基于堆叠降噪自动编码器的胶囊缺陷检测方法

目前医用胶囊生产过程中的缺陷检测主要由人工完成,费时费力,容易受主观因素的影响。提出一种基于堆叠降噪自动编码器的胶囊表面缺陷检测方法,该方法首先建立深度自动编码器网络,并根据缺陷样本进行降噪训练,获取网络的初始权值;然后通过BP算法进行微调,得到训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测。实验表明,堆叠降噪自动编码器较好地建立了上述映射关系,能快速、准确地进行缺陷检测,对噪声具有很强的鲁棒性和稳定性。

优化堆叠降噪自动编码器滚动轴承故障诊断

针对深度堆叠降噪自动编码器(SDAE)网络超参数采用经验枚举获得时存在的泛化能力较弱,且选参过程与设计人员经验有关,效率低等问题,利用新设计的人工变性天牛算法(ATLA)对SDAE网络超参数进行自适应选取,并确定网络结构,训练得到故障状态的特征表示,最后输入到Softmax分类层进行故障检测,并确定故障类别。通过变工况下滚动轴承故障诊断仿真实验验证,该文所提出的ATLA-SDAE诊断方法在泛化性能、故障识别率等方面均优于BP神经网络、支持向量机(SVM)以及卷积神经网络(CNN)方法,能够从海量数据中自适应地提取更深层次的故障特征,可避免手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。

基于改进正余弦算法优化堆叠降噪自动编码器的电机轴承故障诊断

轴承是电机的重要组成部分,其故障振动信号存在噪声干扰,导致特征提取困难,堆叠降噪自动编码器(SDAE)通过将输入数据随机置零训练网络可以有效抑制噪声干扰。此外,不理想的超参数组合易引起SDAE诊断性能不佳。因此,提出一种基于改进正余弦算法(ISCA)优化SDAE的电机轴承故障诊断方法。首先,在改进正余弦算法(SCA)粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化构造ISCA,利用ISCA对SDAE超参数自适应选取;其次,利用具有最优网络结构的SDAE模型的无监督自学习特征提取方法提取振动信号特征参数,从而实现更好的故障诊断效果。仿真及现场实验结果表明,该方法收敛速度快、诊断准确率高,而且具有较强的鲁棒性,在电机轴承故障诊断方面具有较好的应用前景。

改进沙猫群优化算法优化堆叠降噪自动编码器的发动机故障诊断

车辆发动机振动信号受到噪声干扰,影响故障诊断精度,而堆叠降噪自动编码器(SDAE)可以有效抑制噪声干扰,但SDAE模型超参数对诊断性能影响较大,不合理的模型超参数容易引起SDAE诊断性能不佳。因此,文中采用一种新型沙猫群优化算法(SCSO)对SDAE参数进行优化选取。考虑到沙猫群优化算法(SCSO)中沙猫群种群缺乏变异机制的缺陷,在其探索阶段和开发阶段分别引入柯西变异机制和高斯变异机制,得到了改进沙猫群优化算法(ISCSO),并提出了SCSO优化SDAE的发动机故障诊断方法。发动机故障诊断实例结果表明:与其余5种方法相比,所提方法的平均诊断精度提高了1.47%~6.5%,平均耗时缩短了5.29~19.44 s。

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

基于压缩感知和堆叠降噪自动编码器的配电网扰动事件智能溯源方法

鉴于配电网扰动事件的溯源分析有利于准确了解扰动原因、保障电力系统的安全稳定运行,提出了一种基于压缩感知和堆叠降噪自动编码器的配电网扰动事件智能溯源方法,首先利用压缩感知方法将添加了噪声的原始数据映射到压缩域,在保留扰动特征的同时提高了分析效率;然后将压缩采样数据作为堆叠降噪自动编码器的输入,通过堆叠降噪自动编码器的特征自学习能力,学习得到扰动数据中的鲁棒性特征,实现特征与不同配电网扰动事件的关联,构造扰动事件智能溯源模型。通过PSCAD/EMTDC中搭建的IEEE 14节点模型获得的仿真数据进行验证,表明所提方法能准确溯源配电网扰动事件。

基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制

风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求.为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(SDAE)和深度神经网络(DNN)的风电调频逐步惯性智能控制方法.首先,使用麻雀搜索算法获得最优参数,使用SDAE高效提取数据特征;随后,基于DNN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用SDAE-DNN联合方法实现扰动事件后风电调频的逐步惯性在线控制.在IEEE 30节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始DNN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果.

