典型文献
基于金字塔拆分注意力的列车轮对踏面损伤诊断
文献摘要：
为解决列车轮对踏面损伤诊断准确率低、速度慢和损伤样本少的问题,提出一种基于金字塔拆分注意力网络(EPSA-ResNet)的车轮对踏面损伤诊断模型.首先,采用迁移学习方法预训练ImageNet数据集,得到模型参数,然后将其迁移到轮对踏面损伤特征数据中,并进行微调,从而获得共享模型结构和参数;其次将ResNet-50残差块中的3×3卷积替换为一种金字塔拆分注意力(PSA)模块,得到新的EPSA-ResNet,融合空间和通道注意力多级别特征,自适应地进行特征重标定;最后通过Softmax分类器得到轮对踏面损伤情况的诊断结果.结果表明:该方法能够有效识别列车轮对踏面损伤状态以及周围环境间存在的局部细微差异,诊断精度可达99.79％,优于其他深度神经网络模型.
文献关键词：
金字塔拆分注意力网络(EPSA-ResNet);轮对踏面;损伤诊断;迁移学习;残差网络
中图分类号：
作者姓名：
何静;侯娜;张昌凡;胡新亮;刘建华
作者机构：
湖南工业大学电气与信息工程学院,湖南株洲412007;湖南工业大学轨道交通学院,湖南株洲412007
文献出处：
引用格式：
[1]何静;侯娜;张昌凡;胡新亮;刘建华-.基于金字塔拆分注意力的列车轮对踏面损伤诊断)[J].中国安全科学学报,2022(05):35-40
A类：
轮对踏面损伤,EPSA
B类：
金字塔,拆分注意力,列车,车轮,损伤诊断,诊断准确率,速度慢,注意力网络,ResNet,诊断模型,迁移学习方法,预训练,ImageNet,损伤特征,特征数据,微调,共享模型,模型结构,残差块,通道注意力,特征重标定,Softmax,分类器,伤情,诊断结果,损伤状态,周围环境,细微,微差,深度神经网络模型,残差网络
AB值：
0.239581
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
