基于无监督学习的抽油机井示功图自动聚类与批量标注方法

为充分利用大量未标注样本、节约人力与时间,提出了基于无监督学习的抽油机井示功图自动聚类与批量标注方法。首先,将抽油机驴头往复运动产生的位移、载荷数据转化为示功图图片样本,其中,示功图的横坐标为位移,纵坐标为载荷;其次,加载在ImageNet上训练过的带有一系列权重参数、具有强特征提取能力的卷积神经网络模型;然后,去除该网络模型的全连接层,利用该网络模型提取示功图图片样本的特征;最后,利用k-means聚类算法对提取到的特征进行聚类分析,将具有相似特征的示功图聚到同一文件夹中。批量的对示功图聚类结果进行快速标注,从而形成抽油机井故障诊断的示功图样本集。实验随机搜集了100口抽油机井的20 000条示功图数据,结果表明,基于无监督学习的抽油机井示功图自动聚类与批量标注方法耗时短、准确率高,为示功图样本集标注提供了一种高效方法,对于充分挖掘油田大数据的应用价值具有示范意义。

基于DCNN的ZPW-2000A无绝缘轨道电路故障诊断研究

针对ZPW-2000A无绝缘轨道电路故障发生的多样性和不确定性导致的故障诊断效率低的问题,从故障特征提取和故障分类的角度出发,提出一种基于深度卷积神经网络(DCNN)的轨道电路故障诊断方法。通过故障分析总结出12种轨道电路故障状态,并将不同故障状态下的轨道电路监测数据进行标准化处理,作为DCNN模型的输入。模型采用卷积-池化结构提取轨道电路的关键特征并滤除冗余特征。BP神经网络作为模型的全连接层,并结合Softmax函数进行故障分类。通过k折交叉验证法优化模型结构,确定最佳模型。实验结果表明,采用4层卷积-池化层结构的轨道电路故障诊断模型在诊断准确率方面达到了98.48%,较同为最优模型的长短期记忆网络(LSTM)模型、深度前馈网络(DFN)模型、双向长短时记忆网络模型(BiLSTM)与CNN-LSTM组合模型分别提升了6.06%,6.06%,3.33%与2.27%,训练收敛速度分别快了大约1250、4250、1250与1450次,且训练时的损失波动更小。本研究提升了轨道电路故障诊断效率,为轨道电路的故障诊断任务提供了一种新的有效方法。

应用于供应链的区块链PBFT共识算法优化

目前,区块链在供应链领域中的应用越来越受到业界的广泛关注.但由于供应链中存在大量复杂性的事务,这给可信的主节点选取工作带来了挑战.因此,在机器学习分类算法与PBFT(practical Byzantine fault tolerance)共识算法的基础上,提出一种应用于供应链的区块链PBFT共识算法优化方法.对构建供应链与区块链的集成框架进行分析,根据供应链中参与共识的节点属性特征,运用K-近邻(K-nearest neighbors)来优化PBFT共识算法的主节点选取规则.实验结果表明,对共识节点进行信任评估分类可以较好地解决因视图切换所引发的效率问题,从而提升区块链的吞吐量、时延、容错性等共识性能,具有一定的实用性,也给区块链在其他行业的应用提供了思路.

基于模式识别的舰船机械电子设备故障自动监测

舰船机械电子设备故障数据量较为庞大,且模式复杂多样,为满足其复杂性的要求,提出基于模式识别的舰船机械电子设备故障自动监测方法,采集舰船机械电子设备运行中的温度、压力、振动等数据作为故障监测的原始数据,计算数据间的相似系数和欧氏距离,结合K均值算法实现数据聚类处理。通过小波包算法对聚类后的数据进行特征提取,将其输入到卷积神经网络中,通过对监测模型进行训练,最终实现对舰船机械电子设备故障自动监测。通过实验分析,该方法与相关人员进行监测的故障情况高度一致,在不同故障类型监测的时间均能够保持在5 ms以内,具有较高的监测效率和监测精准度。

