基于局部均值分解与局部离群因子动力电池故障诊断

动力电池故障诊断是保证电动汽车正常运行的关键。提出一种基于局部均值分解和局部离群因子的动力电池故障诊断方法,用于电池组故障识别与定位。通过局部均值分解对电压信号预处理,并根据相关系数高低重构电压信号。进一步提取重构信号的峭度因子作为故障特征输入到局部离群因子算法中,根据局部离群因子算法自适应阈值输出故障电池。采用实车数据验证了所提方法能有效、准确地检测出故障,具有较好的可靠性与鲁棒性。

基于局部离群因子的装配式梁横向联系病害监测分析

为快速筛查大规模装配式梁的横向联系病害,以某大型区域性桥梁集群监测系统中的32座装配式梁桥为背景,提出了一种基于局部离群因子的装配式梁横向联系病害识别方法。该方法通过对车致应变监测数据进行观测周期和统计周期的切分,提取同一截面测点的应变监测数据最大值集合及其二层统计值(最大值和中位数)集合,再遍历集合计算车致应变二层统计值的无量纲指标——局部离群因子,通过对比各单梁的局部离群因子与单位1的偏离程度分析该点位是否为离群点,实现病害的定位和量化。实桥检测验证了该方法对装配式梁横向联系病害快速识别的可靠性。基于该方法开发了大规模城市装配式梁集群横向联系病害自动分析程序,对监测系统装配式梁桥进行分析,结果显示该系统中有6座桥梁横向联系异常,横向联系的薄弱位置均为边梁和次边梁。

基于局部离群因子的电力计量数据异常值自动化监测系统

针对电力计量数据异常导致的电力系统故障,提出基于局部离群因子的电力计量数据异常值自动化监测系统。该系统集成多传感器采集数据,通过通信模块传输至处理模块。该模块先运用AP聚类算法将数据聚类成多个类簇,再使用局部离群因子模型计算离群度,通过离群度数值得到异常类簇,则该异常类簇为异常值,再将监测结果传输到用户PC端,实现电力计量数据异常值自动化监测。实验结果表明,该系统聚类电力计量数据时的疏密度数值较高,可有效检测异常值,应用性能较为显著。

基于差分和局部离群因子的遥测数据野值检测方法

为提高火箭飞行遥测数据孤立型野值检测的准确性和检测效率,针对遥测数据变化范围大、分布参数未知、数据量大等特点,提出一种基于差分和局部离群因子的野值检测算法,通过一阶差分使遥测数据中快速变化段的突变点与正常幅值点区分开,然后去除差分值中的重复值以降低计算复杂度,并将数据点的重叠度引入局部离群因子的计算中以快速筛选出局部离群程度较大的突变点,最后利用突变点的差分值符号特征来辨识野值点。通过实例应用分析,验证了该算法的高效性和准确性。

基于局部离群因子的列车卫星定位故障检测方法

基于卫星导航系统的定位技术已成为我国下一代列车运行控制系统中自主定位的重要方式。卫星信号在传播过程中易受到环境多源噪声的影响而导致定位解算性能下降,需要对潜在发生的故障进行检测以保证定位性能。针对一致性假设检验中观测新息不再服从先验高斯分布问题,提出一种基于局部离群因子的卫星定位故障检测方法。首先,基于正常运行环境中的滤波新息构建历史数据集,采用核密度估计方法获取检验阈值。在此基础上,根据特定的邻域值计算当前时刻观测新息的局部离群因子,通过度量其与历史数据集中邻域数据之间的局部密度进而判别是否发生故障。最后,采用西部铁路实测数据对所提算法进行实验验证。研究结果表明,在不同偏差阶跃故障和不同速率斜坡故障场景下,所提出方法的故障检测性能优于滤波新息故障检测和自主完好性监测外推法。在15m阶跃故障场景中,所提出的算法故障检测率分别提高了100%和62%,故障期间水平位置均方根误差降低了36.1%和18.5%。在0.5m/s斜坡故障场景中,故障检测时延分别缩短了20s和11s,故障检测率提高了40%和20%,水平位置均方根误差降低了28.6%和9%。基于局部离群因子的故障检测方法具有高检测、低时延的显著优势,打破了先验特定分布假设对于故障检测性能的约束,有效提高了定位系统的定位精度和可靠性。

