基于SMOTE-IKPCA-SeNet深度迁移学习的小批量生产质量预测研究

随着智能制造技术的发展和客户个性化需求的增加,多品种小批量生产方式逐渐成为制造业的主流。面向大批量生产、以统计过程控制为核心的质量管理方式并不适用于小批量生产。针对复杂生产过程存在参数多、非线性和交互作用的问题,提出利用深度迁移学习的方式将历史生产数据作为源域迁移至小样本目标产品数据进行质量预测。首先,通过合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)和改进的核主成分分析(improved kernel principal component analysis,IKPCA)算法筛选源域和目标域的可迁移特征,这不仅兼顾了特征重要性和可迁移性,还减少了“负迁移”,提高了模型泛化能力;然后,采用结合通道注意力机制的卷积神经网络SeNet构建基于深度迁移学习的质量预测模型。仿真结果表明,随着目标域样本的增加,所提方法的预测准确性明显优于广泛采用的支持向量机建模方法。同时,所提可迁移特征筛选方法显著提高了深度迁移学习的质量预测效果,为复杂的小批量生产过程质量保证提供了新方法。

基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主成分作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-LSSVM预测模型,将预测结果与PCA-LSSVM、LSSVM、多元非线性回归、KPCA-BP神经网络、PCA-BP神经网络以及BP神经网络预测结果进行对比。以最大相对误差绝对值作为模型预测精度的评价指标。研究结果表明:当选取前4个核主成分时,即达到模型训练要求。KPCA-LSSVM模型的预测最大相对误差绝对值为5.89%,预测精度均优于其他6种对比模型。研究结果可为实现瓦斯涌出量高精度预测提供参考。

基于KPCA-BiLSTM-iForest的瓦斯体积分数异常智能识别方法

为了实现瓦斯体积分数异常在线精准超前识别,提出1种基于多元异构数据融合的瓦斯体积分数异常识别方法(KPCA-BiLSTM-iForest),该方法采用核主成分分析(KPCA)对非线性数据进行降维和特征提取,提取主要信息并减少计算量,并采用双向长短期记忆神经网络(BiLSTM)对降维后的数据进行瓦斯体积分数预测,利用隔离森林(iForest)根据预测结果及实际值相关数据进行异常检测。研究结果表明:该方法能够提前20 min检测到瓦斯体积分数异常,且异常识别准确率较KPCA-LSTM-iForest方法,KPCA-iForest方法和KPCA-BiLSTM-LOF方法可以提升3个百分点以上。研究结果可为识别瓦斯体积分数异常并提出预警提供依据。

基于KPCA-PSO-LSSVM的轴承寿命预测研究

为了预测不同工况下对于滚动轴承的最大剩余使用寿命(RUL),提出了一种基于核主成分分析(KPCA)结合粒子群优化最小二乘支持向量机(PSO-LSSVM)的滚动轴承RUL预测框架。该方法首先从时域、频域以及小波包域进行轴承故障特征提取,得到一系列退化特征;其次,在尽可能多保留退化特征的前提下,运用KPCA方法进行特征约简;最后采用PSO-LSSVM构建结合的模型来预测滚动轴承的RUL。通过美国智能维护中心(IMS)提供的多组轴承衰退振动信号对模型进行验证,实验结果表明,相比较于PSO-LSSVM和KPCA-LSSVM模型,论文提出的KPCA-PSO-LSSVM的轴承剩余寿命预测方法具有更低的预测误差,可以比较准确出拟合滚动轴承的退化情况。

基于KPCA-GA-BP模型的页岩气集输管道的内腐蚀速率预测

针对页岩气集输管道的内腐蚀,提出了一种基于KPCA-GA-BP组合模型的腐蚀速率预测算法。以某条页岩气集输管道的检测结果作为训练数据,运用反向传播(BP)神经网络建立预测模型,运用遗传算法(GA)优化了神经网络权值和阈值的初始值,运用核主成分分析法(KPCA)对数据进行了降维,在模型建立的过程中不断优化提升模型的预测精度,采用所建模型对另一条相邻管道进行预测并开挖验证。结果表明:选择TRAINGDM作为训练函数,隐含层节点为(8,1),遗传算法进化数为50,种群规模为100,交叉概率为0.3,变异概率为0.2,运用KPCA将数据从7维降为4维后,此模型的均方误差最低为0.12,当该模型用于相邻管道的预测时,均方误差为0.14。运用KPCAGA-BP模型,对页岩气集输管道内腐蚀速率进行预测具有一定的准确性,此模型可用于辅助指导现场内腐蚀直接评价等相关工作。

