检索结果-内蒙古大学图书馆

华南农业大学学报 2025年第03期46卷 399-406页

作者：姜飞叶炜李兆星王洪凯王教瑜湖州师范学院工学院浙江大学湖州研究院浙江大学控制科学与工程学院浙江大学农业与生物技术学院浙江省农业科学院植物保护与微生物研究所

【目的】解决复杂环境中玉米叶片病害数据样本不均衡、检测精度低的问题。【方法】设计一种改进的目标检测网络SF＿YOLOv5。首先，在YOLOv5的多尺度金字塔结构基础上，设计一种新的空间-特征金字塔结构(SPD-FPN)，增强网络对小目标病害... 详细信息

【目的】解决复杂环境中玉米叶片病害数据样本不均衡、检测精度低的问题。【方法】设计一种改进的目标检测网络SF＿YOLOv5。首先，在YOLOv5的多尺度金字塔结构基础上，设计一种新的空间-特征金字塔结构(SPD-FPN)，增强网络对小目标病害特征在高分辨率层次上的识别能力，保留大目标在低分辨率层次上的信息，整体提升网络的检测精度和鲁棒性。其次，引入Focal Loss损失函数，通过增加难分类样本的权重，减少易分类样本的影响，确保模型能够更关注不平衡数据集中易被忽略的少量样本。此外，将迁移学习的思想应用于SF＿YOLOv5的设计中，将预训练得到的YOLOv5模型参数迁移到改进的SF＿YOLOv5网络上进行训练，利用已有的大规模数据集知识，提升网络对玉米病害检测的泛化能力。【结果】在构建的玉米病害数据集上验证SF＿YOLOv5模型的均值检测精度(mAP)达93.3%，召回率为89.6%，相比原始YOLOv5模型有显著提升。且模型体积较小，易部署于移动端设备。【结论】改进后的网络检测样本不均衡的玉米叶片病害效果优于原模型，可用于农田场景下样本不均衡的玉米病害的智能诊断，为农业领域实时监测玉米病害提供理论基础。

关键词：深度学习玉米病虫害特征交互样本不均衡

来源：评论

学校读者我要写书评

暂无评论

样本不均衡条件下基于自调整支持向量机的故障诊断

引用

北京理工大学学报 2013年第4期33卷 394-398页

作者：易辉宋晓峰姜斌刘宇芳周智华南京航空航天大学自动化学院江苏南京210016 国电科学技术研究院江苏南京210031

故障数据样本和正常运行数据样本量的不均衡将导致支持向量机在构建故障分类超平面时发生偏移,降低了基于支持向量机的故障诊断的诊断准确率.针对该问题,文中提出一种能够自动调整风险惩罚因子的新型支持向量机.该方法能够自举式地对有... 详细信息

故障数据样本和正常运行数据样本量的不均衡将导致支持向量机在构建故障分类超平面时发生偏移,降低了基于支持向量机的故障诊断的诊断准确率.针对该问题,文中提出一种能够自动调整风险惩罚因子的新型支持向量机.该方法能够自举式地对有效样本进行挑选,并加大高信息量数据样本的风险惩罚因子,抑制样本不均衡导致的分类超平面偏移,进而提高故障诊断的准确性.所提方法被用于变压器故障诊断实验,实验过程中正负样本的风险损失始终相等,有效地抑制了样本不均衡现象对诊断造成的影响,验证了所提算法的有效性.