基于频率密度的局部离群因子的工频自适应抑制方法

生物电信号属于强噪声背景下的低频微弱信号,工频干扰的滤除很有必要。为保证工频偏移时滤波的精准性和有效性,提出了一种基于频率密度的局部离群因子(FLOF)算法,并结合经验模态分解(EMD)对信号进行自适应去噪。首先,将信号进行短时傅里叶变换,将局部离群因子算法拓展到频域,通过FLOF找到工频干扰的频率偏移量和偏移时刻;其次,根据偏移时刻对信号进行分段,使用段内瞬时工频的平均值作为段内实际工频;最后,对每段信号进行EMD分解,生成多个不同时间尺度的局部特征分量,仅对包含工频信号的局部特征分量滤波保留更多有用信息。结果表明:此方法频率估计精度较高,在不同信噪比下滤波后信噪比、均方根误差、相似度均得到一定改善。以原信噪比-30 dB为例,相较于最小均方误差滤波和递推最小二乘滤波信噪比提升16.266、7.671 dB,均方根误差减小16.017、4.388 dB,相似度提升0.200、0.013,可以看出所提方法滤波效果优于常规滤波方法。

基于RoBERTa与改进局部离群因子算法的专利新颖性测量

现有的专利新颖性测量方法需要依赖特定的领域知识以及专家的介入,性能差且耗时长,为此,提出了一种不依赖特定领域知识及专家的全自动化系统的识别新颖性专利的方法。首先利用鲁棒优化的BERT方法(robustly optimized BERT approach,RoBERTa)表示专利向量,以解决需要依赖技术领域的知识来表示专利的多义词问题;其次,利用数据点的密度分布并结合信息熵改进局部离群因子(local outlier factor,LOF)算法来确定离群点个数及数据点集,提高离群点的检测精度,结合RoBERT与改进的LOF在数值尺度上度量专利的新颖性。实验验证表明,所提方法测量的专利新颖性的得分与现有文献中的相关专利指标显著相关,并且识别出的新颖性专利具有更高的技术影响。

基于马氏距离局部离群因子方法的复杂化工过程故障检测

为了满足实际的生产需要,复杂化工过程往往包含多个运行模态。同时过程的复杂性使得同一模态下的数据分布是一种高斯分布和非高斯分布混合存在的不确定情况。数据的多模态分布特性以及同一模态下数据分布的不确定性使得传统多元统计监控(MSPM)方法很难给出令人满意的结果。针对这一问题,本文提出一种新的马氏距离局部离群因子(MDLOF)方法进行故障检测。通过利用马氏距离挖掘变量局部结构中包含的有用信息,并对样本的邻域密度加以考虑,形成对数据分布具有鲁棒性的基于密度的监控指标。最后通过数值仿真例子及Tennessee Eastman过程验证其有效性。

利用局部离群因子算法探测核心技术发展趋势——以中国风能专利数据为例

[目的/意义]为验证局部离群因子算法在探测核心技术及核心技术发展趋势的有效性,丰富专利分析领域的研究。[方法/过程]以中外专利数据库服务平台CNIPR作为数据源,分别从局部离群因子算法和社会网络分析方法两个视角对中国风能领域的专利数据进行对比分析,识别中国风能领域的核心技术以及核心技术的发展趋势。[结果/结论]结果显示,局部离群因子算法(LOF)和社会网络分析方法得出的结论基本一致:即中国在风力发电机技术方面一直保持优势,未来的发展潜力集中在风能照明装置及系统,验证了局部离群因子算法在探测核心技术及核心技术发展趋势方面的有效性。

基于局部离群因子的军事训练数据异常值检测

为了对军事训练数据异常值进行检测,针对军事训练数据多属性特点,提出了一种按照属性方差进行有权重放缩变换的局部离群因子(LOF)异常值检测方法,给出了实例分析.实例分析表明,运用本文LOF异常值检测方法,检测出的异常数据具有较好的解释性和可参考性.这为改进常规训练方法、制定训练计划提供了参考.