始新世中期安宁河断裂冲断变形特征及其构造意义:来自断层泥自生伊利石K-Ar定年的证据

青藏高原及其周缘褶皱-冲断带变形方式和时限是验证高原形成众多大陆岩石圈变形动力学端员模型的关键。近年发展起来的断层泥自生伊利石K-Ar定年技术为精确限定褶皱-冲断带变形时限提供了有效手段。鲜水河—安宁河—小江断裂系作为伴随印度-欧亚板块碰撞造山和高原物质侧向挤出过程形成的大型左旋走滑断裂系,其变形过程可为解译印度-欧亚板块碰撞远程应力向东传递方式提供关键证据。本文选取安宁河断裂冕宁—西昌段作为研究对象,在详细构造解析以明确其构造运动学特征的基础上,开展了断层泥自生伊利石K-Ar定年研究,以期精确限定安宁河断裂脆性变形的时间。构造解析表明安宁河断裂在近EW向挤压作用下经历了冲断变形,断层带发育碎斑岩和断层泥,指示为脆性变形。安宁河断裂不同粒级断层泥样品的黏土矿物学和伊利石K-Ar定年分析揭示,随着样品粒级减小,高温2M1型伊利石含量相对低温1M/1Md型伊利石含量逐渐减少,其K-Ar年龄总体呈变年轻趋势,表明不同粒级伊利石K-Ar年龄是由碎屑2M1型和自生1M/1Md型两个多型端员组成的混合年龄。伊利石年龄分析获得自生1M/1Md型伊利石的年龄为(42.6±9.4)Ma,表明安宁河断裂经历了始新世中期的冲断变形。结合前人构造变形、沉积学、低温热年代学和古地磁等研究,我们认为始新世中期青藏高原腹地及其周缘褶皱-冲断带发生准同期的构造挤压变形,其动力学机制可能与印度-欧亚板块硬碰撞以及青藏高原地块的陆内俯冲所导致的先存构造带活化有关。始新世中期安宁河断裂发生冲断变形直接证明印度-欧亚板块碰撞初期的远程应力已传递至青藏高原东南缘地区。

基于自主认知深度时间聚类表示的隔离开关故障诊断方法

为准确识别隔离开关发生的故障,并确定故障类型,保证电网的稳定运行,提出一种基于自主认知的深度时序聚类表示模型(Autonomous-cognition deep temporal clustering representation model,AC-DTCR)对隔离开关的故障进行诊断。在数据量少且类别标签信息不可用的情况下,时间序列聚类是非常好的无监督学习技术,而AC-DTCR模型集成了时间重建和K-means目标,为提高编码器的能力,提出一种假样本生成策略和辅助分类任务,改进集群结构,获得特定于集群的时间表示。根据高压隔离开关故障模拟试验得到的电机电流数据,使用AC-DTCR模型分成四个部分对试验数据进行训练。结果表明,该模型具有良好的分类性能,与传统的分类模型和时间序列聚类模型相比,有更高的准确率,可应用于电力设备故障诊断领域中。