基于改进堆叠去噪自动编码器的电能质量扰动分类方法

针对当前电能质量扰动分类时因数据量大和特征量提取不足而造成分类精度低的问题,文章将压缩感知和深度学习结合,提出一种基于改进堆叠降噪自动编码器(Improved Stacked Denoising Autoencoders,ISDAE)的电能质量扰动分类方法。首先,将原始数据经过压缩感知后得到的稀疏向量作为数据集;然后构建堆叠去噪自动编码器模型,引入Inverted Dropout技术提升网络的泛化能力,避免过拟合现象的产生,并在微调阶段引入自适应矩估计(Adaptive moment estimation,Adam)优化方法,以降低陷入局部最优的概率。最后对10种常见的电能质量扰动信号进行仿真分析,可以发现所提方法降低了需要分析的数据量,解决了传统分类算法对特征选取不充分从而造成分类效率低的问题,并在一定程度上提升模型的鲁棒性。

基于堆叠降噪稀疏自动编码器的软件缺陷预测

特征提取是软件缺陷预测中的关键步骤,特征提取的质量决定了缺陷预测模型的性能,但传统的特征提取方法难以提取出软件缺陷数据的深层本质特征。深度学习理论中的自动编码器能够从原始数据中自动学习特征,并获得其特征表示,同时为了增强自动编码器的鲁棒性,本文提出一种基于堆叠降噪稀疏自动编码器的特征提取方法,通过设置不同的隐藏层数、稀疏性约束和加噪方式,可以直接高效地从软件缺陷数据中提取出分类预测所需的各层次特征表示。利用Eclipse缺陷数据集的实验结果表明,该方法较传统特征提取方法具有更好的性能。

用于域适应的多边缘降噪自动编码器

神经网络模型被广泛用于跨领域分类学习。边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同。为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA)。首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例。实验结果表明,该方法在跨领域情感分类方面优于基线算法。

基于特征提取和最优加权集成策略的风机叶片结冰故障检测

针对风机叶片结冰检测中现有集成方法不能充分发挥不同个体分类器优势的问题,提出了一种基于特征提取和最优加权集成学习的叶片结冰检测模型。首先,用堆叠降噪自动编码器提取结冰关联特征后,考虑不同单一分类器在二分类应用中的表现及其差异,选择随机森林、极限梯度提升树、轻量梯度提升机、K-近邻算法作为个体学习器,并用贝叶斯算法对其进行超参数优化。然后提出基于序列二次规划的最优加权集成策略对叶片状态进行判别。最后利用金风科技提供的15号和21号风机的历史数据进行了仿真实验,结果表明:所提出的检测模型与个体学习器及其他集成模型相比多项指标均有所提升,准确度达到了99.2%,在结冰检测方面具有一定的有效性。

基于数据增强SDAE-BiGRU的交流接触器剩余电寿命预测

针对目前交流接触器剩余电寿命存在单一特征预测精度低、未充分考虑开断前后的关联性和忽略了长时间序列特点的问题,该文提出基于数据增强堆叠降噪自动编码器-双向门控循环单元(stacked denoised autoencod-er-bidirection gated recurrent unit,SDAE-BiGRU)的交流接触器剩余电寿命预测方法。首先,通过交流接触器全寿命试验提取特征参量,采用近邻成分分析(neighborhood component analysis,NCA)和斯皮尔曼等级相关系数选择最优特征子集,来有效表征电寿命退化信息。然后,对最优特征子集进行数据增强,充分考虑前后状态的关联性,并利用SDAE对增强后的特征信息进行融合来降低输入维度。最后,将交流接触器剩余电寿命视为长时序问题,通过BiGRU进行时序预测。实例分析表明,该模型比循环神经网络(recurrent neural network,RNN)、长短期记忆网络(long short-term memory,LSTM)、GRU、BiGRU和SDAE-BiGRU模型预测效果好,平均有效精度达到96.68%,有效证明了时序预测模型应用在电器设备剩余寿命预测领域中的可行性。

基于并行SDAE-Seq2Seq模型的轴承寿命预测方法

基于数据驱动的轴承寿命预测方法大多需要人工提取退化特征,而且对于不同工况下的轴承需要进行针对性优化,也是依赖专家知识和经验进行特征提取。为此,提出一种并行堆叠降噪自动编码器算法(PSDAE)来提取轴承退化特征,并结合Seq2Seq模型预测轴承剩余寿命。通过PSDAE直接对原始振动信号进行降噪、降维,得到退化特征,通过神经网络的学习和训练自动获得不同工况下的轴承退化特征。其次,引入注意力机制,将提取的特征输入Seq2Seq模型进行训练,并在PHM2012数据集上验证模型的预测效果。实验结果表明:PSDAE通过并行集成方式降低了模型的训练参数和整体误差,提取的退化特征在单调性和可预测性方面优于堆叠降噪自动编码器(SDAE),使用该退化特征有效减少了Seq2Seq模型的预测误差,提高了预测得分,具有更好的预测效果和稳定性。