一种基于核空间局部离群因子的离群点挖掘方法

提出了一种基于核空间局部离群因子(KLOF)的离群点挖掘方法。该方法通过核函数将数据集映射到特征空间,然后在特征空间计算每个模式的局部离群因子。该方法继承了基于密度的局部离群因子(LOF)的优点,可以定量地描述每个模式的离群程度;同时又克服了LOF的不足,对线性不可分的数据,可以取得比较好的分析结果。通过两个仿真的和两个真实的数据集对KLOF及LOF方法进行了比较,结果表明,KLOF具有适应的数据集范围宽,识别率高等优点。

基于统计模量和局部近邻标准化的局部离群因子故障检测方法

针对多工况过程数据的批次不等长、中心漂移、工况结构不同等特点,提出基于统计模量和局部近邻标准化的局部离群因子故障检测方法(SP-LNS-LOF)。首先计算每个训练样本的统计模量;然后使用局部近邻集标准化统计模量,得到标准样本;最后计算标准化样本的局部离群因子,并将其作为检测指标,将局部离群因子的分位点作为检测控制限,当在线样本的局部离群因子大于检测控制限时,判定其为故障;否则为正常。统计模量提取过程的主要信息,且消除批次不等长的影响;局部近邻标准化克服工况中心漂移和工况结构不同的困难;局部离群因子度量样本的相似度,实现故障样本和正常样本的分离。进行了半导体蚀刻过程故障检测仿真实验,实验结果表明SP-LNSLOF检测出了全部21个故障,比主元分析(PCA)、核主元分析(k PCA)、基于k近邻的故障检测(FD-k NN)、局部离群因子(LOF)方法具有更高的检测率。理论分析和仿真实验说明SP-LNS-LOF方法适用于多工况过程故障检测,具有较高的故障检测效率,能保证多工况生产过程的安全性。

基于改进局部离群因子的低压用户用电隐患检测方法

基于用电信息采集系统的量测数据,提出了一种基于改进局部离群因子算法的用户用电隐患检测方法。首先,提出基于信息熵的电压信息重构方法,扩大电压数据差异性。其次,提出基于K-奇异值分解的电压数据稀疏编码方法,解决台区用户原始负荷特征维度过高带来的冗余性问题。然后,提出基于改进局部离群因子算法的用户用电隐患检测方法,通过多局部离群因子模型组合优化,提高低压用户用电隐患检测泛化能力与准确率。最后,以中国浙江省某台区为例进行验证,算例分析的结果表明所提算法相对于传统局部离群因子算法具有更高的隐患检测准确率。

融合孤立森林和局部离群因子的离群点检测方法

单一的离群点检测方法对所有数据采用同一种异常标准,无法综合考虑全局和局部信息,存在精度不足和效率低下等问题。为解决上述问题,提出一种融合孤立森林(iForest)和局部离群因子(LOF)的离群点检测方法(FSIF-HDLOF),即利用高效的iForest对原始数据集进行剪枝,再采用LOF对剪枝后的数据集进行更精确的检测。在剪枝及检测阶段,算法针对iForest和LOF的不足进行相应改进。结合数据点在剪枝及检测阶段的异常信息,定义加权融合公式来确定离群点。实验结果表明,FSIF-HDLOF实现了检测精度与效率的良好平衡,尤其在大数据量且低离群点比例的数据集上的检测精度优势较大。

基于时空近邻标准化和局部离群因子的复杂过程故障检测

针对复杂过程数据的非线性、动态性和中心漂移等特征,提出了基于时空近邻标准化和局部离群因子的故障检测方法(TSNS–LOF).首先使用训练样本在时空两个方向上的近邻集来标准化训练样本;然后在标准样本集上计算样本的局部离群因子,并确定其上分位点作为检测控制限,进行在线故障检测.时空近邻标准化解决了复杂过程数据的非线性、动态性和中心漂移的问题;局部离群因子通过度量样本的相似度实现了故障样本和正常样本的分离.将TSNS–LOF应用于田纳西–伊斯曼过程(TE)过程进行故障检测实验,结果表明相对于主元分析、动态主元分析、k近邻、局部离群因子等方法, TSNS–LOF对故障预警更加及时且具有更高的故障检测率.理论分析和仿真实验说明TSNS–LOF方法适用于具有动态性或多模态特性或两者兼具的过程故障检测,能够更好地保障生产过程的安全性和产品的高质量.