基于KPCA算法的智能发电厂电力设备运行故障在线诊断方法

本文研究基于KPCA算法的智能发电厂电力设备运行故障在线诊断方法,采用滤波技术和小波变换去除并重构图像中的噪声,在特征空间进行内积运算,建立故障模型,整合数据并设定置信门限值。若统计量超过门限值,触发故障预警。测试结果显示,该方法10组测试的准确率均超过99%,能准确、实时地聚类并诊断故障。

基于KPCA-FCM工况精简的机组燃烧优化

针对深度调峰下运行工况频繁变动使锅炉燃烧优化参数调整难度增大的问题,提出了一种基于KPCA-FCM工况精简的燃烧优化方法。首先对锅炉实际历史运行数据提取稳态工况后,通过核主成分分析法(KPCA)进行降维,选取贡献率较大的运行参数利用模糊聚类算法(FCM)进行分析完成工况划分,实现对工况的精简。然后对不同的燃烧工况匹配对应的工况簇,调整燃烧参数到该类的最佳运行参数。为了验证该方法的合理性,采用最小二乘支持向量机辨识锅炉燃烧热效率模型。以高低两个工况区间为例进行仿真验证,结果表明提取到的最优运行参数目标值可以使锅炉热效率最高提升0.2%。因此,提出的工况精简方法可有效选取最优运行目标值,为现场运行人员调整运行参数提高锅炉效率提供了合理的数据参考。

非盲源KPCA剩余噪声比阈值层析SAR成像方法

合成孔径雷达(SAR)层析成像技术是基于干涉SAR测量技术发展而来的先进三维成像技术。层析SAR通过第三维反演技术将叠掩在同一距离-方位分辨单元的散射体进行分离而实现SAR的三维成像。因此,叠掩在同一距离-方位分辨单元的散射体分离是层析成像的关键。文中提出了一种非盲源散射体分离算法,结合核主成分分析和剩余噪声比阈值,估计同一距离-方位分辨单元内散射体的个数,并反演其位置。在满足完整度的同时,尽可能抑制噪声。该方法利用核主成分分析,人为增加核矩阵维度,从而减少系统的导向向量偏差;并且加入剩余成分中噪声强度比的计算作为算法的约束条件,从而降低了噪声信号误判的可能性。实验结果表明,所提方法在各个方面都优于传统的层析反演方法,并且高度重建精度得到一定程度的提高。

基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测

为提升盐穴储气库注采管柱的内腐蚀速率预测精度,建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征,应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型,并采用SSA对模型参数进行迭代寻优,避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明,经小波KPCA特征提取后得到包含98.73%原信息的3项主成分,SSA-ELM模型的预测结果与实际值基本吻合,其均方根误差(E_(RMS))为0.009 3,平均绝对百分比误差(E_(MAP))为0.336 0%,决定系数(R~2)高达0.991 2,较其他3种对比模型性能更优。研究表明,所建模型具有强泛化性能和高预测精度,能够有效预测盐穴储气库注采管柱的内腐蚀速率,为盐穴储气库注采系统的完整性评价和风险预警提供参考。

基于KPCA-LSTM的旋转机械剩余使用寿命预测

旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。

基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的,将降维后的主成分作为BiLSTM神经网络的输入,分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练,得到分解炉出口温度预测模型。通过对比验证表明,使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。

基于KPCA-SSA-ENN的变压器油界面张力预测

针对目前变压器油界面张力的传统检测方法检测时间长、成本高等问题,提出了基于多频超声检测技术和人工智能算法的界面张力预测方法。对选取的175组变压器油样进行圆环法界面张力检测和多频超声波检测,分析了多频超声波信号的幅频响应、相频响应和界面张力之间的相关性。通过核主成分分析(KPCA)预处理多频超声波数据,划分样本集为140组的训练集和35组的测试集,并建立麻雀搜索算法(SSA)优化Elman神经网络(ENN)的界面张力预测模型,预测平均相对误差为6.53%,预测准确率达到93.47%。

基于KPCA-ICFSFDP-MOGP的拱坝多测点变形数据预处理及预测方法

为更高效地对高拱坝的多测点变形数据进行分析,引入了核主成分分析(KPCA)算法重构误差以识别多测点序列中的异常值;为解决用于测点聚类的密度峰值聚类(CFSFDP)算法高维表现较差的问题,利用KPCA算法对其进行降维操作,并提出了自动选取聚类中心与截断距离的改进CFSFDP(ICFSFDP)算法;基于KPCA-ICFSFDP和多输出高斯过程(MOGP)算法,按分区建立了多测点变形MOGP回归模型。实例验证结果表明,对于簇内点数量较少的类,相较于不分区的MOGP模型,预测效果得到了一定的提升,同时在整体MOGP模型表现良好的测点,分区后仍然保持较高的预测精度,且与单输出高斯过程模型对比均有所提升。

