相关实验视频
Updated: Jul 5, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
通过使用增强的金优化1D卷积神经网络 (CNN) 与时频域输入和注意力机制,探索模拟电路的故障诊断
Jiyuan Gao1,2, Jiang Guo1,2, Fang Yuan1,2
1Key Lab Hydraul Machinery Transients, Wuhan University, Wuhan 430072, China.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
本研究介绍了对模拟电路的增强故障诊断方法,利用改进的ECWGEO算法来优化带有注意力机制的1D-CNN. 这种新的方法在识别电路故障方面实现了高精度.
科学领域:
- 电气工程 电气工程
- 人工智能的人工智能
- 电路设计 电路设计
背景情况:
- 在模拟电路中的组件退化会影响性能和稳定性.
- 由于参数波动和非线性,传统的故障定位与复杂的大规模电路作斗争.
研究的目的:
- 为模拟电路开发一种先进的故障诊断方法.
- 解决复杂系统中传统故障定位的局限性.
主要方法:
- 提出了一种增强的ECWGEO算法,用于优化具有注意力机制的1D-CNN.
- 使用了四个操作放大器双二次波器电路的故障模拟模型.
- 实现时间频率融合输入和蒙特卡洛分析用于数据集生成.
主要成果:
- 拟议的方法实现了98.93%的分类准确度.
- 增强的ECWGEO算法改善了人口多样性和融合速度.
- 注意力机制提高了网络处理时间频融合输入的能力.
结论:
- 开发的故障诊断方法与现有方法相比,表现优越.
- 集成ECWGEO优化和注意力增强的1D-CNN提供了一个强大的解决方案,用于模拟电路故障诊断.
