基于1D-CNN提取Cl2紫外吸收谱特征的浓度反演方法研究

开放环境下氯气泄漏的准确检测一直是氯碱生产企业亟待解决的难题,差分吸收光谱技术(DOAS)可以实现大气中的污染气体的痕量远距离测量,而氯气的紫外吸收光谱呈现“慢变化”的特征,无法用差分的方法分离吸收特征与噪声信号。提出了一种基于一维卷积神经网络(1D-CNN)的氯气浓度反演算法来充分利用光谱信息,通过逐层提取氯气的吸收特征,解决了传统算法容易受噪声干扰导致反演精度下降的问题。与常用的最小二乘法(LS)、多层感知机(MLP)、支持向量机(SVR)和k近邻(KNN)方法相比,该算法的反演结果相比实测数据的准确度最高(R2=0.996,RMSE=4.40,MAE=2.64,SMAPE=8.51%)。由于系统中不可避免的随机噪声会对检测产生干扰,对比了S-G滤波、傅里叶变换、奇异值分解和小波变换分解算法的预处理效果。结果表明,S-G滤波和小波分解算法可以在去除噪声的同时保留氯气的吸收特征信息,进一步提高氯气浓度反演模型的性能。所提出的浓度反演算法为实现开放环境下氯气泄漏的远距离定量检测提供了新的可行方法。

基于1D-CNN的油田注水泵振动故障智能诊断及应用

针对油田无人值守站点注水泵故障智能诊断的问题,提出了一种基于一维卷积神经网络(1DCNN)的振动信号故障诊断模型。利用1D-CNN对时域信号特征进行提取和重组,将重组信号作为故障诊断模型的输入并进行故障分类。研究结果表明,基于1D-CNN的故障诊断模型对现场故障信号的识别精确率达97.00%,表明该模型能有效诊断注水泵关键部件的故障,保障油田生产安全和经济效益。

基于SMOTE的IFOX-1D-CNN变压器故障诊断模型

为了均衡油浸式变压器样本数据集,提高故障诊断精度,提出了基于合成少数类过采样技术(SMOTE)的改进狐狸(IFOX)算法优化一维卷积神经网络(1D-CNN)变压器故障诊断模型。首先,通过SMOTE均衡变压器样本数据集;其次,针对狐狸(FOX)算法种群初始化非均匀与寻优过程中易陷入局部最优解的缺陷,采用混沌映射、Levy飞行策略对其进行改进,并利用IFOX优化1D-CNN的学习率、卷积核大小、卷积核数量、全连接层神经元数量等超参数,建立IFOX-1D-CNN模型。实验结果表明,该模型在油浸式变压器故障诊断中具有较好的收敛性与较高的诊断精度。

基于注意力机制与1D-CNN-Bi-GRU的MEMS陀螺仪降噪方法研究

为降低MEMS陀螺仪输出信号噪声,提出一种基于注意力机制和1D-CNN-Bi-GRU的MEMS陀螺仪误差补偿方法。首先通过1D-CNN网络进行陀螺时序数据特征提取,然后采用Bi-GRU网络进行特征分析,最后利用注意力机制进行数据权重分配。实验结果表明,与对照方法相比,该文方法噪声平均值减少57.03%和47.8%,噪声方差减少81.07%和73.01%,表明该文方法具有一定优势,具有较好的误差补偿效果。

基于改进1D-VD-CNN与近红外光谱数据的金银花产地溯源研究

金银花是清热解毒必备良药,市面上金银花来源复杂,最著名的山东平邑产金银花在市场上常遭造假。已有的鉴别方法大多耗时长、成本高且操作复杂,亟需一种快速高效的金银花产地溯源方法。针对应用在金银花鉴别中的近红外光谱(NIRS)数据的一维卷积神经网络(1D-CNN)鉴别模型存在参数量过大、模型效率过于低下、计算复杂度高,同时易产生过拟合问题,对传统1D-CNN结构作出改进。使用效率较高的VD(Very Deep)结构替代传统1D-CNN中隐含层结构,并针对NIRS数据适应性改进,使其可直接应用于一维NIRS数据。改进分为三步:(1)将特征层的设计转为2个约束优化设计:第一约束条件设每个卷积层C值(卷积核与感受野的大小比值)为1/6,可提高网络模型效率;第二约束条件取顶层感受野大小为数据向量大小,实现更深层数据特征提取,并减小过拟合。(2)通过降采样把特征层输出特征向量缩小至较小的尺寸;(3)使用两个1×5大小的卷积层和一个带有Dropout的池化层将数据大小降采样到只有一个矢量的向量替代分类作用的全连接层,进而减小参数量。采集河南、山东、河北、重庆主要产地出产的金银花为样品500份。测试光谱范围908~1 676 nm,采用KS法对样品集预处理,并用shuffle算法完成训练集、验证集、测试集划分,构建基于改进1D-VD-CNN与近红外光谱的金银花产地鉴别模型。结果表明,1D-VD-CNN训练集与测试集准确率均达到100%,损失值收敛为0.001附近。与传统1D-CNN模型相比,1D-VD-CNN模型的训练集与测试集准确率分别提升为约0.5%与1.4%,参数量和FLOPs分别减少近1 M(兆)和20 M(兆)。与原始光谱数据分析法和PLS-DA法对比分析,表明1D-VD-CNN模型对金银花近红外光谱分类具有更高的效率和更好的识别性能。

