【技术实现步骤摘要】
本申请属于船舶柴油机故障诊断,尤其涉及一种基于逃离优化算法ea的模型优化方法及系统。
技术介绍
1、在船舶柴油机故障诊断领域,基于3d-cnn的深度学习方法需要同时处理振动信号的空间特征分布与动态时序演变特性,这对模型的优化过程提出了双重挑战。传统随机梯度下降类优化算法在应对此类高维非凸优化问题时,存在梯度消失或参数更新停滞的固有缺陷,特别是在损失曲面平坦区域易陷入局部最优解,导致模型收敛于次优特征表征状态,严重影响故障特征时空关联性的有效提取。
2、现有技术在处理3d-cnn优化停滞问题时,通常采用固定步长的随机扰动策略,但未充分考虑时空特征耦合特性。空间维度的简单参数扰动可能破坏卷积核的空间结构先验,而时间维度的粗粒度调整难以捕捉柴油机振动信号的动态传播模式,这种非定向扰动机制反而会加剧特征空间解耦,降低故障敏感特征的传递效率。此外,现有方法缺乏对梯度动态演变过程的实时监测,无法精准判断参数空间停滞状态,导致扰动介入时机与强度控制失当。
技术实现思路
1、基于此,有必要针对
...【技术保护点】
1.一种基于逃离优化算法EA的模型优化方法,其特征在于,方法包括:
2.根据权利要求1所述的基于逃离优化算法EA的模型优化方法,其特征在于,所述在3D-CNN网络模型训练过程中,实时计算损失函数变化率与梯度范数,当满足预设条件持续N个训练周期时,判定3D-CNN网络模型陷入局部最优停滞的步骤,包括:
3.根据权利要求2所述的基于逃离优化算法EA的模型优化方法,其特征在于,所述在3D-CNN网络模型陷入局部最优停滞时,根据所述3D-CNN网络模型的参数更新方向中,注入扰动项,得到增强特征多样性的3D-CNN网络模型的步骤,包括:
4.
...【技术特征摘要】
1.一种基于逃离优化算法ea的模型优化方法,其特征在于,方法包括:
2.根据权利要求1所述的基于逃离优化算法ea的模型优化方法,其特征在于,所述在3d-cnn网络模型训练过程中,实时计算损失函数变化率与梯度范数,当满足预设条件持续n个训练周期时,判定3d-cnn网络模型陷入局部最优停滞的步骤,包括:
3.根据权利要求2所述的基于逃离优化算法ea的模型优化方法,其特征在于,所述在3d-cnn网络模型陷入局部最优停滞时,根据所述3d-cnn网络模型的参数更新方向中,注入扰动项,得到增强特征多样性的3d-cnn网络模型的步骤,包括:
4.根据权利要求1所述的基于逃离优化算法ea的模型优化方法,其特征在于,所述对所述增强特征多样性的3d-cnn网络模型,继续训练,直至损失收敛或达到最大迭代次数,得到优化后的3d-cnn网络模型的步骤,包括:
5.根据权利要求1所述的基于逃离优化算法ea的模型优化方法,其特征在于,所述根据所述优化后的3d...
【专利技术属性】
技术研发人员:张晓伟,张一萌,董文涛,肖龙斌,孔紫宁,范格华,崔伟,林媛媛,张士太,陈桐,栾新瑞,刘英,尹菲,董玉才,
申请(专利权)人:中国电子科技集团公司第十五研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。