基于动态多向局部离群因子的在线故障检测

针对化工间歇生产过程的多模态问题,为了提高故障检测性能,将滑动窗口技术与局部离群因子(LOF)算法相结合,提出了一种新的动态多向局部离群因子(dynamic multiway local outlier factor,DMLOF)用于工业过程在线故障检测的方法。首先将间歇过程数据展开成二维数据,利用滑动窗口技术分别在时间片内运用局部离群因子算法计算LOF统计量,并利用核密度估计(KDE)确定控制限。对于新来数据标准化处理后分别在相应窗口内投影,确定新数据的LOF统计量并与控制限比较进行故障检测。最后通过青霉素发酵过程的实验结果验证了该算法的有效性。

基于局部离群因子的PMU连续坏数据检测方法

同步相量测量单元(PMU)能为电力系统监测和控制提供实时数据。然而,PMU连续坏数据与扰动数据高度相似,可能会导致控制中心做出错误的决策。针对PMU连续坏数据难以与扰动数据区分的问题,提出了一种基于局部离群因子(LOF)的连续坏数据检测算法。通过大量现场数据分析得出连续坏数据空间相似性差、扰动数据空间相似性强的结论,依据此结论提出了基于动态时间规整(DTW)的空间相似性评估方法。通过评估不同PMU的空间相似性来计算每台PMU的LOF值,进一步,提出了基于箱线图的阈值确定方法。通过比较当前窗口每台PMU的LOF值是否超过阈值,在线识别连续坏数据。仿真和测试结果表明,所提方法能有效实现连续坏数据的辨识和检测,并区分扰动数据。

基于K均值聚类与局部离群因子算法的故障检测研究

针对化工生产过程的多工况、数据多模态问题,提出一种基于K均值聚类的局部离群因子故障检测方法。首先利用K均值聚类算法对多模态工业数据进行聚类,将各个模态的数据分离出来,然后运用局部离群因子算法在各个模态下单独建立模型,并且确定各个模态下的局部离群因子控制限。检测时首先判断样本属于哪一类,然后在相应类别下求取局部离群因子值并与此类别下的控制限进行比较,确定是否为故障数据。将此方法运用到TE过程的多模态数据中,并且将此方法与单独应用局部离群因子算法做故障检测对比,结果表明:所提算法可以大幅提高故障的检测率。

基于局部离群因子和波动阈值的古籍版面图像分析方法

古籍版面图像结构复杂,对其进行有效、准确的分析是实现古籍汉字识别与检索的前提和基础。对古籍汉字版面分析的关键问题展开研究,在对古籍版面特点进行分析与归纳的基础上,提出基于局部离群因子(local outlier factor,LOF)和波动阈值的古籍版面分析方法。首先,采用基于LOF的分类算法对古籍版面图像投影分割后的区域进行分类,确定存在分割问题的候选混合区域;然后,利用波动阈值对候选混合区域中的文字与框线粘连部分进行分割;最后,确定古籍版面中的文字区域并输出。实验结果表明,该算法能够有效地分离古籍文字区域和框线区域,版面分类和分割准确率分别为87.02%、78.69%。

基于局部离群因子算法的变压器异常检测

针对传统的变压器异常检测方法存在实时性差和效率低的问题,应用主成分分析法和局部离群因子算法(Local Outlier Factor,LOF)相结合的方法设计了变压器异常检测模型。首先,利用主成分分析法对变压器电气参量数据集进行特征降维,减少特征的冗余度;然后,通过局部离群因子算法计算所有样本点的离群因子,并将离群因子与截断阈值进行比较,筛选出变压器电气参量异常的样本点;最后,采用混淆矩阵对该方法做检测性能评估。利用局部离群因子算法对变压器状态异常进行检测,其灵敏度为81.8%,特异度为87.7%,几何均值为84.7%。局部离群因子算法的异常检测效果良好,可以辅助工程人员对变压器运行状态进行实时监测。