基于1d-MSCNN+GRU的工业入侵检测方法研究

针对传统机器学习方法对特征依赖大,以及传统卷积神经网络只通过提取重要的局部特征来完成识别分类,收敛速度慢的问题,提出了一维多尺度卷积神经网络和门控循环单元相结合的入侵检测方法。该方法使用一维多尺度卷积神经网络加强对特征的捕捉能力,加快收敛速度,采用门控循环单元把握空间特征,减少通道数量扩张,降低数据维度。使用KDD CUP 99数据集和密西西比州大学的天然气管道的数据集进行仿真实验,结果表明与经典的机器学习分类器相比,该方法具有较高的入侵检测性能和较好的泛化能力。

变工况的滚动轴承智能故障诊断方法

针对变工况下滚动轴承故障关键特征难提取的问题,提出了基于多尺度多注意力融合的一维卷积神经网络滚动轴承故障诊断方法。采用多尺度模块提取1DCNN对多尺度特征,通过多注意力机制加强了1DCNN对关键信息提取能力,将多尺度模块和多注意力机制融合,给出了多尺度和多注意力融合方法,构建了多尺度多注意力融合的1DCNN。以美国凯斯西储大学开放轴承数据库样本为测试对象,在不同噪声和不同载荷的工况下,将该方法与其他深度学习方法进行了对比分析。结果表明,该方法在不同载荷和不同噪声条件下平均准确率在99%以上,在T-SNE可视化下的分类效果也更显著。