多类运动想象脑电信号的两级特征提取方法

共同空间模式(Common spatial pattern,CSP)是运动想象脑机接口(Brain-computer interface,BCI)中常用的特征提取方法,但对多类任务的分类正确率却明显低于两类任务.通过引入堆叠降噪自动编码器(Stacked denoising autoencoders,SDA),提出了一种多类运动想象脑电信号(Electroencephalogram,EEG)的两级特征提取方法.首先利用一对多CSP(One versus rest CSP,OVR-CSP)将脑电信号变换到使信号方差区别最大的低维空间,然后通过SDA网络提取其中可以更好表达类别属性的高层抽象特征,最后使用Softmax分类器进行分类.在对BCI竞赛IV中Data-sets 2a的4类运动想象任务进行的分类实验中,平均Kappa系数达到0.69,表明了所提出的特征提取方法的有效性和鲁棒性.

用于高光谱变化检测的多径卷积网络算法

针对如何有效利用高光谱图像中的光谱信息和空间信息进行变化检测的问题,本文提出了一种基于堆叠降噪自动编码器并融合空间信息的多路径卷积网络的高光谱遥感图像变化检测方法。针对高光谱图像信息冗余的问题,使用训练堆叠降噪自动编码器将高光谱数据进行降维。为了得到2幅图像间的差异信息,使用光谱角来表征对应像素间的变化关系。为了利用遥感图像中的空间信息,使用光谱角矩阵中切比雪夫距离小于等于3的区域来进行空间信息的提取,构建一个融合了空间信息的多路径卷积神经网络,并通过该网络得到变化检测结果。在3个高光谱变化检测数据集上进行实验,实验结果表明该方法的总体误差低、准确率高和Kappa系数高,证明了该方法的有效性。

基于SDAE特征提取的含风电电网可用输电能力计算

风力发电的不确定性显著增加了电力系统可用输电能力(ATC)计算的难度。基于点估计的Gram-Charlier级数展开理论和深度学习技术,提出了一种计及越限概率要求的ATC快速计算方法,考虑的约束类型包括静态安全、静态电压稳定和暂态稳定约束。假定风电出力概率分布已知,结合两点估计法和Gram-Charlier级数展开,通过两个确定性场景的最大输电能力(TTC)计算结果逼近TTC的累积分布函数。为了快速、准确地获得确定性场景的TTC,利用堆叠降噪自动编码器(SDAE)建立了TTC计算的深度学习模型。获得TTC的累积分布函数后,将断面功率超过TTC的概率定义为越限概率,推导了给定越限概率要求下ATC计算的表达式。实际电网仿真结果表明,所提方法能够有效计及多类安全稳定约束,快速、准确计算不同越限概率要求下的ATC。

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks,CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders,SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明:利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。

基于两阶段集成深度置信网络的电力系统暂态稳定评估

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法。第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度。第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息。

基于深度学习直流闭锁判断的高风险连锁故障快速搜索

大容量直流输电系统的快速发展及多馈入直流系统的出现,增加了系统发生连锁故障的风险。建立了基于深度学习的直流闭锁快速判断模型,提出一种高风险连锁故障快速搜索方法。直流闭锁快速判断模型以网络结构和故障位置相关的稳态特征量作为输入,利用堆叠降噪自动编码器(SDAE)提取输入的高阶特征,可以快速判断交流故障是否导致直流闭锁。根据交流故障后正常线路的负载率情况衡量该故障的影响程度,进而得到线路停运风险;搜索过程中采用深度优先策略,以高停运风险为搜索方向,优先获取故障概率较高的交直流连锁故障。实际电网仿真结果表明,所提方法能够快速给出高风险交直流连锁故障的传播路径和故障概率,可用于在线安全预警和防控决策。

融合节点属性和无环路径的社交网络嵌入方法

网络嵌入的目标是学习网络中节点的低维特征表示,将学习到的特征用于网络的各种分析任务中,例如节点分类、链路预测、社区发现和推荐等。现有的网络嵌入方法对于社交网络中高阶结构信息利用不足并且没有考虑社交网络结构信息和属性信息的相关性,应用于社交网络中效果并不理想。为了解决这些问题,提出了一种融合节点属性和无环路径的社交网络嵌入方法(LFNE)。该算法首先基于节点间无环路径计算节点高阶结构相似性,消除环状路径和大度节点对于节点结构相似性的影响,使得网络嵌入方法可以更好地融合社交网络高阶结构信息。然后结合节点间无环路径相似性度量指标计算节点属性相似性,充分利用社交网络结构信息和属性信息的相关性,消除属性信息中存在的噪音。最后融合节点结构相似性和属性相似性应用于堆叠降噪自动编码器中学习节点的低维特征表示。在3个社交网络数据集上与近几年代表性算法进行实验对比,实验结果表明LFNE算法在节点分类和链路预测实验中可以取得相对显著的效果,具有更好的网络嵌入表现。