排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
2.
针对单一深度学习网络对涡扇发动机退化特征提取不足、超参数选择困难的问题,提出一种改进一维卷积神经网络(1-Dimensional Convolutional Neural Network, 1D-CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的涡扇发动机剩余寿命预测方法。首先,利用相关性、单调性和离散性一系列评价指标对涡扇发动机的多维传感器特征参数进行评价和选择,将综合评价指标高的优选特征参数作为1D-CNN的原始输入特征;然后,通过改进激活函数和Dropout函数来提升1D-CNN的特征提取能力,构建表征发动机退化趋势的一维复合健康指标;最后,利用贝叶斯优化(Bayesian Optimization, BO)的LSTM挖掘一维复合健康指标的时间特征,并实现剩余寿命预测。为验证此方法的预测效果,采用美国国家航空航天局提供的涡扇发动机退化数据集进行剩余寿命预测,实验的均方根误差为14.040 2,评分函数值为314.607 8。结果表明:相比于单一深度学习方法和传统机器学习方法,该方法不仅能获得较高的剩余寿命预测精度,还能有效解决深度学习模型超参数... 相似文献
4.
5.
鉴于对锂离子电池直接预测剩余使用寿命(RUL)困难,而极限学习机预测效果不稳定的现状,提出基于等压降放电时间和深度极限学习机(DELM)相结合的间接预测方法。首先,在恒流放电过程中提取出表征电池性能退化的等压降放电时间,分析它与容量间的相关程度并选之作为间接健康因子;其次,引入鲸鱼优化算法(WOA)优化深度极限学习机模型参数,构建锂离子电池RUL预测模型。用锂离子电池数据集中的B0005、B0007两个电池进行实验,结果表明:基于等压降放电时间的WOA-DELM模型预测方法相较于BP神经网络、DELM和PSO-DELM,能够更加准确地预测出锂离子电池的RUL,预测误差±5%,具有较好的预测精度和较快的收敛速度。 相似文献
6.
针对深度学习方法检测SQL注入时特征提取效果欠佳的问题,提出一种基于时空特征融合的检测模型SFFM。首先使用BERT预训练模型进行词嵌入,使用TextCNN提取SQL样本中不同粒度下的局部空间特征,同时使用BiGRU在保证训练效率的同时提取SQL样本的时序特征;再把提取到的特征送入Attention层进行全局语义信息提取;最后将提取到的特征进行融合,连接全连接层后送入softmax分类器进行分类检测。对比实验结果表明:SFFM模型获得了高达99.95%的准确率和99.90%的召回率,相较于CNN、LSTM和BERT-base模型,具有更好的检测效果。 相似文献
7.
提出一种融合多种特征提取方式的涡扇发动机剩余寿命预测方法,该方法包括多元特征的提取、复合健康指标的构建与融合系数的确定。然后结合线性Wiener过程,利用贝叶斯更新公式实现涡扇发动机的剩余寿命在线预测。实验结果表明:相较于融合前的单一特征提取方式,笔者所提方法能够有效提高涡扇发动机的剩余寿命预测精度。 相似文献
1