基于GAF-CNN的n/γ甄别方法研究

中子探测是核能开发领域的重要技术,由于中子闪烁体探测器往往会对中子和γ射线同时响应,因此有效分辨中子和γ射线是实现高精度中子探测的先决条件。为进一步提升n/γ甄别性能,本文结合脉冲形状甄别(PSD)技术和格拉姆角场(GAF)图像转换方法,将卷积神经网络(CNN)分类模型应用到n/γ甄别中。通过GAF将n/γ脉冲数据转化为二维图像,之后将其输入到CNN分类模型中达到样本辨别的目的。为验证GAF-CNN甄别的准确性,与传统CNN甄别法和电荷比较法进行了甄别效果对比。结果表明,GAF-CNN甄别法具有更低的辨别误差率和较短的处理时间,且n/γ甄别品质因子(FOM)有着数量级上的提升。同时其具备网络轻量化的特点,有助于实现CNN PSD算法的嵌入式部署,为研制高性能n/γ复合探测能谱仪提供了一种可行的PSD技术解决方案。

基于GCNN的滚动轴承故障诊断

随着智能制造的快速发展,基于数据驱动的故障诊断方法逐渐成为轴承状态监测的研究重点。针对传统滚动轴承故障诊断方法所存在的特征提取和特征选择复杂且效果不佳的问题,提出一种基于卷积神经网络智能诊断算法。该算法首先利用重叠采样方法扩充数据集,再采用格拉姆角场方法将原始时域信号转化为二维图像;然后构建一个具有4个卷积层的卷积神经网络,将扩充后的数据集输入卷积神经网络进行轴承故障分类。仿真结果表明,基于格拉姆角场法和卷积神经网络的滚动轴承故障诊断方法准确率达到99.73%,高于基于传统的机器学习及同类型深度神经网络的故障诊断方法,可准确实现滚动轴承故障状态识别和分类,具有一定的应用前景。