基于改进GWO-LightGBM的磨煤机故障预警方法研究

为提高燃煤电厂磨煤机运维效率、降低运维成本,对磨煤机故障预警进行了研究。创新性地提出一种基于改进灰狼优化(GWO)算法的轻量级梯度提升机(LightGBM)故障预警方法。通过建立LightGBM轴承温度预测模型获取磨煤机轴承温度阈值,并引入改进GWO算法优化模型超参数,以提高算法效率和性能。试验结果表明,改进GWO-LightGBM算法相比支持向量机(SVM)等传统算法具有更高的精度和更优的泛化能力。通过实际故障案例证明,该方法能够提前2 h对磨煤机进行早期故障预警。该方法对燃煤电厂磨煤机安全运维具有指导意义。

基于QM-DBSCAN与BiLSTM的风电机组异常工况预警研究

提出一种基于四分位(QM)-具有噪声的基于密度聚类法(DBSCAN)与双向长短期记忆网络(BiLSTM)的风电机组故障预警方法。首先,针对风速-功率图中限功率点难以清洗完全的问题,提出利用QM与DBSCAN联合来对建模运行数据进行预处理;其次,通过分析风电机组运行原理,并结合轻量梯度提升机(LightGBM)特征选择法确定风电机组正常工况预测模型的输入输出参数,并基于BiLSTM建立了高精度的风电机组正常性能预测模型;之后,利用滑窗算法构建了风电机组状态性能评价指标,并通过统计学区间估计法确定指标阈值;最后,采用风电机组真实故障数据,开展风电机组异常工况预警实验,验证了方法的有效性。

基于Attention-BiTCN的网络入侵检测方法

为解决网络入侵检测领域多分类准确率不高的问题,文章根据网络流量数据具有时序特征的特点,提出一种基于注意力机制和双向时间卷积神经网络(BiDirectional Temporal Convolutional Network,BiTCN)的网络入侵检测模型。首先,该模型对数据集进行独热编码和归一化处置等预处理,解决网络流量数据离散性强和标度不统一的问题;其次,将预处理好的数据经双向滑窗法生成双向序列,并同步输入Attention-Bi TCN模型中;然后,提取双向时序特征并通过加性方式融合,得到时序信息被增强后的融合特征;最后,使用Softmax函数对融合特征进行多种攻击行为检测识别。文章所提模型在NSL-KDD和UNSW-NB15数据集上进行实验验证,多分类准确率分别达到99.70%和84.07%,优于传统网络入侵检测算法,且比其他深度学习模型在检测性能上有显著提升。

基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_(Cr))、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。

高分辨率遥感图像的目标检测

卫星遥感图像的分辨率高且目标在图像内的相对尺寸小,因此难以同时确保检测准确率和运行速度。为解决高像素遥感图像的目标检测问题,本文提出了一种结合滑动窗口分割和小目标检测器的检测方法。首先使用滑动窗口法将图像分割成多个子图,滑动步长略小于窗口的大小以使每个子图之间具有一定的重叠部分,并采用较大的分割窗口以降低子图数量。之后对子图进行压缩,使用目标检测算法处理压缩后的图片,降低算法运行时间。最后合并检测结果并采用非极大化抑制策略以去除在重叠部分重复检测的目标。在检测算法方面,本文以YOLOv8n为基础,使用SPD卷积核对网络结构进行改进,基于NWD方法调整正负样本匹配策略,并改进特征金字塔结构以提升算法对小目标的检测性能,从而使算法能够适应在更大尺寸下压缩的子图以减少图像分割数量,提升检测速度。实验证明,在图像平均分辨率为4000×4000的车辆检测数据集上,该方法对目标检测的平均准确率为55.7%,平均每张图片的计算时间约为47.5 ms,准确率比YOLOv8n提升16%,比YOLOv5s提升15%,比YOLOv6s提升7.6%。本文方法的运行效率满足实时化要求,能够以更高精度实时检测卫星遥感图像中的目标。

数控代码中的特征数据识别与处理技术研究及实现

针对现有插补文献均缺乏对G01数控小线段识别处理细节的问题,提出了一种识别特征的滑动窗口法及相应的算法,将数控代码识别成直线、圆弧和自由曲线。给出了基于型值点的3次、5次NURBS分段光滑插值衔接所需的一、二阶导矢计算方法,使得各个特征之间能够达到GC1和GC2连续。运用5次NURBS插值曲线对自由曲线进行建模较3次NURBS插值曲线具有更好的连续性。对“S”样件的仿真实验与加工均验证了算法的可行性。对CNC插补计算和提高加工质量有参考价值。