利用H-κ-c方法研究丽江—小金河断裂两侧的地壳厚度与泊松比

本文基于研究区不同台网布设的156个地震台站记录的远震波形数据,提取台站下方径向接收函数,利用H-κ-c方法获取了丽江—小金河断裂两侧的地壳厚度与泊松比分布情况.结合前人的研究成果,分析讨论了丽江—小金河断裂两侧的地壳物质组成特征、孕震环境及未来的地震危险性.研究区地壳厚度从西北的~70 km逐渐向东南方向递减至~39 km,大致以27°N为分界线,以北地壳较厚,以南地壳较薄.盐边—攀枝花地区莫霍面较周围地区明显上隆.乡城—得荣—香格里拉、冕宁、丽江—鹤庆—宁蒗以及盐边—攀枝花—德昌地区均为高泊松比(σ>0.28);木里断裂、盐源断裂与金河—箐河断裂之间的区域、以及澜沧江断裂、程海断裂所在的地区呈低泊松比(σ<0.26).结合高热流、低S波速度等特征,我们认为青藏高原侧向挤出的下地壳塑性物质导致了乡城—得荣—香格里拉和冕宁地区的地壳增厚与高泊松比,并可能沿着近NS或NW走向的断裂挤入丽江—鹤庆—宁蒗地区.考虑低热流、高泊松比、高密度以及高P波速度等的特征,我们推测盐边—攀枝花地区的莫霍面局部上隆很可能与二叠纪地幔柱活动有关,岩浆的底侵作用导致了地壳的减薄,冷却固结后形成了盐边—攀枝花—德昌地区的地壳基底铁镁质/超铁镁质层.以盐边—攀枝花地区为中心的峨眉山大火成岩省内带阻挡了青藏高原的下地壳流动,使其沿着丽江—小金河断裂向西南方向转折.大多数MS≥5.0级的历史地震都发生在莫霍面陡变带上以及高泊松比周围或高、低泊松比过渡地区.丽江—小金河断裂的木里至冕宁段及该断裂与大具断裂交汇处位于高、低泊松比交界地区,根据S波速度高梯度带、断层的强闭锁性、历史地震空段区以及较长的大震离逝时间,推测这两段可能具备发生中强以上地震的孕震环境,需要重点关注其地震危险性.

桥式起重机系统的传感故障容错控制研究

针对欠驱动桥式吊车系统的小车位置传感器故障问题,设计了一种基于观测器的自适应容错控制算法。考虑小车位置传感器出现了大小和符号均未知的故障,为了实现系统稳定下的定点和防摆控制目标,提出了由基于K滤波器的观测器以消除未知传感器故障的影响,同时引入Nussbaum增益来减轻故障未知符号的影响,二者共同组成自适应容错控制器使得桥式起重机可在传感器故障下依然实现控制目标。同时,基于李雅普诺夫稳定性理论,利用反步法证明了欠驱动桥式起重机系统的稳定性。最后,利用MATLAB验证了控制方案的可行性。

基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。

基于k-means的动态多组织PBFT算法

联盟区块链系统被广泛用于金融和物流等场景。现有应用于区块链系统的实用拜占庭算法(practical Byzantine fault tolerance,PBFT)存在可扩展性较低及通信成本较高等问题,阻碍了区块链系统在大规模场景中的应用。针对上述问题,提出了一种动态多组织实用拜占庭容错算法(k-means-practical Byzantine fault tolerance,k-PBFT)。通过改进k-means算法,根据节点的时延以及节点间通信距离将节点分为多个自治组织,各组织之间通过组织代表节点进行通信。当新节点加入时,根据其特点将其分配到最合理的组织。同时,引入信誉机制以辨别系统中的诚实节点与恶意节点,从而提高系统的安全性。此外,该算法还引入节点任期机制,使区块链中每个诚实节点都有机会充当组织代表节点或主节点。实验结果表明,与PBFT算法相比,k-PBFT算法通信复杂度降低了75%;当节点数为100时,相比于PBFT算法,时延降低了210 ms,吞吐量提高了100%。在高延迟环境下,相较于基于信誉分组的PBFT改进算法,当节点数为100时,时延降低了20%,吞吐量提高了17%。

基于改进经验模态分解的直流串联电弧故障检测

针对直流系统中存在强噪声干扰时串联电弧故障检测准确度较低的问题,提出一种基于改进自适应噪声完备集合经验模态分解和模糊k均值聚类相结合的直流串联电弧故障检测方法;首先运用改进自适应噪声完备集合经验模态分解方法分解回路电流信号,得到多个本征模态函数;然后计算各本征模态函数的Hurst指数值以区分噪声分量和有用分量,将Hurst指数值大于0.5的有用分量进行重构;最后计算重构信号的峰峰值特征量和模糊熵特征量以构建特征向量作为模糊k均值聚类的输入,通过聚类中心的不同位置识别正常与故障状态。仿真与试验结果表明,所提出的方法区分系统正常与故障状态准确度为100%,区分系统干扰与故障状态准确度为93%,能有效识别直流串联电弧故障。

