基于混沌理论和CNNOSVM的水轮机空化状态识别方法
文档名：基于混沌理论和CNNOSVM的水轮机空化状态识别方法
摘要：针对水轮机空化声发射(AE)信号非线性强,导致水轮机空化状态识别准确度不高的问题,建立基于混沌理论和卷积神经网络结合优化支持向量机(CNN-OSVM)的水轮机空化状态识别方法.对不同空化状态下的水轮机空化AE信号进行相空间重构,获得相图作为数据集,通过卷积神经网络提取不同空化状态下的相图特征,输入经网格搜索算法结合K折交叉验证算法全局参数寻优的优化支持向量机分类器完成空化状态识别.结果表明:输入混沌相图数据集的CNN-OSVM模型能够准确识别4种空化状态,平均准确率高达98.8％;同时证实相较于CNN模型、OSVM模型,CNN-OSVM模型对非线性信号分类具有更高的识别准确率和泛化性.
作者：刘忠李显伟邹淑云王文豪周泽华Author：LIUZhongLIXianweiZOUShuyunWANGWenhaoZHOUZehua
作者单位：长沙理工大学能源与动力工程学院,长沙410114
刊名：动力工程学报 ISTICPKU
Journal：JournalOfChineseSocietyOfPowerEngineering
年，卷(期)：2023, 43(11)
分类号：TK733
关键词：水轮机空化声发射混沌理论卷积神经网络优化支持向量机状态识别
Keywords：hydraulicturbinecavitationacousticemissionchaostheoryCNNOSVMstaterecognition
机标分类号：
在线出版日期：2023年12月6日
基金项目：国家自然科学基金，湖南省研究生科研创新资助项目基于混沌理论和CNN-OSVM的水轮机空化状态识别方法[
期刊论文]动力工程学报--2023, 43(11)刘忠李显伟邹淑云王文豪周泽华针对水轮机空化声发射(AE)信号非线性强,导致水轮机空化状态识别准确度不高的问题,建立基于混沌理论和卷积神经网络结合优化支持向量机(CNN-OSVM)的水轮机空化状态识别方法.对不同空化状态下的水轮机空化AE信号进行相空...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于混沌理论和CNN-OSVM的水轮机空化状态识别方法State Recognition Method of Hydraulic Turbine Cavitation Based on Chaos Theory and CNN-OSVM
基于混沌理论和CNN-OSVM的水轮机空化状态识别方法.pdf
页:
[1]