《表2 预处理对诊断率的影响 (%)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于时序图像深度学习的电熔镁炉异常工况诊断》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于本文使用的CNN模型采用多帧残差图像作为输入，网络也起到一部分时序特征提取作用，则卷积核W1的通道可以理解为卷积核随时间的分布图10（b）展示了L1conv层第3个卷积核（即图10 （a）中实线框标记出的卷积核） 随输入通道（即时间维度）的变化结果，可以看到卷积核随时序呈现较为缓慢的变化.但仅从10帧图像无法判断该特征是由故障工况引起还是由大范围水雾干扰引起.因此仅采用10帧图像作为CNN的输入无法提取足够的时序信息来判断故障工况的发生，而利用更多的时序图像来将图像随时间的变化建立到CNN中代价较高[24]（例如，将30帧图像序列建立到模型中则需要第一层核函数为30层），这对网络收敛速度和后续的诊断速度都会产生较大的影响.由于循环神经网络有着出色的时序记忆特性，可以充分提取出序列图像随时间的变化关系，因此本文对电熔镁炉异常工况的时序特征提取主要通过循环神经网络来实现.