关键词：故障诊断自调整支持向量机样本不均衡

来源：评论

学校读者我要写书评

暂无评论

样本不均衡下基于CGAN-CNN的逆变器故障诊断方法

引用

电源学报 2024年第6期22卷 318-326页

作者：孙权彭飞李宏胜于翔海孙国栋南京工程学院自动化学院南京211167 南京航空航天大学自动化学院南京211106

三相逆变器是电动汽车电机驱动系统的重要部件,当出现故障时因发生时间较短导致故障样本规模受限,进而造成样本不均衡。为解决上述问题,提出1种融合条件生成对抗网络CGAN(conditional generative adversarial network)与卷积神经网络CNN... 详细信息

三相逆变器是电动汽车电机驱动系统的重要部件,当出现故障时因发生时间较短导致故障样本规模受限,进而造成样本不均衡。为解决上述问题,提出1种融合条件生成对抗网络CGAN(conditional generative adversarial network)与卷积神经网络CNN(convolutional neural network)的逆变器故障诊断方法。首先将相电流作为故障敏感信号,经快速傅里叶变换FFT(fast Fourier transform)得到其频域特征,并进行归一化预处理;然后将各样本添加标签后输入CGAN模型进行对抗训练,生成各故障模式下的新样本。最后,采用CNN模型实现逆变器各类故障模式判别。实验结果表明,基于CGAN-CNN的故障诊断正确率可达98%以上,说明所提样本生成方法优于传统合成少数类过采样技术SMOTE(synthetic minority over-sampling technique)方法和生成对抗网络GAN(generative adversarial network)方法,可为新能源电动汽车智能运维提供理论支撑。

关键词：故障诊断样本不均衡样本生成条件生成对抗网络卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

样本不均衡下的DCGAN轴承故障诊断方法

引用

机械科学与技术 2022年第1期41卷 9-15页

作者：张笑璐邹益胜曾大懿彭飞赵市教西南交通大学机械工程学院成都610031 中车工业研究院有限公司北京100070

在实际工况下,轴承可采集到的故障样本分布往往呈现极强的不均衡特性,该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度,采用样本生成扩充的思路,提出一种基于深度卷积生成对抗网络的故障诊断方法。... 详细信息

在实际工况下,轴承可采集到的故障样本分布往往呈现极强的不均衡特性,该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度,采用样本生成扩充的思路,提出一种基于深度卷积生成对抗网络的故障诊断方法。首先针对轴承振动数据信号的特性,采用快速傅里叶变换使其转化为频域,并通过归一化进行预处理;其次利用深度卷积生成对抗网络进行对抗训练,生成具有真实样本特征的虚拟样本。模型采用衰减学习率并增设Dropout层,提高了模型生成的效率及真实性。最后,构建一维卷积神经网络模型完成故障诊断。实验验证结果表明,提出的方法能有效提高样本不均衡情况下的诊断精度以及诊断稳定性。

关键词：轴承故障诊断样本不均衡样本生成

来源：评论

学校读者我要写书评

暂无评论

样本不均衡时轴承故障的非平衡卷积网络诊断

引用

制造技术与机床 2023年第4期 174-180页

作者：裴红蕾无锡工艺职业技术学院机电与信息工程学院江苏宜兴214200

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神... 详细信息

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。

关键词：样本不均衡轴承故障诊断非平衡损失函数孪生神经网络变分自编码器

来源：评论

学校读者我要写书评

暂无评论

样本不均衡条件下交通标志检测方法研究

样本不均衡条件下交通标志检测方法研究

引用

作者：高尔峰苏州大学

学位级别：硕士

近年来人工智能的高速发展为车辆智能化的实现提供了技术条件,辅助驾驶、无人驾驶等智能驾驶技术已经成为当前研究和应用的热点。交通标志检测是智能驾驶中交通场景理解的重要内容,通过提供驾驶人员当前准确有效的交通标志信息,辅助驾... 详细信息