有序聚类算法下数据相似性挖掘仿真

由于数据具有多样性与复杂性等特点,且存在较多难以挖掘的隐藏信息,导致数据相似性挖掘精度低。为此提出一种基于有序聚类算法的数据相似性挖掘方法。通过不同类型数据的变化特点,采用有序聚类算法微聚类特征,存储数据信息,调整动态滑动窗口大小,计算不同数据点和聚类中心之间的距离,更新微聚类特征,实现数据有序聚类。采用网络和密度扩散相结合的方式获取数据位置序列,获取对应字符串,建立广义后缀树,完成数据相似性挖掘。仿真结果表明,采用所提方法可以准确对数据有序聚类,聚类运算时间仅为39.88ms,同时还可以获取满意的数据相似性挖掘结果。

基于多元状态估计及模糊综合评价分析的汽轮机故障预警

汽轮机的故障模式、故障特征具有多样性。当前的故障预警方法大多针对单一故障模式,无法用于全面评估汽轮机整体的健康状态。为此,将模糊综合评价与多元状态估计结合,构建了更加全面的汽轮机故障预警模型。首先,基于汽轮机的典型故障模式构建故障特征集;然后,通过多元状态估计算法获得估计向量,并用滑动窗口法对结果进行平滑处理,计算得到汽轮机各个故障模式的实时偏离度;最后,基于模糊综合评价综合分析多种故障的偏离程度以确定汽轮机整体的健康状态。使用某电厂汽轮机的故障数据进行模拟仿真验证,结果表明利用该方法能够提前捕捉到汽轮机的异常状态、实现故障的预警。

基于滑动窗口特征聚合的声呐图像处理技术研究

近年来,滨海核电冷源取水口致灾生物,特别是毛虾、水母等已成为核电站安全运行的重大隐患,对其监测需求日益迫切。然而,上述致灾生物通常具有透明度高、体型小等特点,加上近海岸水体浊度高,难以通过光学设备进行有效探测。声呐探测因具有良好的方向性和穿透性、对浊度不敏感等优势,成为探测上述致灾生物的理想方案。目前,声呐探测技术主要通过实时检测单张声呐图像中的致灾生物目标来实现。由于海洋环境复杂多变,存在潮汐等干扰,声呐图像中的目标形状往往不清晰、边缘信息容易丢失,造成致灾生物目标的虚检率和漏检率较高。为解决上述难题,本文提出一种基于滑动窗口特征聚合的声呐图像处理技术。首先,对声呐图像进行增强和潮汐干扰去除的预处理操作,减少噪声和潮汐干扰对监测结果的不利影响;然后,以连续的视频帧作为研究对象,利用滑动窗口的方式对其进行特征聚类,确定固定物的位置并排除其干扰;最后,结合帧间差分分析法及交并比(Intersection over Union,IoU)算法、非极大值抑制(Non-Maximum Suppression,NMS)算法,精确识别并检测出近海致灾生物目标。本系统可以实现对近海致灾生物的实时、精确监测,且检出率高达96%。该技术可提升我国在核电站海洋生物监测预警方面的精确度、维护核电站的正常运行。

基于多传感器信息融合和CNN-BIGRU-Attention模型的液压防水阀故障诊断方法

在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息融合和卷积神经网络-双向门控循环单元-自注意力机制(CNN-BIGRU-Attention)模型的防水阀故障诊断方法。首先,考虑到单一传感器振动信号难以充分表达故障特征,该方法使用了3个传感器采集含噪声的振动信号,并进行了必要的预处理;其次,提取了信号的16个时域特征、5个频域特征以及3个时频域特征,并利用熵权法进行了特征融合,达到了增强特征的目的;然后,将融合的多维特征集输入到CNN-BIGRU-Attention模型中进行了特征识别;最后,利用实际的液压防水阀故障诊断实验,验证了该方法的有效性。研究结果表明:采用多传感器提取的特征更为全面,信息融合有助于捕捉更完整的隐藏数据特征,从而显著提高诊断的准确率;相较于其他特征识别方法,采用CNN-BIGRU-Attention模型的液压防水阀故障诊断准确率可分别提高6.7%、4.6%和14.2%,达到了96.86%,证明了该方法的有效性。该方法将先进的机器学习技术与实际工程应用相结合,为建筑工程问题提供了一种新颖、有效的解决方案。

