基于近红外光谱的SG-MSC-MC-UVE-PLS算法在全血血红蛋白浓度检测中的应用

为提高全血血红蛋白浓度预测模型的预测精度,基于近红外光谱分析,首先对原始全血透射光谱数据分别进行均值中心化、标准化、标准正态变量变换(SNV)、多元散射校正(MSC)以及Savitzky-Golay(SG)卷积平滑结合MSC的预处理操作,最终选择预处理效果最好的SG-MSC方法作为数据预处理方法,其最大相关系数达到0.9441。对SG平滑的平滑窗口宽度进行讨论,找出平滑效果最好的窗口宽度为27。数据预处理消除了全血吸收光谱的基线失真,提高了全血吸收光谱数据的信噪比。将190个样本(190个血红蛋白浓度对应的透射光谱数据)分为具有相近血红蛋白浓度分布的校正集和测试集,其中校正集为143个样本(对应血红蛋白浓度分布为10.6~17.3 g·dL^(-1)),测试集为47个样本(对应血红蛋白浓度分布为10.3~17.3 g·dL^(-1)),确保建立模型的适用性。对校正集数据预处理后利用蒙特卡洛无信息变量消除(MC-UVE)方法对其进行波长变量选择,剔除含信息量少的波长点,提高含信息量多的波长占比。设置蒙特卡洛迭代次数为1000,最终从全血吸收光谱的700个波长变量中筛选出191个波长变量用于建立全血血红蛋白浓度偏最小二乘(PLS)回归模型。对比分析原始全血透射光谱全谱PLS模型、原始全血吸收光谱全谱PLS模型、预处理全血吸收光谱全谱PLS模型、SG-MSC-MC-UVE-PLS模型以及已有二阶导数PLS模型的模型效果,表明基于SG-MSC-MC-UVE-PLS算法的全血血红蛋白浓度预测模型效果较其他模型效果更优,预测相关系数由0.6763提高到0.9791,预测集均方根误差由0.8981减小到0.2203,最大绝对误差由2.4261减小到0.4112。同时,利用MC-UVE方法进行波长变量选择,在保证预测精度的前提下,筛选出建模的波长个数更少,有利于提高模型计算效率。研究结果表明,SG-MSC-MC-UVE-PLS方法能够提高全血吸收光谱信号的信噪比,简化模型结构,提高模型的预测精度和计算效率,对推动血红蛋白浓度检测技术的发展具有进步意义。

基于多参数融合和组合赋权的风电机组健康状态评估

针对目前风电机组健康状态无法准确评估的问题,提出一种基于多参数融合和组合赋权的风电机组健康状态评估方法.根据故障频次与时长构建风电机组健康状态评估指标体系,通过将灰色关联分析法的参数层指标客观权重与层次分析法的参数层主观权重对应结合,再与上层指标权重综合,归一化得到组合指标权重,应用高斯函数确定指标对各状态等级的隶属度,采用参数-部件-系统逐层对风电机组开展健康状态评估,选取新疆某风电机组SCADA数据进行验证.结果表明:该方法可在故障发生前得出状态劣化的趋势,对机组早期的故障发出报警,从而达到整机状态预警的目的.

基于GRA-PLS的滚动轴承故障诊断

针对仅用时域和频域指标无法准确诊断滚动轴承故障的问题,提出一种基于灰色关联度(GRA)与偏最小二乘(PLS)的故障诊断算法。首先,对原始振动信号进行灰色关联度分析,提取关联度较高的振动信号作为样本信号;其次,通过时域分析和频域分析获得故障特征集,利用基于遗传算法(GA)和Elman神经网络的组合算法(GA-ENN)对故障特征进行提取;最后,利用PLS算法对滚动轴承的故障类别进行识别。实验结果表明,所提方法能有效剔除原始振动信号中无信息变量,并且实现时、频域指标下滚动轴承故障的准确诊断。

融合改进方差和样本熵的动力电池早期故障诊断

针对汽车动力电池早期微小故障难以检测的问题,论文基于某车实际运行电压数据,提出一种基于修正方差和样本熵相结合的动力电池故障诊断方法。首先获取某辆车动力电池系统充电片段电压数据,通过修正方差算法计算每个单体的修正方差,根据单体方差的大小对早期故障进行初步判定;同时结合单体电压序列样本熵值的大小变化情况实现汽车动力电池早期故障的精准诊断。结果表明,所提方法能够有效减弱电池单体电压不一致性的干扰,尽早挖掘出电池单体中潜藏的早期微小故障,同时样本熵的融合进一步提高了早期故障诊断的准确性。

基于车辆的关系型数据库性能提升

随着电器架构的日益增多,车辆运行过程中会上报大量的行车数据,使用数据库处理的数据量增加,请求难度也在升级,为了能够长期稳定地保存大量的车辆数据,快速查询出所需数据为研发工程师提供数据分析,需要设计出适合存放车辆数据的关系型数据库。PostgreSQL作为先进的开源数据库,支持复杂查询、并发控制等功能。文章针对基于车辆的关系型数据库提出多线程并行查询、创建数据表索引、添加数据库分区以及应用程序连接池的设计优化方法,针对性地对数据库的运行效率提供优化策略。测试结果表明,文章所提出的数据库性能提升方法能将数据请求效率提升数倍,数据库的性能得到极大提升。