来源：期刊VIP网 时间：
作者：孙海东;段宏;王嵩岭;
单位：昆明理工大学机电工程学院;
摘要：针对铜熔池熔炼过程中艾萨炉喷枪易出现故障，且小样本故障数据识别准确率较低问题，本文提出了一种基于指数线性单元(ELU)、全局平均池化(GAP)的卷积神经网络(EGCNN)和霜冰优化算法(RIME)优化支持向量机(SVM)的小样本艾萨炉喷枪故障识别方法。首先，采用ELU作为卷积神经网络(CNN)的激活函数，以提高对艾萨炉喷枪数据噪声和输入变化的鲁棒性，加快模型收敛;其次，为增强艾萨炉喷枪工艺参数与故障类别之间的相关性，减少模型参数，避免过拟合，采用GAP替代全连接(FC)层;最后，引入SVM替代传统的Softmax函数作为最终分类器，并通过RIME对SVM的惩罚因子和核函数参数寻优，进一步提高艾萨炉喷枪故障识别模型的准确率。结果表明，该方法在艾萨炉喷枪故障识别的准确率、精确率、召回率、F_1-score和Kappa系数分别为97.08%、97.08%、97.10%、97.07%和0.9611，因此，所提出的方法在故障识别性能上表现更为优越，准确率较高。
关键词：艾萨炉喷枪;;故障识别;;卷积神经网络;;霜冰优化算法;;支持向量机
基金资助：国家自然科学基金项目(52065033);; 云南省重大科技项目(202202AG050002)
