红外图像特征对具有发热特征的电力特设缺陷具有较好的表达能力,随着电力企业设备红外图像的积累,传统检测方法遇到效率和准确率瓶颈,为此,提出了基于改进Faster RCNN的缺陷识别算法,算法通过模型中RPN网络卷积核的优化,减少RPN网络的计算量,通过多分辨率特征融合提高网络对缺陷特征语义信息和细节定位信息的应用,最后通过自适应训练数据抽样提高正负训练样本抽取的有效性,从而提高算法缺陷识别准确率。实测数据实验表明,改进模型的目标函数可以在较少的迭代次数下实现稳定实收,在准确率、召回率和运行时间等评价指标上优于传统Faster RCNN模型、SIFT算子模型等已有模型,从而验证了算法的有效性和对不同背景干扰的有效性。

空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展,需要对柱塞泵的空化状态检测与智能故障诊断展开研究,因此,结合深度学习网络与非线性分类器的优点,提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型)。首先,对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强,并对其进行了标准化处理;然后,利用卷积神经网络(CNN)自动提取信号的特征,并对其进行了特征降维处理;利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性,利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类,实现了对柱塞泵的空化状态检测与智能故障诊断;最后,为测试CBLRE模型的性能,搭建了实验平台,在此之上将CBLRE模型与其他模型进行了对比,分析了该模型在不同工况下的性能表现。研究结果表明:该模型的结构稳定、训练时间短,且...