近年来人工智能的高速发展为车辆智能化的实现提供了技术条件,辅助驾驶、无人驾驶等智能驾驶技术已经成为当前研究和应用的热点。交通标志检测是智能驾驶中交通场景理解的重要内容,通过提供驾驶人员当前准确有效的交通标志信息,辅助驾驶人员迅速了解道路状况并及时做出预警,由此提高驾驶时的安全性、舒适性,因此,研究高效率、高精度的交通标志检测方法具有重要意义。传统的交通标志检测在实际应用中对光照、角度、复杂的背景、局部遮挡等因素敏感,基于深度学习的交通标志检测方法能很好地应对以上问题。然而,基于深度学习的交通标志检测方法仍然面临两大难题:交通标志在图像中的像素占比小,携带的特征信息十分有限,难以提取到具有鉴别力的特征,因此小目标检测问题是交通标志检测中的一大难题;交通标志类别繁多,正常采集的数据集往往使得部分交通标志类别缺乏样本,导致数据集中交通标志类别样本不均衡,数据集呈现长尾分布,而长尾目标检测问题是交通标志检测中的另一大难题。交通标志小目标和长尾目标检测问题对基于深度学习的交通标志检测方法的性能构成了不小的挑战。本文针对交通标志检测中的小目标检测问题和长尾目标检测问题,分别提出相应的解决方案,实现样本不均衡条件下的准确有效的交通标志检测。本文的主要研究内容如下:(1)研究卷积神经网络理论,分析卷积神经网络结构和参数调整优化算法。基于卷积神经网络理论,研究两阶段目标检测算法和单阶段目标检测算法的原理,重点分析了 R-CNN系列和YOLO系列算法,并总结这两类目标检测算法的特性及其优缺点,为后续章节相应交通标志检测模型的建立提供理论支撑。(2)提出自适应空间注意力特征融合(Adaptive and Attentive Spatial Feature Fusion,A2SFF)模块。研究分析常见的特征金字塔网络的特点,针对特征金字塔网络中最近邻插值上采样出现的混叠效应问题,采用子像素卷积上采样来扩大深层特征图,以提升深浅层特征图的融合效果。同时,在融合过程中运用空间注意力机制,增强重要区域特征并抑制非重要区域特征,过滤原特征图无用的信息,以提高小目标检测能力。实验表明所提出的A2SFF在交通标志小目标检测方面具有优越性和有效性。(3)提出层级分组Softmax检测器。由于数据集中样本不均衡,尾部类别没有充足的样本进行训练,导致尾部类别被头部类别竞争抑制。为解决类内竞争问题,通过构建标签树将不同类别进行分层分组,使得每组内类别样本数量相近,并根据标签树结构重新设计模型检测器和损失函数。实验表明所提出的层级分组Softmax检测器在交通标志长尾目标检测方面具有优越性和有效性。本文针对交通标志检测中小目标检测问题和长尾目标检测问题,提出A2SFF模块和层级分组Softmax检测器,用于提升样本不均衡条件下交通标志检测模型的性能,为交通标志检测提供了新路径,研究成果为交通标志检测的技术研究提供了良好的技术支撑。

关键词：交通标志检测深度学习小目标检测样本不均衡特征金字塔网络

来源：评论

学校读者我要写书评

暂无评论

样本不均衡条件下的高速公路交通事故建模及持续时间预测

样本不均衡条件下的高速公路交通事故建模及持续时间预测

引用

作者：陈俊宇华南理工大学

学位级别：硕士

高速公路交通事故的准确检测、快速救援能有效降低事故的影响,对提高道路安全水平与经济效益具有重要意义。而针对高速公路中交通事故影响程度大、波及范围广及样本不均衡等特性,传统的事故建模方法存在主观性强、精度低与可移植性差等... 详细信息

