检索结果-内蒙古大学图书馆

中国机械工程 2023年第16期34卷 1907-1914页

作者：李大柱牛江梁树林池茂儒西南交通大学牵引动力国家重点实验室成都610031

为了实现对运营中车辆车轮扁疤损伤程度的实时精准监测,提出了一种时频能量谱与VGG16卷积神经网络相结合的车轮扁疤损伤程度估计方法,该方法通过对车辆运营中轴箱振动加速度信号的分析处理来实时定量估计车轮扁疤的损伤程度。建立了车... 详细信息

为了实现对运营中车辆车轮扁疤损伤程度的实时精准监测,提出了一种时频能量谱与VGG16卷积神经网络相结合的车轮扁疤损伤程度估计方法,该方法通过对车辆运营中轴箱振动加速度信号的分析处理来实时定量估计车轮扁疤的损伤程度。建立了车辆轨道刚柔耦合系统动力学模型和车轮扁疤数学模型,仿真计算不同扁疤损伤工况下的车辆轴箱振动响应。运用形态学滤波器以及完全噪声辅助集合经验模态分解结合Wigner-Ville分布的时频分析方法,将轴箱振动加速度信号滤波降噪后表达在时频能量谱中。构造了VGG16卷积神经网络模型,通过大量车轮扁疤故障数据的时频能量谱构造的训练集来训练VGG16模型。随机仿真若干车轮扁疤工况,对训练完善的VGG16模型进行测试验证。仿真试验表明,运用时频能量谱与VGG16模型结合的方法能准确地估计运营中车辆的车轮扁疤损伤程度,估计误差在1.6 mm内。

关键词：车轮扁疤形态学滤波完全噪声辅助聚合经验模态分解 Wigner-Ville分布 VGG16 时频能量谱

来源：评论

学校读者我要写书评

暂无评论

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

引用

铁道科学与工程学报 2023年第3期20卷 1032-1043页

作者：李大柱牛江梁树林池茂儒西南交通大学牵引动力国家重点实验室四川成都610031

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自... 详细信息

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明:所提出的方法对于车速、故障类型和故障程度都有很好的自适应能力,故障识别准确率可达97%,且泛化能力强。因此所提方法在车辆运营状态在线监测的应用中具有一定的理论意义和工程价值。

关键词：车轮故障诊断形态学滤波完全噪声辅助聚合经验模态分解 Wigner-Ville分布卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于改进核极限学习机的风电功率短期预测

引用

重庆理工大学学报（自然科学） 2023年第2期37卷 241-250页

作者：黄文聪潘风杨子潇常雨芳湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室武汉430068

针对环境变化造成风力发电功率波动大和核极限学习机易陷入局部最优解的问题,构建了一种基于完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)、小波阈值去噪和粒... 详细信息

针对环境变化造成风力发电功率波动大和核极限学习机易陷入局部最优解的问题,构建了一种基于完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)、小波阈值去噪和粒子群算法优化核极限学习机的风电功率短期预测模型。首先,利用CEEMDAN对风力发电输出功率密切相关的环境因素进行分解,得到若干个规律性较强的模态分量,利用阈值去噪法对含噪声较多的第一模态分量进行去噪,削弱环境因素的非平稳性;然后,将分解后的子分量和风电功率历史数据作为粒子群优化后的核极限学习机算法的输入进行预测;最后,选用河北张家口某风电场的实测数据进行实验对比分析。实验结果表明:所提出的改进风电功率预测组合模型的预测精度更高,适应于不同季节环境下的风电功率预测。

关键词：风电功率预测完全噪声辅助聚合经验模态分解小波阈值去噪核极限学习机粒子群算法

来源：评论

学校读者我要写书评

暂无评论

基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断

引用

铁道机车车辆 2024年第2期44卷 8-14页

作者：李大柱梁树林池茂儒许文天西南交通大学牵引动力国家重点实验室成都610031

现有列车车轮失圆监测方法的准确性受车速及线路条件影响较大,为了更准确地监测车轮服役状态,文中提出基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断方法:车辆轴箱垂向振动加速度经数学形态学滤波器滤波降噪后,运用完全噪声辅助聚合经验... 详细信息