基于KPCA-SSA-BP的农业气象灾害预测

农业气象灾害对农业发展有很大阻碍,为优化农业气象灾害预测的估算模型,本研究以山东省作为研究区域,利用核主成分分析(KPCA)对影响因子进行降维,以传统反向传播(BP)神经网络模型为基础,基于麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)3种优化算法,构建了SSA-BP、PSO-BP、GA-BP 3种优化模型。结果表明,在旱灾受灾率的模型评价指标对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的均方根误差(RMSE)分别下降23.55%、12.28%和17.74%;在洪灾受灾率的模型评价对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的RMSE分别下降了29.96%、9.49%和13.88%。说明SSA-BP神经网络模型对旱灾受灾率、洪灾受灾率的预测效果优于传统BP神经网络模型以及PSO-BP、GA-BP优化的神经网络模型。

基于KPCA-SVM的高压断路器机械故障诊断

高压断路器机械故障特征都极为类似,缺少必要分级分类过程会导致识别精度大幅降低。本文提出基于KPCA-SVM的高压断路器机械故障诊断技术。采集高压断路器机械故障样本数据,使用核主元分析方法提取样本中故障的特征向量,将其输入到支持向量机内,完成故障多级分类,通过3个支持向量机训练与分类设备正常状态以及拐臂润滑不足、分闸弹簧脱落两个典型机械故障和其它故障,实现高压断路器机械故障准确、高效诊断。实验结果表明:该技术将正则化参数和核函数参数分别设置为30,15,能获得更优异的诊断性能;诊断各类型缺陷的准确度高达91%,且诊断用时均低于40 s,效率较高。

结合KPCA和XGBoost模型的企业经济危机风险预测研究

针对传统企业经济危机风险预测模型精度低,财务指标变量间相关性重叠度高的缺陷,研究提出利用KPCA算法对财务指标进行降维,利用SMOTE算法实现样本数据的平衡性修正,最后结合XGBoost模型构建企业经济危机风险预测模型。实验结果显示,研究构建模型的预测精度超过90%,在4种模型当中,模型1、模型2、模型3和模型4的AUC值分别为0.902,0.863,0.771和0.694。研究结合KPCA和XGBoost构建的企业经济危机风险预测模型具有较高的精度,能够有效预测企业经济危机,为企业的发展提供保障。

基于KPCA-GWO-SVM的矿井突水水源识别

为提高矿井突水水源识别的精准度,提出1种基于KPCA-GWO-SVM的矿井突水水源识别模型;该算法利用核主成分分析(KPCA)进行特征降维,加快水源识别速度,通过灰狼优化算法(GWO)搜寻支持向量机(SVM)的最优参数,使水源识别精准度更高;以赵各庄矿为研究对象,分析各含水层主要水化学类型,选取6种离子指标,经KPCA提取3个主成分,随机选取总样本量70%为训练集(共47组),30%作为预测集(共20组),构建KPCA-GWO-SVM模型并与KPCA-PSO-SVM、KPCA-WOA-SVM和KPCA-SVM模型对比。结果表明:KPCA-GWO-SVM的水源预测结果与实际结果一致,比未经KPCA处理模型的预测准确率高10%且寻优速度更快;与其他模型相比准确率最高,具有优越性。

基于小波变换和KPCA-BFO-LDA的人脸识别研究

基于某些人脸数据库的数据量庞大且数据信息量差值较大,导致人脸识别运算时耗大、效率低的情况,文章提出一种融合小波变换、核主成分分析(Kernel Principal Component Analysis,KPCA)算法、细菌觅食优化(Bacterial foraging optimization,BFO)算法、线性判别分析(Linear Discriminant Analysis,LDA)算法的人脸识别方法,并通过实验证明了该方法的有效性,使人脸识别率有所提高。

提升KPCA方法特征抽取效率的算法设计

在PCA基础上发展出的KPCA方法能抽取样本的非线性特征分量。然而,基于KPCA的特征抽取需计算所有训练样本与待抽取特征的样本间的核函数,因此,训练集的大小制约着特征抽取的效率。为了提高效率,假设特征空间中变换轴可由一部分训练样本(节点)线性表出,并设计了改进的KPCA算法(IKPCA)。该算法抽取某样本特征时,只需计算该样本与节点间的核函数即可。实验结果显示,IKPCA在对应较好性能的同时,具有明显的效率上的优势。

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析-K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。