高速公路交通事故的准确检测、快速救援能有效降低事故的影响,对提高道路安全水平与经济效益具有重要意义。而针对高速公路中交通事故影响程度大、波及范围广及样本不均衡等特性,传统的事故建模方法存在主观性强、精度低与可移植性差等问题。近年来,基于数据驱动的方法为交通事故建模提供了丰富且有效的理论基础与实践研究,逐渐成为领域内的主流技术。因此,为提高高速公路交通事故的主动预防与应急处置水平,本研究通过调查道路运行特征与交通事故的内在联系,剖析事故在潜在风险阶段、发生阶段及影响阶段的影响因素,提出了针对不均衡样本条件下的交通事故风险预警、自动检测与持续时间预测的整体解决方案。研究的主要工作和成果如下: (1)为向交通事故建模提供数据分析依据,研究采用了高速公路交通事故数据、交通流参数时序与天气数据进行实例分析,并探究了事故发生阶段交通流的变化规律与影响事故发生的时空因素,最终设计了联合交通事故风险预警与自动检测的统一技术流程; (2)针对高速公路交通事故风险预警任务中样本不均衡与多元异构数据难解析问题,在考虑决策过程中的特征交互影响后,研究设计了一个新的由数据融合、特征交互与概率映射三种结构组件组成的深度网络SAIN;同时,为弱化样本不均衡带来的负面影响,研究在模型优化目标中引入了Focal Loss损失。通过对比实验发现,所提出的SAIN模型较其他基准模型具有更好的预测性能;且消融实验结果表明,加入的多元特征、模型结构组件与Focal Loss函数均能提高SAIN模型的预测效果; (3)针对高速公路交通事故自动检测任务中样本不均衡与小样本学习问题,提出了一种新的基于数据增强的交通事故检测方法ADASYN-XGBoost。该方法利用自适应合成过采样技术ADASYN生成事故类样本以平衡数据集的类别比例。然后,使用XGBoost筛选主要事故影响变量并构建交通事故自动检测模型。最后,在训练过程中使用贝叶斯超参数搜索方法优化模型。通过对比实验发现,所建立的ADASYNXGBoost模型较基准方法具有更好的检测效果;并且,消融实验的结果表明,使用XGBoost进行特征筛选能够过滤掉冗余特征,提高ADASYN模型的预测性能;相比较于传统机器学习模型,ADASYN进行数据增强后的检测效果更优; (4)针对高速公路交通事故持续时间预测任务中回归模型难拟合长尾分布数据的问题,本文提出基于核密度估计的样本权重计算方法改进随机森林算法训练过程中的采样概率,构建一个密度加权回归森林模型RFDW,并设计基于RFDW的高速公路交通事故持续时间预测技术流程。通过对比实验发现,所提模型的预测误差低于基准模型;同时,基于核密度加权的方法能够有效降低尾部数据的预测误差,缓解长尾数据给模型带来的精度损失。此外,研究通过SHAP分析进一步探究了各影响因素与事故持续时间的变化规律。综上所述,本文以提高样本不均衡条件下的数据驱动模型性能为切入点,设计了一种面向多元异构数据且考虑特征交互作用的交通事故风险预警模型(SAIN),以捕捉高速公路中的潜在事故风险,进而为高速公路使用者与管理者发出危险预警。同时,面对样本不均衡且不充分的事故数据,提出了一种交通事故自动检测方法(ADASYNXGBoost),能够高精度检测高速公路上发生的交通事故,及时发出事故告警以有利于避免二次事故的发生。面对长尾分布数据难拟合的问题,提出的密度加权随机森林模型(RFDW)可有效地预测已发生事故的持续时间,为交通管理部门和系统及时疏导、调度事故上游交通提供数据依据。因此,上述研究成果为高速公路先进交通事故管理与主动防控系统的建立与完善丰富了算法模型和技术理论,向实际高速公路中的交通事故预防与管控提供了更有效的理论方法。

关键词：交通事故风险预警交通事故自动检测交通事故持续时间预测数据驱动样本不均衡

来源：评论

学校读者我要写书评

暂无评论

样本不均衡条件下的光伏电池缺陷检测方法研究

样本不均衡条件下的光伏电池缺陷检测方法研究

引用

作者：蒋嘉程东南大学

学位级别：硕士

太阳能是世界上最重要的可再生能源之一,光伏发电是太阳能最主要的应用之一。在光伏组件中,光伏电池是最基本的单元。它一般是由铝框和玻璃层保护,但在生产和使用过程中难免会遭受机械、热力或者人为因素影响产生微裂纹或者其他缺陷,导... 详细信息