现有列车车轮失圆监测方法的准确性受车速及线路条件影响较大,为了更准确地监测车轮服役状态,文中提出基于形态学滤波和CEEMDAN-WVD的车轮失圆诊断方法:车辆轴箱垂向振动加速度经数学形态学滤波器滤波降噪后,运用完全噪声辅助聚合经验模态分解(CEEMDAN)将其分解为一系列的固有模态函数(IMF),然后选取能量熵增量相对较大的几阶IMF分量进行Wigner-Ville分布(WVD)计算,从而叠加得到轴箱振动加速度的多尺度时频图,最后根据多尺度时频图的分布特征来诊断车轮状态。通过仿真分析和工程实例研究结果表明,运用该方法可有效地识别复杂工况下的车轮服役状态。

关键词：车轮失圆形态学滤波完全噪声辅助聚合经验模态分解 Wigner-Ville分布多尺度时频图

来源：评论

学校读者我要写书评

暂无评论

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

引用

机床与液压 2022年第15期50卷 194-200页

作者：宋振军高丙朋庄国航刘前进赵恒辉新疆大学电气工程学院新疆乌鲁木齐830047

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet... 详细信息

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明:与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。

关键词：故障诊断注意力机制残差网络完全噪声辅助聚合经验模态分解麻雀搜索算法支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于遗传粒子群优化的热负荷预测方法

引用

中国测试 2024年第6期50卷 131-138,147页

作者：谢文举薛贵军史彩娟李水清华北理工大学电气工程学院河北唐山063210 华北理工大学智能仪器厂河北唐山063210 华北理工大学人工智能学院河北唐山063210

集中供热系统一次网热负荷预测对于换热站能源合理分配具有重大意义,针对换热站之间存在较强的耦合性,如何保证换热站实现节能减排的同时并保证热用户的舒适性是供热行业的首要任务,提出一种基于遗传粒子群的混合神经网络(GAPSO-CNN-BiL... 详细信息

集中供热系统一次网热负荷预测对于换热站能源合理分配具有重大意义,针对换热站之间存在较强的耦合性,如何保证换热站实现节能减排的同时并保证热用户的舒适性是供热行业的首要任务,提出一种基于遗传粒子群的混合神经网络(GAPSO-CNN-BiLSTM)预测模型。首先,利用热负荷历史值、供水流量、供水温度以及回水压力构建模型输入;然后,利用完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将供热负荷分解为不同子序列,以弱化供热负荷数据复杂程度,挖掘数据内部潜在特征;其次,为进一步减少模型计算时间,根据样本熵(sample entropy,SE)对子序列进行合并;最后,利用所提模型对不同子序列进行预测重构。实验表明所提模型相比LSTM、CNN-LSTM以及粒子群优化的混合神经网络(PSO-CNN-LSTM)在供热负荷预测中精度分别提高42%,32%,30%拥有更出色的特征提取能力和精度。

关键词：完全噪声辅助聚合经验模态分解样本熵遗传粒子群一次网热负荷预测

来源：评论

学校读者我要写书评

暂无评论

基于CEEMDAN的优化神经网络的锂离子电池RUL预测方法研究

基于CEEMDAN的优化神经网络的锂离子电池RUL预测方法研究

引用

作者：李佳伟桂林理工大学

学位级别：硕士

随着我国承诺的碳达峰与碳中和日期日益临近,我国对新能源产业的扶持力度也逐渐加强,这进一步推动了我国新能源产业的发展,与之相关的电池行业也有了较大的提升,其中的锂离子电池由于其较好的性能获得了最大的关注度。而由锂离子电池引... 详细信息

