基于GRA-ISM-HMM的广州市肉及肉制品安全风险评估

该研究旨在利用广州食品安全风险监测2015年至2020年针对肉及肉制品样本的检测数据,构建肉及肉制品的安全风险评估模型,从而了解广州市该段时间内肉及肉制品的食品安全风险及其时变特点。该研究采取灰色关联分析方法和解释结构模型建立风险指数,并基于该指标值作为隐马尔可夫模型的观测值探讨观测背后的隐含风险状态。分析结果显示,2015~2020年所有样本综合风险指数结果都在[0,0.45]之间,总体风险都较小,其中2019年风险最高;将风险指数进行等级划分,显示2015~2020年风险等级为[1,2,2,2,3,1];通过HMM分析得到这六年的隐藏风险等级为[0,1,1,1,2,0],与观测风险结果一致,且HMM预测2021年风险等级为1,即表明广州肉及肉制品风险往良好态势发展。最后,进行风险差异原因分析,发现各肉制品分类之间有差异,其中腊肠、鸡肉和腊肉的风险指数较高于其他种类,而2019年增加腊肠和腊肉的检测是风险增加的一个原因。总体来说,广州肉及肉制品风险较小,但依旧需要监督改善。

基于机器学习的辅助逆变器温度预测

辅助逆变器的状态直接影响地铁安全运行和乘坐舒适度,为确保地铁运行过程中辅助逆变器能正常工作,文章提出基于机器学习的方法对辅助逆变器温度进行预测,判断辅助逆变器的温度是否存在异常。首先分析原始数据并提取相关特征;其次基于多元线性回归算法、随机森林和K近邻回归模型,建立辅助逆变器温度预测模型,并进行模型训练;最后采用K折交叉验证得出该模型在测试集上的平均绝对误差(MAE)、均方误差(MSE)和R-Squared指标,用以评价模型的拟合效果。试验结果表明:基于多元线性回归和随机森林建立的两个模型在此应用场景下表现较好,两种模型的置信度均在93%左右。

基于数据挖掘技术的地铁牵引电机温度预测

温度是影响牵引电机使用寿命的重要因素,提前预测对地铁安全高效的运行具有极其重要的作用。文章首先以牵引电机的运行数据为基础,选取与电机温度相关的一系列重要特征参数,通过线性回归(Ridge)模型、基于决策树构建的回归树(梯度提升树,GBDT)模型和多层感知机(MLP)模型,建立牵引电机温度预测模型并进行相应模型训练;其次,选用R-Squared、均方误差(MSE)和对称平均绝对百分比误差(SMAPE)指标,来评价模型的拟合效果。最后,利用已训练模型对之后两个月的电机温度进行预测,从而验证模型的泛化精度,实现牵引电机温度精确预测。通过研究,初步验证了数据挖掘技术在预测地铁牵引电机温度方面的有效性和可行性。结果表明,在预测电机温度时,MLP模型比其他两种模型在精准性和鲁棒性方面性能更佳。

基于高斯混合模型的地铁牵引系统健康度评估

文章基于高斯混合模型,采用数据挖掘技术,对地铁牵引系统健康度评估进行研究。主要研究方法为利用无监督学习和有监督学习两种方式,分别建立机器学习模型。首先提取原始特征,采用方差过滤法和主成分分析法进行特征降维;其次在无监督学习下对是否工况分离进行讨论,选用高斯混合模型将得到的类概率值作为设备健康度评分;最后在有监督学习下选用逻辑回归模型评估牵引系统的健康度。结果表明,在无监督学习工况分离的情况下,高斯混合模型的表现状态有较高的预测精度和模型准确度。

基于OC-SVM算法的FSK通信设备异常检测研究

针对地铁FSK(频移键控)通信信道的监测数据正负样本量不平衡即故障样本量较少的问题,提出一种基于OC-SVM算法的异常检测方法。通过对FSK通信信道监测数据的处理分析,该算法能够识别出FSK通信设备的相对异常状态,有效助力FSK通信设备的运维从传统的故障修、计划修转变为智能化的状态修、按需修,提升FSK通信设备的可靠性,降低地铁运营成本。