太阳能是世界上最重要的可再生能源之一,光伏发电是太阳能最主要的应用之一。在光伏组件中,光伏电池是最基本的单元。它一般是由铝框和玻璃层保护,但在生产和使用过程中难免会遭受机械、热力或者人为因素影响产生微裂纹或者其他缺陷,导致光伏组件的功率和寿命的降低。为了让光伏电站高效的运行,并尽可能减少人力成本,对光伏电池进行自动的缺陷检测是非常必要的。目前针对于光伏电池的缺陷检测已有一些研究,然而很少有方法关注到光伏电池数据集本身存在的样本不均衡问题给缺陷检测带来的影响。在实际场景中缺陷电池的数量往往很少,导致光伏电池图像数据收集过程中常会出现样本不均衡的问题——缺陷样本明显少于正常样本,这会大大增加缺陷检测模型的训练难度。因此,本文针对样本不均衡条件下的光伏电池缺陷检测任务开展了一系列研究,具体如下: (1)针对于光伏电池数据集中数据量不足并且含有缺陷的样本数量远少于正常样本数量的问题,从数据层面提出了结合缺陷提取和缺陷增强的光伏电池图像生成方法,用于平衡数据集中样本分布。首先针对光伏电池图像特性进行了数据增强研究,找到了适用于光伏电池图像的增强手段。接着提出了一种基于手工缺陷提取和缺陷增强的图像生成方法,从而获取不同尺度的缺陷特征信息。为了进一步获取更真实自然的缺陷特征边缘信息,提出了一种基于自动缺陷提取和缺陷增强的图像生成方法。最后,通过定量实验和消融实验对提出的图像生成方法的有效性进行了验证。 (2)针对于传统的深度学习模型无法高效利用缺陷数据信息,不能提取出更加具有表征能力的缺陷特征的问题,本文从光伏电池缺陷检测算法层面创新地提出了融合空间上下文信息和通道交互信息的电池缺陷特征模块。首先针对Electroluminescence(EL)图像中缺陷表现为细长形状的特点,引入了建模长程依赖的空间上下文信息模块以提取图像的全局空间信息,解决了缺陷像素点间距离较远而无法建立像素间依赖关系的问题。接着,为了解决空间上下文信息模块无法有效建立缺陷特征通道间相关性的问题,提出了基于通道注意力的通道信息交互捕获模块,以获取通道维度上的信息联系。最后,融合空间上下文信息模块和通道信息交互模块提出了一种能够同时捕捉空间长程依赖信息和通道交互信息的光伏电池缺陷特征提取模块,并通过定量实验和消融实验验证了该模块在样本不均衡情况下对于缺陷检测性能的提升。 (3)考虑到在深度学习中数据和算法的紧密联系,本文将提出的数据层面和算法层面方法进行有机结合,设计出适用于样本不均衡条件下的光伏电池缺陷检测整体方案。在数据层面采用图像生成方法平衡数据集样本分布,在算法层面让模型更加高效地提取出融合全局空间信息和通道交互信息的缺陷特征。为了提高缺陷检测的召回率,本文进一步将阈值漂移操作应用于检测模型的测试阶段。在公开光伏电池数据集和实际电站数据集上的一系列实验验证了整体方案在样本不均衡条件下缺陷检测的有效性和鲁棒性。 (4)基于上述研究,本文设计了一套完整的EL图像缺陷检测软件系统,为科研工作或者生产环境维护提供缺陷检测辅助服务。该系统在架构层面包含了业务层、服务层、算法层以及数据层,为用户提供了注册登录、模型导入、图像上传、缺陷检测、模型可视化图像显示以及历史检测记录查询服务。经过测试表明系统在功能和算法上都达到了设计目标,目前此系统已经在实验室内部正常使用。