面向边缘计算的TCA1C DDoS检测模型

边缘计算弥补了传统云计算数据传输开销大的不足,但边缘网络中存储和计算资源受限的特殊性限制了其部署复杂安全算法的能力,更易受到分布式拒绝服务(DDoS)攻击。针对目前边缘网络中DDoS攻击检测方法性能不高、未对卸载任务分类处理、对多属性的流量处理能力弱的问题,提出一种基于任务分类的Attention-1D-CNN DDoS检测模型TCA1C,对通信链路中的流量按不同的卸载任务进行分类,使单个任务受到攻击时不会影响整个链路中计算任务卸载的安全性,再对同一任务下的流量提取属性值并进行归一化处理。处理后的数据输入到Attention-1D-CNN,通道Attention和空间Attention学习数据特征对DDoS检测的贡献度,利用筛选函数剔除低于特征阈值的冗余信息,降低模型学习过程的复杂度,使模型快速收敛。仿真结果表明:TCA1C模型在缩短DDoS检测所用时间的情况下,检测准确率高达99.73%,检测性能优于DT、ELM、LSTM和CNN;当多个卸载任务在面临特定攻击概率时,卸载任务分类能有效降低不同任务的相互影响,使终端设备的计算任务在卸载过程中保持较高的安全性。

基于1D-CNN的土壤全氮近红外光谱预测模型

于江苏无锡采集410个土壤样品测定土壤全氮含量,并在室内进行土壤样品光谱检测,用均值中心化、标准正态变换和趋势校正对光谱进行预处理,再运用偏最小二乘回归(PLS)、反向传播(BP)神经网络和一维卷积神经网络(1D-CNN)方法建立土壤全氮含量的回归预测模型。同时,每种模型在采用不同预处理方法的数据集上做十折交叉验证,记录预测模型的决定系数(R^(2))和均方根误差(RMSE)的平均值,对比3种预处理方法对模型精度的影响。结果表明:本研究基于土壤近红外光谱数据构建的1D-CNN模型预测土壤全氮含量结果可靠。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的R^(2)分别为0.907、0.931、0.922、0.964,而PLS模型R^(2)分别为0.856、0.863、0.861、0.880,BP神经网络模型的R^(2)分别为0.874、0.907、0.901、0.911。1D-CNN模型在原始数据和经预处理的光谱数据上的表现均优于PLS和BP神经网络模型,对光谱数据进行预处理能够有效提高1D-CNN模型的性能,尤其是趋势校正对模型的提升效果最明显。因此,1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系,有效地避免过拟合,在未经过预处理的光谱数据上依然能够达到一定的精度。

一种1D-CNN与多传感器信息融合的液压系统故障诊断方法

针对液压信号复杂且难以诊断的难点,提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型(MS1D-CNN-MSIF)对液压泵与蓄能器进行故障诊断。在提出方法中,采用不同大小的卷积核对故障信号进行多尺度特征提取;然后使用多传感器信息融合策略将多个传感器的特征信号进行融合,最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明,与支持向量机、堆栈自编码、深度置信网络比较,提出模型具有更好的故障诊断性能,蓄能器识别精度可达99.50%,液压泵识别精度可达99.73%。

基于VMD和优化CNN⁃GRU的锂电池剩余使用寿命间接预测

准确预测锂电池的剩余使用寿命(RUL)对降低电池使用风险有着至关重要的作用。为了解决电池容量在实际应用中不易获得以及单一门控循环神经网络(GRU)不能有效提取数据间的深层特征等问题,提出一种基于间接健康因子的混合神经网络模型,即融合变分模态分解(VMD)、一维卷积神经网络(1D‐CNN)和麻雀搜索算法(SSA)优化GRU的组合剩余使用寿命预测模型。采用NASA数据集验证所提模型的有效性,实验结果表明,相比于GRU、VMD‐GRU、VMD‐SSA‐GRU,所提模型具有较高的预测精度与更快的运行速度,可以应用于锂电池RUL预测。

