及噪声信号的干扰,自适应的从频域信号中直接提取故障特征。第五章,论述了传统采用单通道孤立信息进行机械设备状态监测和故障诊断方法的不足,并介绍了基于多通道信息融合的全矢谱技术及两传感器正交安装的双通道全矢谱数值计算方法。结合全矢谱技术在多信息融合方面的优势以及深度神经网络强大的建模和表征能力提出了全矢谱-DNN算法。算法中,首先利用全矢谱技术对多通道的机械振动数据进行融合,得到融合后的信息,并进行归一化处理。之后将信号输入到DAE网络中进行网络的训练,利用网络的逐层训练将多个DAE进行堆叠得到DNN网络。最后用训练得到的DNN网络进行轴承故障预测,实验结果表明,提出的方法能够很好的融合多通道的信息,具有很好的适应性和较高的预测精度。第六章,对各个章节作出了梳理和全面总结,并指出仍需改进优化的地方,对有必要进行深入持续研究的方向进行了展望。

关键词：深度学习故障诊断特征提取宽卷积核全矢谱旋转机械

基于一维WConv-BiLSTM的轴承故障诊断算法

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

电子科技 2021年第4期34卷 75-82页

作者：闫书豪乔美英河南理工大学电气工程与自动化学院河南焦作454000 煤炭安全生产河南省协同创新中心河南焦作454000

针对不同信噪比噪声干扰下的轴承故障诊断问题,文中建立了一种基于一维宽卷积核卷积神经网络和双向长短记忆神经网络的轴承故障诊断模型。向该模型输入轴承振动信号,通过短时傅里叶变换将振动信号转化为时频图。然后利用首层为宽卷积核... 详细信息

针对不同信噪比噪声干扰下的轴承故障诊断问题,文中建立了一种基于一维宽卷积核卷积神经网络和双向长短记忆神经网络的轴承故障诊断模型。向该模型输入轴承振动信号,通过短时傅里叶变换将振动信号转化为时频图。然后利用首层为宽卷积核的卷积神经网络和长短记忆神经网络分别提取其空间与时间特征,并结合全连接层实现分类。为增强抗噪性,模型采用数据增强、mini-batch和批量标准化的方法。试验采用CWRU的轴承故障数据集,通过添加不同信噪比噪声构造噪声干扰试验。试验表明该模型有较好的抗噪性,在信噪比为2 dB的噪声干扰下仍能取得98%以上的故障识别准确率。

关键词：轴承故障诊断卷积神经网络宽卷积核双向长短记忆神经网络短时傅里叶变换抗噪性