期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于深度卷积神经网络的变电站局部放电缺陷诊断方法 认领 引用
1
作者 陈咏秋 丁中奎 +2 位作者 陈亮 高铭 刘洋 《电子设计工程》 2026年第5期153-157,共5页
现行的变电站局部放电缺陷诊断方法存在时效性与准确性方面存在不足,难以达到预期的诊断效果,为此,提出基于深度卷积神经网络的变电站局部放电缺陷诊断方法。通过对变电站混频信号进行处理,提取变电站有效运行信号,利用格拉米角场(Grami... 现行的变电站局部放电缺陷诊断方法存在时效性与准确性方面存在不足,难以达到预期的诊断效果,为此,提出基于深度卷积神经网络的变电站局部放电缺陷诊断方法。通过对变电站混频信号进行处理,提取变电站有效运行信号,利用格拉米角场(Gramian Angular Field,GAF)算法将处理后的时间序列信号转换为二维图像,输入深度卷积神经网络,提取局部放电缺陷特征并进行分类,识别诊断局部放电缺陷类别,实现基于深度卷积神经网络的变电站局部放电缺陷诊断。经实验证明,所提方法诊断时延不超过11 ns,诊断结果均在95%置信区间内,可以实现对局部放电缺陷的有效诊断。 展开更多
关键词 深度卷积神经网络 变电站 局部放电 GAF算法
暂未订购 下载PDF
基于相似日聚类和时序图像特征提取的光伏功率预测方法 认领 引用
2
作者 郭威 徐立 +3 位作者 汤旭晶 赵丹阳 陈昉林 汪恬 《太阳能学报》 EI CAS CSCD 北大核心 2026年第5期650-659,共10页
提出一种融合时序图像特征提取的混合深度学习光伏功率预测模型。首先,基于综合相关系数法构建多维气象特征筛选机制,实现关键影响因子的优化选择。其次,提出融合LB_Keogh距离的动态时间规整(DTW)度量方法,对K-中心点聚类算法进行改进,... 提出一种融合时序图像特征提取的混合深度学习光伏功率预测模型。首先,基于综合相关系数法构建多维气象特征筛选机制,实现关键影响因子的优化选择。其次,提出融合LB_Keogh距离的动态时间规整(DTW)度量方法,对K-中心点聚类算法进行改进,增强了算法的鲁棒性和聚类效率,实现了晴天、多云和阴雨天气模式的准确划分。最后,将选定的高相关性气象特征变量和历史光伏功率数据转换为二维格拉姆角场图像,输入到CSWin-Transformer模型进行功率预测。与对比模型相比,所提模型在3种典型天气工况下均表现出更高的预测精度。 展开更多
关键词 光伏发电 功率预测 深度学习 聚类算法 格拉姆角场 CSWin-Transformer
暂未订购 下载PDF
GADF-CNN与IGCRA优化的XGBoost齿轮箱故障诊断方法 认领 引用
3
作者 杨焕峥 薛洪惠 卞达 《组合机床与自动化加工技术》 北大核心 2026年第7期163-169,174,共7页
针对工业齿轮箱在自动化加工系统中运行过程中常见的故障识别滞后与特征提取能力不足的问题,提出一种GADF-CNN与IGCRA优化XGBoost的智能故障诊断方法,以提升复杂工况下的故障检测精度与响应速度。该方法首先采用格拉姆角差场(GADF)将齿... 针对工业齿轮箱在自动化加工系统中运行过程中常见的故障识别滞后与特征提取能力不足的问题,提出一种GADF-CNN与IGCRA优化XGBoost的智能故障诊断方法,以提升复杂工况下的故障检测精度与响应速度。该方法首先采用格拉姆角差场(GADF)将齿轮箱振动信号转换为二维图像特征,有效保留时序结构与变化趋势;随后利用二维卷积神经网络(2D CNN)提取深层图像特征,增强特征表达能力,并输入至XGBoost分类器进行故障判别。为进一步提升模型性能,设计改进的大蔗鼠优化算法(IGCRA),融合非线性权重和自适应因子、正余弦和麻雀警戒策略,有效提高超参数寻优的收敛效率与全局搜索能力。基于东南大学齿轮箱数据集的试验结果表明,该方法故障诊断准确率达到98.75%,显著优于GADF-XGBoost等,为自动化加工设备健康监测提供了智能支撑。 展开更多
关键词 格拉姆角差场 改进的大蔗鼠优化算法 极端梯度提升 齿轮箱 故障诊断
暂未订购 下载PDF
基于改进灰狼优化算法优化变分模态分解的降噪重构方法 认领 引用 被引量：1
4
作者 凌志伟 韩志刚 +1 位作者 胡豪 魏梦路 《机电工程》 CAS 北大核心 2026年第4期712-724,共13页