基于mini-1D-CNN模型的TE过程故障诊断

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明:相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。

基于CNN(1D)-LSTM模型的电站锅炉SCR入口NOx浓度预测

为了解决电站锅炉操作人员依赖经验调节锅炉运行参数降低SCR入口NOx浓度,提高脱硝效果的问题,提出一种SCR入口处NOx浓度预测方法。该方法建立了基于卷积神经网络和长短期记忆神经网络的CNN(1D)-LSTM模型,通过提取锅炉在时序上的特征参数,可预测5 min后SCR入口处NOx浓度。电厂运行人员可将该模型的预测结果作为SCR入口处NOx浓度的重要参考,更加有效地调节锅炉参数进行脱硝优化。结果表明,预测3 min后SCR入口处NOx浓度LSTM模型优于CNN(1D)-LSTM;预测5 min后的SCR入口浓度CNN(1D)-LSTM模型相比于LSTM模型预测精度有很大的所提高,在测试集上E_(mape)为7.05%,取得了期望的效果。

基于1D-CNN的弹链运动加速度分类与识别

针对人工判读研究弹链运动规律时存在过程复杂、效果不佳的问题,结合弹链运动加速度的1维特性,提出一种基于1D-CNN的弹链运动加速度分类与识别方法。基于Keras深度学习框架搭建1维卷积神经网络模型(1D convolutional neural network,1D-CNN),对小口径自动炮射击试验中获取的弹链运动加速度信号进行数据预处理并制作训练集和测试集,利用训练集和测试集对1D-CNN模型进行训练和测试。结果表明:利用1D-CNN模型可实现弹链运动加速度信号的分类和识别,准确率在84%左右,达到了预期效果。

基于1D-CNN的近红外光谱定量分析棉/涤纶/羊毛混纺纤维含量方法研究

纤维成分的定性及定量分析在纺织品检测中一直是研究热点,但常规检测手段存在周期长、工序复杂且对环境不友好等问题,因此提出一种对纺织品纤维含量快速、无损且准确的检测方法就显得尤为重要。研究提出一种纺织品纤维含量的定量校正模型,可以准确预测纺织品中棉/涤纶/羊毛的纤维含量,解决传统校正模型无法兼顾准确与多种纤维预测的难点。针对645个羊毛/涤纶、棉/涤纶以及羊毛/涤纶/棉混纺样品为研究对象,采用红外光谱分析仪采集样品的近红外反射光谱,在光谱数据预处理的基础之上,提出一种一维卷积神经网络(1D-CNN)模型,实现对多种纤维含量的同时预测,为了凸显模型的优势,在相同的训练集和测试集样本之上对比3种不同机器学习算法的预测结果。结果表明:选用线性函数归一化、多项式平滑滤波(SG平滑,滑动窗口为9,拟合阶数为7)的预处理方法,结合所提出的1D-CNN模型效果最优,其模型决定系数R-Squared可达到0.998,各含量预测的平均绝对误差(MAE)为0.62,预测均方根误差(RMSE)为1.31。同时采用未参与建模的138个纺织品样品验证模型泛化能力,模型在测试集上的表现为,决定系数R-Squared为0.996,各含量预测的平均绝对误差(MAE)为0.80,预测均方根误差(RMSE)为2.01。采用所提出的模型,可以准确预测羊毛、棉和涤纶混纺织品中纤维含量,为快速无损检测纺织品提供了一种可行的方法,同时为其他混纺纤维含量的定量分析提供了新的思路。

基于改进1D-CNN的轴承故障实时诊断方法

电机作为生产生活中重要的动力设备,如果出现故障将会造成巨大的损失,所以对电机故障进行实时检测具有重要意义。为此提出一种基于改进1D-CNN的电机轴承故障智能诊断模型。该方法将一维电机振动信号直接作为1D-CNN输入而不进行数据重构等过程,大大提高了模型的诊断效率。同时,在1D-CNN中引入残差结构来提升模型的学习能力,从而弥补1D-CNN特征提取方面的缺陷,实现实时性和高准确率的统一。使用凯斯西储数据库设计仿真实验,对电机轴承的10种工作状态进行识别,取得99.3%的准确率,高于许多基于2D-CNN搭建的模型,且诊断时间也要明显少于2D-CNN。实验结果表明,所提模型在高效和高精度方面具有优异的性能。