关键词：光伏组件电致发光成像缺陷检测样本不均衡深度学习

来源：评论

学校读者我要写书评

暂无评论

样本不均衡及不同工艺条件下立铣刀磨损状态辨识方法研究

样本不均衡及不同工艺条件下立铣刀磨损状态辨识方法研究

引用

作者：史珂铭西南交通大学

学位级别：硕士

立铣刀由于加工范围广泛,是数控铣床上使用较多的一种铣刀。实际生产中,通常会在立铣刀的有效工作周期内,采取提前更换刀具的措施,避免立铣刀过度磨损影响产品加工质量,导致换刀频率和刀具成本增加。因此,准确辨识立铣刀的磨损状态,在... 详细信息

立铣刀由于加工范围广泛,是数控铣床上使用较多的一种铣刀。实际生产中,通常会在立铣刀的有效工作周期内,采取提前更换刀具的措施,避免立铣刀过度磨损影响产品加工质量,导致换刀频率和刀具成本增加。因此,准确辨识立铣刀的磨损状态,在保障产品生产质量的前提下,对提高生产效率、降低生产成本有着重要意义。以卷积神经网络为代表的深度学习方法因其强大的非线性特征提取能力,为立铣刀磨损状态辨识提供了一种“端到端”的解决思路。然而,加工过程中立铣刀磨损存在非均匀退化的现象、人工标记立铣刀磨损状态代价高且影响生产效率,致使基于深度学习模型辨识立铣刀磨损状态仍面临以下问题:1)立铣刀铣削过程中不同磨损状态样本数量不均衡,导致深度学习模型对少数类样本磨损状态辨识困难;2)立铣刀经常需在不同工艺条件下对产品进行加工,当前深度学习模型泛化性能不足,导致其对不同工艺条件下的立铣刀磨损状态辨识精度低。为此,本文开展了样本不均衡及不同工艺条件下立铣刀磨损状态辨识方法研究,主要研究工作如下:(1)开展了立铣刀磨损试验,进行了立铣刀磨损状态表征方法研究。基于生产现场条件,搭建铣削加工试验台,开展铣削试验并采集主轴振动数据,依据后刀面磨损带宽度将立铣刀磨损状态划分为四类,建立立铣刀磨损振动数据集。然后构建卷积神经网络提取立铣刀磨损振动样本的特征,基于该模型在恒定工艺条件、样本不均衡条件和不同工艺条件下开展立铣刀磨损状态表征实验,并进行多层级特征可视化分析。从表征实验结果可以发现,尽管卷积神经网络对恒定工艺条件下均衡数据集样本的磨损状态能取得较好表征效果,但对于样本不均衡和不同工艺条件下磨损特征聚类效果较差,不同磨损状态样本特征混叠严重,难以准确表征立铣刀的磨损状态,卷积神经网络的辨识能力有待进一步提升。(2)针对卷积神经网络和经典代价敏感辨识模型对样本不均衡条件下少数类样本磨损状态辨识精度低的问题,提出了一种基于深度特征加权卷积神经网络的立铣刀磨损状态辨识方法。该方法通过利用平衡影响因子和方差影响因子改进卷积神经网络中的原始交叉熵损失函数,重新加权特征信息,从而降低多数类样本对分类决策边界的干扰,提高各类磨损状态样本特征的聚集程度。实验结果表明所提方法能够有效提升样本不均衡条件下的立铣刀磨损状态辨识精度,并取得了比其他经典方法更优异的辨识结果。(3)针对卷积神经网络和经典迁移辨识模型对不同工艺条件下的立铣刀磨损状态辨识精度低的问题,提出了一种基于多类域适应卷积神经网络的立铣刀磨损状态辨识方法。该方法首先构建卷积神经网络提取磨损振动样本可迁移特征,利用最大均值差异缩小不同工艺条件样本的整体分布差异;再利用类间-类内距离约束增强模型的特征分布对齐能力;最后对目标域数据的输出概率矩阵采取最大化核范数的策略,以提取区分性高的目标域样本磨损特征。实验结果表明,多类域适应卷积神经网络摆脱对人工标记数据的依赖,取得了比其他典型深度学习模型更高的辨识精度。(4)基于以上研究成果,根据样本不均衡及不同工艺条件下立铣刀磨损状态辨识需求,开发了一套具备离线训练、在线测试功能的立铣刀磨损状态辨识监测系统,该系统可基于采集数据在线辨识立铣刀磨损状态,为工作人员做出换刀决策提供参考。

