基于深度学习的病历质量控制系统设计

医疗领域患者的主诉信息是医疗文本分类工作的关键,能为智慧医疗和信息文本归类提供有力的支持;近几年来随着深度学习的发展应用,基于传统深度学习技术的全流程病历质量控制模型层出不穷,但传统模型存在很多缺点和局限性,诸如训练速度慢、精度损失、过拟合和无法处理大规模数据的问题,因此,引入改进的深度学习算法;指南指导下基于深度学习的全流程病历质量控制系统实验结果为:将词向量设置成160时双向循环神经网络模型效果最优,准确率为84.9%;BiGRU-SA MODEL,精准度受向量维度的影响并不大;而改进的文本分类式前馈神经网络模型,精准度在其进行第3次和第4次迭代更新时,发生指数级增长,并在第3次迭代时,精度达到理想值,为83%;随着迭代次数的增加,模型准确率呈现先增大后减小的趋势,在进行第6次迭代时模型效果最优,准确率为84.9%;优化后的全流程病历质量控制模型在变动率指标下的面积的值、准确率、F_(1)、召回率四项指标值都有了一定的提升,以上结果能更好地解决过拟合和特征信息丢失的问题,并且实现全流程病历质量的控制。

基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究

风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(MSCNNSA-BiGRU)。首先,采用MSCNN提取了轴承原始振动信号的多尺度特征信息;然后,BiGRU结构挖掘原始振动信号的历史与未来信息,更全面地提取了其数据时序特征信息,同时引入self-attention来重点关注故障特征,提高了模型的故障诊断精度;最后,将特征信息融合成了一个特征向量,输入到SoftMax层,实现了对故障的分类;并将该方法应用于实际风电机组滚动轴承故障诊断中。研究结果表明:变工况背景下轴承故障识别准确率为92.7%,与经典的MSCNN网络相比,其故障识别的平均准确率提高8.13%;该方法直接从原始振动信号自适应地提取多尺度的时序特征,并将其进行融合,实现了“端到端”的滚动轴承故障诊断,省去了人工特征提取过程,提高了模型的泛化能力和鲁棒性,对实际工程风电机组滚动轴承故障诊断研究应用具有一定价值。

基于ICNN-BiGRU的轴承故障诊断模型

在实际使用过程中,基于深度学习模型的滚动轴承故障诊断方法易受环境噪声的干扰,为此,提出了一种基于改进卷积神经网络双向门控循环单元(ICNN-BiGRU)的滚动轴承故障诊断模型(方法)。首先,使用Laplace小波对采集到的滚动轴承振动信号进行了相关滤波,得到了功率谱;然后,利用ICNN-BiGRU自动提取了功率谱特征,在卷积神经网络基础上引入了动态选择机制和自注意力机制,根据轴承不同故障状态定位了相关的特征信息,从而实现了轴承故障特征提取和故障诊断;最后,通过西安交通大学昇阳科技(XJTU-SY)联合实验室的滚动轴承加速寿命试验数据集,对ICNN-BiGRU模型与其他深度学习模型进行了对比,以验证ICNN-BiGRU模型的优越性。研究结果表明:相比于其他深度学习模型,ICNN-BiGRU模型的故障诊断精度更高,其诊断准确率可达99.65%;在不同背景噪声的干扰下,相比于其他深度学习模型,ICNN-BiGRU模型的特征学习能力更强,具有一定的工程参考价值。