针对在复杂噪声环境下三相异步电机滚动轴承故障诊断准确率低的问题,提出了一种基于改进灰狼优化算法优化变分模态分解(IGWO-VMD)的降噪重构方法,构建了以Resnet为基础、融合双注意力机制的多源数据融合故障诊断模型。首先,在初始的灰... 针对在复杂噪声环境下三相异步电机滚动轴承故障诊断准确率低的问题,提出了一种基于改进灰狼优化算法优化变分模态分解(IGWO-VMD)的降噪重构方法,构建了以Resnet为基础、融合双注意力机制的多源数据融合故障诊断模型。首先,在初始的灰狼优化算法(GWO)中引入了伯努利混沌映射(Bernoulli)和差分算法(DE),解决了种群初始化产生的分布不均匀和易陷入局部最优、早熟停滞的缺点;然后,使用IGWO-VMD算法分解了含噪信号,基于峭度准则重构了信号后,进一步利用奇异值分解(SVD),依据奇异值曲线的拐点进行了二次重构,获得了去噪信号,并在时域分析中提取了电流特征信号与振动特征信号;利用格拉姆角差场算法(GADF)将特征信号转换为二维数据图像,进行了电流信号和振动信号的数据图像融合;最后,构建了以残差网络(ResNet)为基础、加入通道注意力机制和空间注意力机制的故障诊断模型,并搭建了实验平台,验证了该模型的性能。研究结果表明:利用数值仿真和实验结果验证了IGWO-VMD算法结合SVD算法去除复杂噪声的有效性,引入的空间注意力机制与通道注意力机制显著提升了故障诊断模型的精度,准确率达到了98.21%。与传统轴承故障诊断方法相比,该方法具有更高的诊断准确性和实用性。 展开更多
关键词 复杂噪声 三相异步电机 多源数据融合 灰狼优化算法 变分模态分解 格拉姆角差场 注意力机制 降噪重构方法
暂未订购 下载PDF
基于改进CNN-LSTM的开关闩故障诊断方法 认领 引用 被引量：2
5
作者 高振华 秦奋起 +1 位作者 王琳琳 于存贵 《兵工学报》 EI CAS CSCD 北大核心 2025年第9期49-58,共10页
针对某舰炮开关闩机构关重件磨损和弹簧弹性减弱两类典型故障模式,传统故障诊断方法主要依赖于人工检查、专家经验推理和理论仿真等方法,不仅时间周期较长,而且诊断精度难以保证。针对此问题,采用深度学习的方法,提出一种基于麻雀搜索算... 针对某舰炮开关闩机构关重件磨损和弹簧弹性减弱两类典型故障模式,传统故障诊断方法主要依赖于人工检查、专家经验推理和理论仿真等方法,不仅时间周期较长,而且诊断精度难以保证。针对此问题,采用深度学习的方法,提出一种基于麻雀搜索算法(Sparrow Search Algorithm,SSA)的格拉姆角场结合卷积神经网络和长短期记忆神经网络(Graham Angle Field-Convolutional Neural Network-Long Short-Term Memory,GAF-CNN-LSTM)的开关闩故障诊断方法。通过试验台架采集开关闩机构故障原始信号并进行预处理,通过时频分析法和格拉姆角场法建立一维时序数据和二维图像故障数据集;将故障数据集分别输入到使用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)通道中,利用CNN强大的空间特征提取能力和LSTM挖掘数据时序特征能力进行特征提取,并将二者得到的特征信息进行融合,在全连接层和激活函数的作用下输出诊断结果;通过SSA对GAF-CNN-LSTM网络结构中的超参数进行优化,提高模型的诊断精度和适用性。经测试数据验证:提出的SSA-GAF-CNN-LSTM故障诊断模型不仅可以更精准地诊断开关闩机构故障类型,而且具有更强的泛化能力及抗干扰能力,有效地提高了开关闩机构故障诊断的性能。 展开更多
关键词 故障诊断 开关闩机构 深度学习算法 群体智能优化算法 格拉姆角场
暂未订购 下载PDF
基于GADF-CNN-PSA-XGBOOST的齿轮箱故障诊断 认领 引用 被引量：1
6
作者 袁泉 李刚 齐金平 《机床与液压》 北大核心 2025年第23期147-151,共5页
针对齿轮箱故障诊断准确率不足的问题,提出一种GADF-CNN-PSA-XGBOOST的齿轮箱故障诊断方法。利用格拉姆角场差(GADF)时频分辨率高、可以深度反映时间序列内在结构和关系的特点,将采集到的一维故障数据信号转为具有高时频分辨率的二维图... 针对齿轮箱故障诊断准确率不足的问题,提出一种GADF-CNN-PSA-XGBOOST的齿轮箱故障诊断方法。利用格拉姆角场差(GADF)时频分辨率高、可以深度反映时间序列内在结构和关系的特点,将采集到的一维故障数据信号转为具有高时频分辨率的二维图像,并对图像进行降维处理。采用卷积神经网络(CNN)对GADF生成的二维图像进行自适应故障特征提取,将其全连接层输出作为XGBOOST分类器的输入,并采用PID搜索算法对XGBOOST分类器的关键参数进行优化。为验证该方法的有效性,使用东南大学齿轮箱公开数据集进行实验。t-SNE可视化结果表明,经CNN特征提取后各类故障样本的区分度明显增强;该方法故障诊断的准确率达到98.5%,较传统格拉姆角场和转化方法提升显著;与WT-ICNN、LFGRU等现有主流诊断方法相比,该方法诊断准确率较高,具有优越的故障诊断性能。 展开更多
