基于改进的卷积神经网络的春天全升降安全内部泄漏的智能识别
Shuxun Li1,2, Kang Yuan1,2, Jianjun Hou1,2
1School of Petrochemical Technology, Lanzhou University of Technology, Lanzhou 730050, China.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
这项研究引入了改进的卷积神经网络 (CNN),用于使用声辐射信号准确识别安全内部泄漏. 这种新的方法达到99.7%的准确性,提高了工业安全,减少了经济损失.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 弹全提升安全对于减压系统至关重要,但由于座损坏,容易出现内部泄漏,造成安全风险和经济损失.
- 现有的故障诊断方法,如基于模型的方法,面临参数确定挑战,而数据驱动的方法,如卷积神经网络 (CNN) 需要经验丰富的超参数调整,并与漏识别的时间和多尺度特征提取作斗争.
研究的目的:
- 开发一种有效和准确的方法来识别安全的内部泄漏状态.
- 解决现有的CNN模型在捕获时间和多尺度特征以及在门故障诊断超参数优化方面的局限性.
主要方法:
- 使用高频FPGA系统,获取不同内部泄漏状态的安全的声波发射信号.
- 将信号处理成二维时间频率图,并将其输入到一个改进的CNN模型中,该模型包含泄漏的正线单元 (LReLU),随机聚合,用于超参数调节的角优化算法 (HLOA),双向门式反复单元 (BiGRU) 和选择性内核注意模块 (SKAM).
主要成果:
- 建议改进的CNN模型实现了安全门内部泄漏状态的平均识别准确率为99.7%.
- 该模型在识别门内部泄漏时,与ResNet-18等现有模型相比,表现出更高的性能.
结论:
- 开发的方法为诊断安全门内部泄漏提供了有效的解决方案,显著提高了准确性和可靠性.
- 信号处理和诊断方法可以扩展到其他机械设备的故障诊断,未来的工作重点是轻量级网络和多源数据融合,以提高实时性能和稳定性.
