本文针对滚动轴承故障诊断准确率不高的问题提出一种新方法。首先,将振动信号通过短时傅里叶变换(Short Time Fourier Transform,STFT)转化为时频图像构建数据集。其次,采用批量归一化算法和GeLU激活函数改进Alexnet网络,对不同工况的...本文针对滚动轴承故障诊断准确率不高的问题提出一种新方法。首先,将振动信号通过短时傅里叶变换(Short Time Fourier Transform,STFT)转化为时频图像构建数据集。其次,采用批量归一化算法和GeLU激活函数改进Alexnet网络,对不同工况的时频图像进行训练和故障诊断。在凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集试验中,改进后的Alexnet网络训练损失更低,收敛速度更快,故障识别准确率更高。最后,比较模拟滚动轴承损伤故障实验平台采集的样本数据,改进Alexnet网络的故障识别准确率为97.2%,明显优于Alexnet网络、SVM网络和CNN网络,验证了该改进方法的有效性。展开更多
针对电网在台风、冰冻等极端条件下发生故障的诊断问题,提出利用标准遥信及广域测量系统(wide area measurement system,WAMS)数据训练Alexnet模型,并应用于电网故障诊断的方案。首先利用标准故障遥信信息和WAMS数据构造Alexnet的输入...针对电网在台风、冰冻等极端条件下发生故障的诊断问题,提出利用标准遥信及广域测量系统(wide area measurement system,WAMS)数据训练Alexnet模型,并应用于电网故障诊断的方案。首先利用标准故障遥信信息和WAMS数据构造Alexnet的输入图片矩阵,对Alexnet进行训练。然后对Alexnet输入图片高维特征提取方法进行分析,提出构造最优分布结构的输入图片矩阵方法,并形成故障诊断模型。最后以海南岛电网遭受台风袭击为场景,搭建仿真模型对Alexnet故障诊断模型进行验证。展开更多
针对现有的纺织产品疵点分类方法数据集小,网络训练耗时较长以及准确率较低等问题,论文提出了一种使用迁移学习基于ALexNet模型的纺织产品疵点分类算法(Fabric Defect Classification Model based on AlexNet using Transfer Learning,F...针对现有的纺织产品疵点分类方法数据集小,网络训练耗时较长以及准确率较低等问题,论文提出了一种使用迁移学习基于ALexNet模型的纺织产品疵点分类算法(Fabric Defect Classification Model based on AlexNet using Transfer Learning,FDAT),首先,针对纺织产品疵点数据集数据量少的问题,通过基于大型数据集训练得到模型训练参数权重,利用迁移学习方法构建基于AlexNet的纺织产品疵点分类方法;其次,对输入纺织产品疵点数据进行特征提取,使用softmax分类器针对特征提取结果进行分类;最后,在TILDA纺织产品疵点数据集上进行了计算机模拟实验,实验结果表明,提出的FDAT模型对比传统小波变换算法,人工神经网络,DenseNet,ResNet以及Xception,可以有效地解决小样本分类问题,提高算法的准确率的同时,缩短网络分类耗时。展开更多
文摘本文针对滚动轴承故障诊断准确率不高的问题提出一种新方法。首先,将振动信号通过短时傅里叶变换(Short Time Fourier Transform,STFT)转化为时频图像构建数据集。其次,采用批量归一化算法和GeLU激活函数改进Alexnet网络,对不同工况的时频图像进行训练和故障诊断。在凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集试验中,改进后的Alexnet网络训练损失更低,收敛速度更快,故障识别准确率更高。最后,比较模拟滚动轴承损伤故障实验平台采集的样本数据,改进Alexnet网络的故障识别准确率为97.2%,明显优于Alexnet网络、SVM网络和CNN网络,验证了该改进方法的有效性。
文摘针对电网在台风、冰冻等极端条件下发生故障的诊断问题,提出利用标准遥信及广域测量系统(wide area measurement system,WAMS)数据训练Alexnet模型,并应用于电网故障诊断的方案。首先利用标准故障遥信信息和WAMS数据构造Alexnet的输入图片矩阵,对Alexnet进行训练。然后对Alexnet输入图片高维特征提取方法进行分析,提出构造最优分布结构的输入图片矩阵方法,并形成故障诊断模型。最后以海南岛电网遭受台风袭击为场景,搭建仿真模型对Alexnet故障诊断模型进行验证。
文摘针对现有的纺织产品疵点分类方法数据集小,网络训练耗时较长以及准确率较低等问题,论文提出了一种使用迁移学习基于ALexNet模型的纺织产品疵点分类算法(Fabric Defect Classification Model based on AlexNet using Transfer Learning,FDAT),首先,针对纺织产品疵点数据集数据量少的问题,通过基于大型数据集训练得到模型训练参数权重,利用迁移学习方法构建基于AlexNet的纺织产品疵点分类方法;其次,对输入纺织产品疵点数据进行特征提取,使用softmax分类器针对特征提取结果进行分类;最后,在TILDA纺织产品疵点数据集上进行了计算机模拟实验,实验结果表明,提出的FDAT模型对比传统小波变换算法,人工神经网络,DenseNet,ResNet以及Xception,可以有效地解决小样本分类问题,提高算法的准确率的同时,缩短网络分类耗时。