基于1D-CNN深度学习对科创板信息披露质量的评价研究

针对科创板上市公司的信息披露质量评价问题,提出了1D-CNN深度学习模型。使用2022年主板上市公司数据与其对应的信息披露质量评价结果来训练1D-CNN深度学习模型,得到了2022年科创板信息披露质量评价结果。研究结果表明,科创板上市公司信息披露质量在不同行业之间有所差距,其中信息技术行业的信息披露质量水平最好,而医疗保健行业的信息披露质量水平最差;科创板整体的信息披露质量水平是不及主板水平的,但信息技术行业的信息披露质量水平却优于主板水平。造成这一结果的主要原因可能是由于科创板是新兴板块,信息披露体系仍在逐步完善,但由于科创板对科创属性的要求更高,导致信息技术行业的整体信息披露质量水平较高。

基于1D-CNN的植被等效水厚度反演研究

[目的]为实现高等级公路路域植被等效水厚度(EWT)快速、连续、高效监测需求。[方法]以叶片尺度高光谱为数据源,首先对辐射传输模型PROSPECT-D模拟数据和实测光谱数据分别进行标准正态变量变换、归一化等光谱变换。应用相关性分析提取各变换光谱特征波段,基于PROSPECT-D模拟数据特征波段分别构建一维卷积神经网络(1D-CNN)、支持向量机路域植被叶片EWT反演模型,并用实测光谱数据进行模型验证。[结果]植被EWT最优反演路径为对光谱进行归一化预处理后,构建PROSPECT-D与1D-CNN组合模型,测试决定系数(R2c)为0.645、均方根误差(RMSEC)为2.367,精度较高,满足应用需求。[结论]该研究为利用高光谱数据对南方丘陵地区高等级公路植被EWT定量反演奠定了基础。

1D CNN和LSTM高速列车横向稳定性状态识别研究

高速列车横向稳定性对列车的行车安全有重大影响,针对列车高速运行时出现的小幅蛇行和蛇行失稳问题,提出基于1D CNN和LSTM的识别方法。以高速列车构架横向加速度信号为研究对象,通过1D CNN自适应地对信号进行特征提取,避免手动提取特征的局限性,经1D CNN提取的特征信号作为LSTM的输入,充分利用LSTM学习加速度信号时间维度上的信息,最后通过全连接层输出识别结果。实验结果表明:基于1D CNN和LSTM的方法能准确识别小幅蛇行、蛇行失稳和正常状态,3种状态的识别率均为100%。

声振信号联合1D-CNN的大型电机故障诊断方法

针对复杂运行环境下大功率电动机故障诊断准确率不高、算法泛化能力差的问题,提出一种声振信号联合一维卷积神经网络(1D-CNN)故障诊断方法.首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波(7~20 kHz),叠加低频振动信号(7 kHz内)形成频带更完整的电动机状态表征信息.再对经过滤波提纯处理后的信息进行重叠式数据扩容,获取1D-CNN训练所需大量数据.最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化(local response normalization,LRN)和核函数去相关性改进1D-CNN模型结构,降低抽油机正负半周工况波动对电动机诊断准确性的影响.诊断结果表明:声振信号联合分析的卷积神经网络故障诊断总体诊断准确率达到了97.75%,泛化能力好,与传统的电动机故障诊断方法相比优势明显.

基于1D CNN-XGBoost的滚动轴承故障诊断

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强。针对以上问题,提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提模型的有效性,使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比;为验证1D CNN-XGBoost的泛化性,使用一组新的滚动轴承数据集进行实验。结果表明:1D CNN-XGBoost模型的分类准确率更高,是一种有效的轴承故障分类模型,具有很好地分类性能和泛化性。

基于联合特征参数和一维CNN的MIMO-OFDM系统调制识别算法

针对当前非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing,MIMO-OFDM)系统子载波的调制识别问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的调制识别方法。首先,利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix,JADE)算法从接收端的混合信号中恢复发送信号;然后,提取恢复信号的循环谱切片和四次方谱作为浅层特征;最后,利用1D-CNN对特征进行训练,使用测试样本对所提出的调制识别方法进行仿真验证。仿真结果表明,所提方法对MIMO-OFDM系统中的5种信号可以进行有效识别,在信噪比为10 dB时的识别精度即可达到100%。