基于多模型建模的基站光模块故障预测

为解决基于聚类分解的多模型建模中,簇之间边界不清晰和误划造成建模预测精度低的问题,本文提出一种单向近邻搜索算法,通过合并K-means聚类后各簇之间相距较近的数据群,建立重叠训练域。进一步通过计算相邻簇与其重叠域之间的数据特征差异,作为估计重叠域工况点的模型输出权重。最后,分别以Iris数据集和基站光模块为研究实例进行验证,结果表明可以获得更高的预测精度,验证了本文方法的有效性。

基于得分差分MMP的多模态过程故障检测

针对工业过程中的多模态问题,提出一种基于得分差分多流形投影(SDMMP)的多模态过程故障检测算法。首先,运用多流形投影(MMP)算法构造统一的全局图和局部图计算原始样本的得分。其次,采用k近邻方法计算近邻样本的均值向量,在此基础上计算样本的估计得分,并运用估计得分计算得分差分矩阵和残差矩阵。再次,建立新的SPE和T^(2)监控指标来监测得分差分子空间和残差子空间的变化,应用核密度估计法(KDE)计算控制限。最后,将新的统计量与控制限比较进行故障检测。将SDMMP算法应用于数值例子和田纳西-伊斯曼过程进行监测与诊断。仿真结果表明,与主元分析(PCA)、局部保持投影(LPP)和MMP相比,SDMMP算法在具有多模态特征的工业过程故障检测中具有明显的优越性。

基于DBSCAN-ML的液压风力发电机故障诊断研究

传统风力发电机对于系统故障的解决方案是有限和预先确定的,而具有大量传感器数据的故障预测诊断可以有效预防可能发生的系统故障,从而降低设备维护成本。为此,提出一种基于DBSCAN-ML的风力发电机故障诊断策略。基于密度的应用噪声算法空间聚类(DBSCAN)从正常状态数据中分类出异常状态的风力机数据,然后采用决策树和随机森林算法2种机器学习(ML)算法构建预测模型,最后使用K折交叉验证进行测试。通过广西31台风力发电机组数据对此故障诊断方案进行案例验证。结果表明:DBSCAN算法可以有效分离异常状态数据,且决策树预测模型和随机森林模型可以分别获得92.7%和92.1%的准确率,通过数据挖掘和建模可以检测风力发电机组的故障,并可以预测部件的维护需求。

基于混沌理论与麻雀优化K-means算法的变压器铁心松动缺陷分析方法

为了更加有效地对变压器铁心状态进行分析,提出一种基于混沌理论与麻雀优化K-means算法的变压器铁心松动缺陷特征分析方法。首先,运用C-C法求解重构相空间的嵌入维数与延迟时间,重构变压器振动信号的相空间。其次,计算变压器振动信号的最大Lyapunov指数来判断系统是否具有混沌特性,选取关联维数、Kolmogorov熵作为一组混沌特征以识别铁心的松动程度。再次,将麻雀搜索算法引入K-means聚类算法优化初始中心簇的选取并使用簇中心与簇类点的位移平均值作为描述变压器铁心松动状态的定量特征。最后,将两组特征结合起来形成变压器铁心松动故障的诊断指标,为变压器铁心的松动故障诊断提供理论依据,并投入分类器进行故障诊断,验证两组特征结合的优越性。