随着我国承诺的碳达峰与碳中和日期日益临近,我国对新能源产业的扶持力度也逐渐加强,这进一步推动了我国新能源产业的发展,与之相关的电池行业也有了较大的提升,其中的锂离子电池由于其较好的性能获得了最大的关注度。而由锂离子电池引发的安全事故时有发生,一旦产生,造成的损失是难以估量的。因此对锂离子电池的健康状况与剩余使用寿命(RUL)的预测问题进行研究,能够极大的提高锂离子电池在运行时的安全系数,有效保障人们的生命安全与财产安全,所以研究锂离子电池的寿命预测问题具有重要的现实意义。本文以锂离子电池作为研究对象,对锂离子电池的RUL预测方法进行了一系列研究,主要的研究工作如下:针对现有的融合方法对锂离子电池寿命退化数据的隐含特征应用不充分,不完全的问题,提出了使用特征提取方法来对原始的锂离子电池寿命退化参数信号进行分解后再预测的方法。且对其中较适合提取锂离子电池寿命退化数据特征的方法作了介绍并进行了详细对比,选出其中最适合锂离子电池RUL预测的方法——完全噪声辅助聚合经验模态分解方法(CEEMDAN)来进行接下来的预测。针对现有的融合方法在锂离子电池寿命退化预测方面选取的神经网络适合度不够的问题,提出了一个多模型对比实验。对现有的较为适合锂离子电池RUL预测的多种方法作了介绍并进行了详细对比,选出其中最适合锂离子电池RUL预测的模型——双向门控循环单元(Bi GRU)作为整个方法的预测模型。针对神经网络模型在进行人工调参时的低效与最终模型不理想的问题,提出了使用自动优化模型来对神经网络模型进行优化的方法,优化其影响预测精度较大的学习率与隐藏层神经元个数。对现有的两种较为适合对神经网络模型进行自动优化的优化方法作了介绍并进行了一系列的对比,经过多次实验对比发现,每次Hyperband(HB)自动优化模型相比贝叶斯优化模型都更适合应用在锂离子电池RUL预测上,所以选用HB优化模型来对Bi GRU模型进行自动优化。最后为了验证所提CEEMDAN-HB-Bi GRU锂离子电池RUL预测方法在预测锂离子电池RUL方面的适合度,进行了有效性实验,并得到最终的预测结果,结果误差分别为0,1,0个充放电周期,通过对比其他算法预测结果发现,本文所提算法有着较高的预测精度。

关键词：锂离子电池剩余使用寿命完全噪声辅助聚合经验模态分解双向门控循环单元 Hyperband

来源：评论

学校读者我要写书评

暂无评论

基于心电的睡眠分期方法及其应用

基于心电的睡眠分期方法及其应用

引用

作者：赵杰河北工业大学

学位级别：硕士

睡眠是一种重要的生理活动,其质量是评价人体健康的重要指标。准确的睡眠分期是进行睡眠质量评估的前提,也是进行睡眠研究的基础。传统的睡眠分期是通过多导睡眠图(PSG)进行的,其获取方法较为复杂,需要大量的人力和物力,且需要在实验室... 详细信息

睡眠是一种重要的生理活动,其质量是评价人体健康的重要指标。准确的睡眠分期是进行睡眠质量评估的前提,也是进行睡眠研究的基础。传统的睡眠分期是通过多导睡眠图(PSG)进行的,其获取方法较为复杂,需要大量的人力和物力,且需要在实验室或者医院进行,难以满足日常睡眠监测的需求。因此,寻找一种简单有效的睡眠分期方法,成为亟待解决的问题。本研究在分析心率变异性(HRV)和睡眠分期关系的基础上,提出了一种基于心电(ECG)信号的自动睡眠分期方法。首先,联合完全噪声辅助聚合经验模态分解(CEEMDAN)算法和快速独立分量分析(Fast ICA)算法的优点滤除睡眠状态下ECG信号中的噪声;其次,使用Pan-Tompkin算法提取ECG信号中的RR间期序列,并剔除异常值;然后,使用小波包分解(WPD)对RR间期序列进行分解并提取能量特征,得到HRV特征;最后,使用随机森林(RF)算法对特征数据进行建模,实现自动睡眠分期,其具体内容如下所示:1、联合CEEMDAN算法和Fast ICA算法的优点提出了一种基于CEEMDANFast ICA的ECG信号降噪方法,并将本实验算法与小波阈值法(WT-Subband)和S变换法进行对比,根据结果讨论降噪算法的优劣性。2、介绍了HRV的时域分析、频域分析和非线性分析方法,且将WPD算法应用到HRV特征提取中,并设计了基于ECG信号的自动睡眠分期算法。3、使用RF算法对经过预处理后的数据进行训练和测试,得到睡眠分期模型,实现清醒期(W)、非快速眼动期(NREM)和快速眼动期(REM)的自动睡眠分期。本实验通过CEEMDAN-Fast ICA对ECG信号进行降噪,并使用WPD算法提取RR间期序列的HRV特征,然后使用RF算法得到睡眠分期模型,实现了基于ECG信号的自动睡眠分期。由实验结果可知,健康受试者睡眠分期的精确率、召回率、F-值和准确率分别为0.720、0.729、0.716和72.9%,患有睡眠障碍受试者睡眠分期的准确率、召回率、F-值和准确率分别为0.780、0.777、0.843和77.8%,能够满足日常睡眠监测需求。

关键词：完全噪声辅助聚合经验模态分解心率变异性小波包分解随机森林睡眠分期

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：