关键词 齿轮箱 故障诊断 格拉姆角场差 卷积神经网络 PID搜索算法
暂未订购 下载PDF
基于GAF-CNN与MISSA-XGBoost的高压隔离开关故障诊断方法 认领 引用
7
作者 董媛 马宏忠 +3 位作者 张驰 葛轩豪 徐睿涵 胡国栋 《科学技术与工程》 EI 北大核心 2025年第31期13416-13426,共11页
针对变电站中高压隔离开关因复杂环境和长期运行引发的机械故障诊断问题,提出了一种基于格拉姆角场(Gramian angular field,GAF)结合卷积神经网络(convolutional neural network,CNN)特征提取与多策略改进麻雀搜索算法(multi-strategy i... 针对变电站中高压隔离开关因复杂环境和长期运行引发的机械故障诊断问题,提出了一种基于格拉姆角场(Gramian angular field,GAF)结合卷积神经网络(convolutional neural network,CNN)特征提取与多策略改进麻雀搜索算法(multi-strategy improved sparrow search algorithm,MISSA)优化的极端梯度提升(extreme gradient boosting,XGBoost)故障诊断方法。通过GAF将高压隔离开关的振动信号转换为二维图像,生成相应的图像集,并利用CNN进行特征提取;引入MISSA优化XGBoost分类器的参数,建立高压隔离开关机械故障诊断模型;最后基于该模型识别不同的状态类型。实验结果表明,与传统故障诊断模型相比,所提方法的识别准确率超过96%,能够有效识别高压隔离开关的机构卡涩、松动和三相不同期故障,为高压隔离开关状态检修提供了理论依据。 展开更多
关键词 高压隔离开关 振动信号 格拉姆角场 多策略改进麻雀搜索算法 XGBoost分类器 故障诊断
暂未订购 下载PDF
基于组合赋权与模型自优化的能力评价 认领 引用
8
作者 张睿 白晓露 +3 位作者 赵娜 李吉 潘理虎 陈立潮 《计算机工程与设计》 北大核心 2022年第8期2342-2351,共10页
综合考虑评价流程中的综合性、自适应性、可靠性等因素,提出基于组合赋权与模型自优化的能力评价方法,以多级评价指标组合赋权结合改进模糊算法构建评价数据集;利用格拉姆角和场空间域转换优化序列样本信息丰富度,将粒子群优化算法、迁... 综合考虑评价流程中的综合性、自适应性、可靠性等因素,提出基于组合赋权与模型自优化的能力评价方法,以多级评价指标组合赋权结合改进模糊算法构建评价数据集;利用格拉姆角和场空间域转换优化序列样本信息丰富度,将粒子群优化算法、迁移学习与神经网络模型有效结合,通过模型中10个参数自适应全局寻优,构建出适用于小样本、具备自学习能力的P-TMVGG评价模型。通过实例验证了所提方法的有效性,为相关领域构建综合评价、预测、诊断体系及方法设计提供新的思路。 展开更多
关键词 组合赋权 格拉姆角和场 粒子群优化算法 自适应 迁移学习 综合评价
暂未订购 下载PDF
基于凌日搜索优化CNN/BI-GRU的电能质量扰动分类方法 认领 引用 被引量：1
9
作者 高帅 杨永超 +1 位作者 童占北 钟建伟 《湖北民族大学学报（自然科学版）》 CAS 2024年第3期361-367,共7页
针对复杂电能质量扰动分类方法识别准确率不高的问题,提出了一种基于凌日搜索优化多模态网络模型的电能质量扰动分类方法。首先,利用格拉姆角场对初始一维时序信号进行数据处理得到二维图像数据;然后,分别将时序信号与图像数据输入多模... 针对复杂电能质量扰动分类方法识别准确率不高的问题,提出了一种基于凌日搜索优化多模态网络模型的电能质量扰动分类方法。首先,利用格拉姆角场对初始一维时序信号进行数据处理得到二维图像数据;然后,分别将时序信号与图像数据输入多模态网络中进行特征提取,利用凌日搜索算法优化多模态网络参数,提升网络特征捕获能力;再通过特征融合模块,将时序特征和图像特征有效融合;最后,利用自注意力机制增强网络模型对下文信息的理解能力。结果表明,在无噪声环境下分类准确率达到99.2%,在不同信噪比环境下平均分类准确率达到98.3%。该研究能对新型电力系统中愈加复杂的电能质量扰动实现准确的分类,与传统分类方法相比鲁棒性较强。 展开更多
关键词 电能质量扰动 深度学习 格拉姆角场 特征融合 凌日搜索算法 自注意力机制
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