关键词：立铣刀磨损状态辨识卷积神经网络样本不均衡不同工艺条件

来源：评论

学校读者我要写书评

暂无评论

样本不均衡下的高速列车转向架故障诊断方法研究

样本不均衡下的高速列车转向架故障诊断方法研究

引用

作者：张曼西南交通大学

学位级别：硕士

近年来，我国高速铁路事业发展迅速，已成为惠及民生的重要交通方式。转向架是位于车体底部和轨道之间的走行装置，负责承载来自车体的各类载荷，牵引列车沿轨道正常行驶。在高速列车运行中，受运行环境、制造工艺以及运维频率等诸多因... 详细信息

近年来，我国高速铁路事业发展迅速，已成为惠及民生的重要交通方式。转向架是位于车体底部和轨道之间的走行装置，负责承载来自车体的各类载荷，牵引列车沿轨道正常行驶。在高速列车运行中，受运行环境、制造工艺以及运维频率等诸多因素影响，高速列车转向架监测数据中故障样本数量相对正常样本较少，数据中的样本分布不均衡导致主流故障诊断方法欠佳，无法及时有效诊断转向架的健康状态，导致转向架可能发生空簧失气、部件老化和轴承损坏等不可逆故障，严重危及车辆运行安全。因此，针对高速列车转向架监测数据中存在的样本分布不均衡问题，为实现对高速列车转向架故障的有效诊断，本文从数据和算法两个不同层面研究了故障诊断方法，工作内容如下：　　首先，对本课题的研究对象和实验所用数据集进行了详细说明。具体介绍了转向架四种主要部件及其一般故障类型，以及高速列车转向架故障数据集和凯斯西储滚动轴承故障公开数据集各自的仿真模型和数据采集方式，并采用滑动采样划分样本的方式对两个故障数据集进行预处理。　　然后，从数据层面出发，研究了一种基于VGAN（Vae Gan Model）数据生成模型的高速列车转向架故障诊断方法。结合生成对抗网络（Generative Adversarial Network,GAN）和变分自编码器（Variational Auto-encoder,VAE）设计数据生成模型VGAN，对原始监测数据中稀疏故障样本进行扩充，以平衡监测数据集，并借助残差神经网络完成故障诊断。在两个故障数据集上的实验结果均表明，VGAN能有效生成符合原始样本特征分布的故障样本，具备较好的数据扩充能力，能显著改善传统分类卷积神经网络在不均衡故障数据集上诊断故障的性能。　　最后，从算法层面出发，研究了一种基于MLFFCN（Multi-Lstm-Fcn Network with Focal Loss）故障诊断网络的高速列车转向架故障诊断方法。考虑到高速列车转向架故障数据为多分量、多通道特性的多维时序振动信号，MLFFCN利用全卷积神经网络（Fully Convolutional Network，FCN）和长短期记忆网络（Long Short-term Memory Network，LSTM），分别设计FCN分支和LSTM分支直接获取有限数据中的故障信息，并引入高效通道注意力机制来抑制通道冗余信息的干扰。同时，在训练过程中使用焦点损失函数对网络进行优化，以提高稀疏故障样本损失的权重。实验结果表明，所提方法在高速列车转向架故障数据集上取得了较好的故障诊断效果。

关键词：高速列车转向架故障诊断样本不均衡数据生成模型生成对抗网络变分自编码器

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：