基于优化最大类间方差法阈值分割与滑动窗口法的车道偏离预警

为了改善因传统边缘算子在车道线特征提取时鲁棒性差、传统霍夫变换弯道拟合能力较弱导致车道偏离预警率降低的问题,提出了一种基于优化最大类间方差法(OTSU算法)阈值分割与滑动窗口法的车道偏离预警方法。首先,使用遗传退火算法优化求解OTSU算法的最优阈值并调用整体嵌套边缘检测(HED)模型获取车道线边缘特征,将感兴趣区域转换成鸟瞰图形式;然后,使用滑动窗口法将车道线切分并逐个对窗口内的车道像素点进行二阶多项式拟合;最后,根据车辆与车道线的相对位置关系进行车道偏离预警以及弯道预警。试验结果表明,该方法的综合路况预警准确率为95.92%,检测速率可达34 ms/帧。

相控阵测控技术(一):相控阵角跟踪概论

相控阵同时多波束对多目标的高精度连续闭环角跟踪,是相控阵技术中的一个新的重要领域。针对此,提出用递归累加进行相位控制并构成一个积分环节,以此为基础构建成基本的一阶角跟踪环路,在环路中可再增加积分环节的个数构建成高阶的自动控制系统,从而实现高精度的连续角跟踪。给出了系统框图,推导出了常用的二阶环的闭环传递函数表达式,它与锁相环的闭环传递函数类似,可以应用锁相环技术的很多有关成果。还介绍了投影面转动法、空窗滑动法等相控阵角跟踪方法,尽管它们的跟踪方案不同但都具有相同的闭环传递函数模型。

基于IICEEMDAN-PCA-GRU的风电机组齿轮箱故障预警方法研究

为充分挖掘数据采集与监控(SCADA)数据的隐藏信息,减少特征间的冗余性,提升模型预测和预警的精度,提出一种双重改进的完全噪声辅助聚合经验模态分解(IICEEMDAN)、主成分分析(PCA)、门控循环网络(GRU)融合的风电机组齿轮箱故障预警方法。使用皮尔逊相关系数法作特征提取,采用IICEEMDAN对特征进行分解,得到特征在不同时间尺度上的连续性信号;利用PCA提取分解特征的关键因素作为网络训练输入;GRU网络对输入时间序列特征进行建模训练,实现对齿轮箱油池温度的预测,使用统计学方法分析油池温度预测值与实际值的误差,根据实际情况设定预警阈值;使用滑动窗口理论实现齿轮箱故障预警。采用华北某风场实际数据进行验证,结果验证了所提方法对齿轮箱早期故障预警的有效性。

基于Seq2Seq的船舶轨迹变步长预测方法研究

针对船舶轨迹的历史轨迹相似性低、预测精度不高等问题,基于序列到序列(Seq2Seq)模型提出一种轨迹预测算法——vSeq2Seq。首先,用一阶差分法处理AIS数据,降低时间依赖性,减弱通信延迟产生的干扰,突出船只运动规律;然后,采用滑窗法处理数据,构建模型数据集,通过Seq2Seq模型进行可变步长的轨迹预测。实验结果证明,vSeq2Seq算法能够从船只轨迹中提取出轨迹变化特征,针对船只不同运动状态改变预测步长、灵活地进行预测,对比传统LSTM模型和GRU模型,预测精度有显著提升。

基于翻转课堂的C语言教学资源信息整合方法

基于翻转课堂的C语言教学资源信息整合方法,使教学资源配置均衡,便于教师在C语言教学前、中、后教学资源的管理与应用.利用翻转课堂构建C语言教学资源信息整合体系,资源信息层用于接收由翻转课堂产生并上传的C语言原始和新增教学资源信息,信息资源整合层采用自适应滑动窗口互信息方法提取信息资源层教学资源信息的特征向量,以此为依据,在满足C语言教学资源整合约束关系前提下,以整合后的C语言教学资源信息利用率最大化为目标,用概率整合方法对C语言教学资源信息进行均衡整合,并将整合结果通过资源应用层呈现给教师、学生及管理者使用.结果表明,该方法在窗口宽度为200字节时的信息特征提取效率最佳,整合后的C语言教学资源信息没有重复建设,且具有较好的均衡性和召回性.