基于时空近邻标准化和PCA的故障检测方法

针对多阶段复杂工况数据非线性、动态性的特点,提出了基于时空近邻标准化和主元分析相结合的故障检测方法(TSNS-PCA).首先在时间层次上搜索样本的近邻集,其次寻找样本的时间近邻在空间层次上的近邻样本集,然后在标准化样本集上通过主元分析方法计算监控模型的T 2和SPE控制限,最后计算待检测样本的相应统计值,并且与控制限相比较,达到故障检测目的.TSNS方法不仅可以将复杂非线性、动态性、多阶段数据中心变换至坐标原点,并使新数据近似服从单一正态分布,还保持了离群点与正常点间的偏离程度.利用一个非线性动态数值模拟过程和青霉素仿真过程证明在动态多阶段过程监控中TSNS-PCA方法的效果明显优于PCA、KPCA、DPCA、WkNN、TSNS-LOF等方法.

基于神经网络的舰船动力电路故障诊断方法

为有效滤除舰船动力电路信号内的噪声和干扰,提取出有用的故障特征,并在复杂多变的运行环境中,准确诊断各种未知故障类型,研究基于神经网络的舰船动力电路故障诊断方法。利用栈式稀疏自编码器在舰船动力电路信号内,提取有用的电路故障特征,利用其稀疏性滤除电路信号内的噪声和干扰,减少故障特征之间的冗余;通过K-means算法,优化概率神经网络结构;在优化后的概率神经网络内,输入有用的故障特征,输出舰船动力电路故障诊断结果,依据其强大的在线学习能力,提升其对未知故障诊断的适应性。实验证明该方法可有效提取舰船动力电路故障特征;在不同噪声强度的运行环境下,该方法均可精准诊断电路故障。

基于Storm云平台的电力设备并行故障诊断方法

为了实现电力行业多源数据的监测诊断,应对电力系统的实时处理需求,引入Storm分布式实时计算平台对数据进行处理。在此平台上部署基于混合聚类的流数据处理模型,实现数据流的故障诊断。通过将减法聚类算法和K-means算法结合实现流式数据的故障检测。减法聚类获取较优的聚类中心,而K-means算法根据此聚类中心计算出较好的分类结果。测试集群和单机的数据处理量的结果表明在集群环境下合理设置组件并行度可以提高流计算时效性和吞吐量。

电磁继电器故障检测系统设计与实现

文章提出了一种使用C++编程语言开发电磁继电器故障检测系统的方案,该系统包括数据采集、数据挖掘和设备管理模块。采用了三层架构的设计,旨在提高系统的开发效率和可维护性。为了提升故障识别率,引入了K-means算法作为数据挖掘的核心方法。在系统开发中,数据采集模块负责获取与电磁继电器运行状态相关的数据,如电流、电压和温度等。数据挖掘模块使用K-means算法对这些数据进行聚类分析,以识别潜在的故障模式和异常行为。设备管理模块则通过三层架构进行设计,包括数据存储、业务逻辑和用户界面层,以实现对传感器、模型部署等设备的有效管理。

基于改进SMOTE不均衡样本处理和IHPO-DBN的变压器故障诊断方法研究

针对由于变压器故障样本不均衡和故障模型陷入局部最优而导致的分类准确率低的问题,提出了基于改进的合成少数类过采样技术和优化深度置信网络(deep belief network, DBN)的变压器故障诊断方法。首先采用聚类融合的K-means算法,通过分簇和匹配的方式筛选出不稳定的少数类样本用以改进中心点合成少数类过采样技术(center point synthetic minority oversampling technique, CP-SMOTE)算法,并对少数类样本进行扩增,解决了变压器故障数据分布不均衡的问题。其次,通过加入随机逆向学习和自适应惯性权重技术对猎食者优化算法进行改进,并用改进后的算法对DBN的内部参数进行优化调整,提高了模型精度。最后,将不同数据预处理情况下以及不同数据规模下的变压器故障模型进行仿真对比。结果表明,经过数据预处理和模型优化后的变压器故障识别准确率能够提高到98%,有效地解决了故障数据不平衡导致的分类精度低的问题。