基于动态低频振幅法的青少年吸烟成瘾问题研究

该文采用动态低频振幅(dynamic amplitude of low frequency fluctuation,dALFF)方法探究青少年吸烟成瘾者脑功能网络的异常,为理解青少年吸烟成瘾的机制提供新视角。通过独立成分分析、滑动窗口法、K-means聚类方法分析青少年吸烟成瘾者在默认模式网络(default mode network,DMN)、左侧执行控制网络(left executive control network,LECN)、右侧执行控制网络(right executive control network,RECN)和突显网络(salience network,SAN)的动态低频振幅(dALFF)异常。同时,使用皮尔逊相关性分析评估动态指标(时间分数和平均停留时间)与吸烟统计学数据(FTND,烟龄,包年)的关系。相较于青少年健康非吸烟者,青少年吸烟成瘾者在默认模式网络(DMN)、左侧执行控制网络(LECN)、右侧执行控制网络(RECN)和突显网络(SAN)的激活程度降低,皮尔逊相关性分析表明dALFF在状态2时的平均停留时间和包年呈显著正相关。吸烟成瘾会导致青少年的部分脑功能网络异常,其激活程度会降低,同时这些脑区的功能异常与吸烟者的包年存在关联。

SAINT快速抗抑郁和缓解自杀意念的动态功能连接研究

目的结合滑动窗口法分析斯坦福加速智能神经调控疗法(SAINT)治疗重度抑郁症(MDD)患者大脑网络的动态功能连接(DFC)特征。方法本文结合DFCN滑动窗口法和K均值聚类动态方法,研究SAINT快速抗抑郁和缓解自杀意念的神经环路的DFC变化,通过神经影像数据与临床特征,贝克自杀意念量表中文版、汉密尔顿抑郁评定量表(HAMD-17)的相关性分析,探索其动态网络的连接变化。结果聚类结果显示为正强度低频率的状态Ⅰ,负强度高频率的状态Ⅱ,DFC指标状态转换次数和分数窗口在治疗前后有显著差异,平均停留时间状态Ⅰ和状态Ⅱ与HAMD-17呈负相关,分析发现,抑郁症状与高频稀疏的网络有密切关系。下额回(IFG)、岛屿回(INS)、扣带回(CG)、基底神经节(BG)、枕外侧皮质(LOcC)等节点功能连接强度和变异性发生改变。结论SAINT治疗后的MDD患者IFG、INS、CG、BG、LOcC回路DFC存在异常,可能为探索SAINT的潜在机制提供新启示。

基于FY-4A卫星数据的强对流云团识别与监测

为解决强对流监测问题,克服地区亮温特征对卫星监测的影响,利用FY-4A卫星L1数据,结合滑动窗口方法和多通道动态阈值自动识别法,对典型强对流云团进行识别与监测。结果表明:1)多通道动态阈值自动识别方法结合滑动窗口方法,可避免人为设置阈值的主观性,整合强对流的区域识别结果,实现全国强对流云团监测。2)此方法具有良好的强对流云团识别效果,识别正确率达到89%;3)FY-4A卫星识别结果与雷达反射率高值区基本一致,能够准确监测强对流云团发生发展和移动的过程,具有较高的识别精度。

基于异常的终端级入侵检测

入侵检测技术作为计算机防护的主要技术手段,因具有适应性强、能识别新型攻击的优点而被广泛研究,然而识别率和误报率难以保证是该技术的主要瓶颈.为了提升异常检测技术的识别率并降低误报率,提出了一种终端级入侵检测算法(terminal-level intrusion detection algorithm,TL-IDA).在数据预处理阶段把终端日志切割成连续的小块命令序列,并引入统计学的常用指标为命令序列构建特征向量,再使用TL-IDA算法通过特征向量对用户建模.在此基础上,还提出了一种滑动窗口判别法,用于判断系统是否遭受攻击,从而提升入侵检测算法的性能.实验结果表明,TL-IDA算法的平均识别率和误报率分别达到了83%和15%,优于同类的基于异常技术的终端级入侵检测算法ADMIT、隐马尔可夫模型法等.

考虑不确定因素下含充换储一体化电站的微网能量优化

电动汽车直接接入电网并不能实现真正意义上的低碳,将电动汽车通过充换电站(battery charging-swapping station,BCSS)接入微网就地消纳可再生能源,并和储能电站(energy storage station,ESS)组成电动汽车充换储一体化电站(charging-swapping-storage integrated station,CSSIS)作为微网的储能系统,能够降低电动汽车对微网运行的影响,同时提高储能可调节容量。针对微网内风机、光伏的不确定性以及负荷的波动性,建立了基于机会约束规划的经济优化模型,以一定置信水平下满足备用需求作为可靠性约束,基于峰谷分时电价优化一体化电站和燃料电池出力,并确定联络线交互功率。对CSSIS充放电功率在BCSS和ESS之间进行分配时,应用滑动窗口法优先调度BCSS充放电,安排ESS承担剩余功率,从而使BCSS具有较稳定的运行环境,也为ESS提供可调节容量支撑。以一个具体微网为例验证了所提策略的有效性。