基于t-SNE的多参数岩体结构面分步聚类方法

结构面聚类是进行岩体稳定性评价的重要步骤。常用聚类方法多以产状作为分组依据,忽略了结构面物理特性指标对岩体稳定性的影响。针对分组依据单一化的不足,综合考虑结构面倾向、倾角、迹长、张开度、填充状态和粗糙度的影响,提出一种基于学生分布随机邻近嵌入(student-distributed stochastic neighbor embedding,简称t-SNE)的多参数岩体结构面分步聚类方法。首先,利用t-SNE算法对除产状外的结构面特征进行数据降维;进而利用模拟退火算法搜索K-means算法的全局最优初始值,并采用分步聚类思想完成聚类。研究表明:所提方法有效地解决了高维空间样本稀疏的问题,同时保留了数据的局部结构与全局结构。新方法相比于传统方法能对空间分布相似区内结构面的物理特性进行精确划分,分组精度更高,且在避免复杂权重值计算的条件下,能有效区分产状与物理特性参数对岩体稳定性的影响差异。最后,将所提方法应用于中国新疆某露天矿坡结构面实测数据分析中,所得分组结果合理可靠,进一步证明该方法在实际工程中的有效性。研究方法可为多参数岩体结构面的分步聚类提供参考。

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解(CEEMDAN)和t-分布随机邻域嵌入(t-SNE)算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量(IMF),提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。

基于t-SNE降维和放射传播聚类算法的低压配电网相位识别

智能电表的广泛普及和高级测量体系(advancedmeteringinfrastructure,AMI)的建立为分析配电网运行情况提供了大量监测信息与测量数据,而台区用户的相位信息变动又为准确掌握台区运行情况带来难题。针对台区用户的相位识别问题,提出了一种基于用户电压数据的t分布随机邻接嵌入(t-distributed stochastic neighbor embedding,t-SNE)特征提取及放射传播(affinity propagation,AP)聚类算法的相位识别方法。先对提取出的用户电压数据进行Z-score数据标准化处理,由t-SNE降维提取出数据特征,再采用放射传播聚类算法对用户进行相位识别。选取某市2个小区进行算例分析,采用评价指标比较了不同识别方法的识别效果,并分析了数据采集频率和计量误差对识别效果的影响。实际台区算例分析验证了所提方法的准确性,说明所提方法能够有效解决台区用户相位识别问题。

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解(EEMD)、特征选择与t-分布邻域嵌入(t-SNE)的诊断方法。采用EEMD分解故障信号获得若干本征模态函数(IMF),采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机(LSSVM)中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。

融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。

温变下基于奇异谱分析的机电阻抗损伤识别法

为消除温度变化对损伤识别的影响,采用奇异谱分析(singular spectrum analysis,简称SSA)方法处理阻抗信号以分离不受温度变化影响的信号分量,提出结合t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding,简称t-SNE)与K均值聚类算法的无监督机器学习方法,进一步处理信号分量实现损伤识别。为验证该方法的可行性,以螺栓组连接的铝板结构作为实验对象进行温度变化工况下螺栓松动机电阻抗损伤识别实验。结果表明,应用SSA方法得到的信号分量能在温度变化影响下有效识别螺栓松动状态,各工况识别准确率均达到98%以上,证明了所提出方法对消除温度变化影响的有效性。

基于DTCWPT和t-SNE的去噪方法及在故障诊断中的应用

为了提取被强噪声淹没的机械设备振动信号中蕴含的微弱故障特征,依据有用信号和噪声在空间分布特性的不同,将流形学习的方法引入到信号降噪中,提出一种将双树复小波包(DTCWPT)和t分布随机近邻嵌入(t-SNE)结合的去噪方法,充分利用了DTCWPT分解的多尺度特性以及t-SNE的非线性降维能力。将振动信号进行双树复小波包分解,依据各尺度小波包系数Shannon熵值搜索最佳小波包基,利用提出的新的阈值函数,对最佳小波包基的小波包系数进行去噪并单支重构组成高维信号空间,然后,采用t-SNE提取高维空间的低维流形,对低维信号序列进一步采用阈值去噪,利用谱回归分析重构回一维信号序列。最后,通过对仿真信号与滚动轴承振动信号进行去噪,结果证实了方法具有良好的非线性去噪性能,将仿真信号的信噪比从-1提高到8.6 d B,并且能更有效的提取强噪声干扰下滚动轴承的故障特征频率。

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。

基于t-分布邻域嵌入的同调机群无监督识别

当系统发生严重级联故障导致失稳时,快速搜索同调机群是进行解列控制平息振荡的前提。针对发电机严重受扰后功角信号的非平稳、非线性的特点,以及需要根据经验人为决断同调分群类数的问题,提出一种基于t-分布邻域嵌入的同调机群无监督识别新方法。采用广域量测环境下发电机功角信号作为源数据,引入t-分布邻域嵌入算法将发电机功角信号进行建模并映射到二维子空间中。通过二维坐标下映射点之间的聚集程度衡量受扰动后发电机运行特性的相似性。随后利用仿射传播算法对发电机组进行无监督聚类分群。研究表明所提方法原理简单,易于解决实际问题。基于实测数据进行计算分析,可避免模型参数对分群的影响。通过2014年湖南省网73台发电机系统仿真,并与传统分群方法对比结果,验证了所提方法的有效性和快速性。

基于t-SNE的PQD特征提取可视化仿真分析

针对电能质量扰动(power quality disturbance,PQD)的复杂性,提出了一种基于t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)流行学习算法的PQD特征提取方法。首先,建立了常见的PQD信号数学模型,并考虑了扰动参数和噪声的影响;其次,采用小波分解得到信号的小波能量向量构造原始特征集;最后,通过t-SNE算法进行二次特征提取,得到保持样本高维空间结构的,敏感度高且聚类性好的低维特征。仿真实验结果证明了提出的基于t-SNE的特征提取方法在PQD分析中的有效性。

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.

基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断

为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆。同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法。采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断。将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法。

基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识

低压台区单相用户的相位及接入表箱信息的准确性对户变关系纠错和线损治理分析有重要影响。目前,拓扑档案的校验主要依靠电力员工现场排查,人力物力消耗大且排查效率低下。因此,亟需一种效率较高的低压台区拓扑档案校验方法。在此背景下,文中提出了一种基于智能电表电压数据的低压台区单相用户相位及接入表箱辨识方法,可以为低压台区的拓扑辨识及排查提供参考。首先,采用t分布的随机近邻嵌入(t-SNE)技术对原始负荷数据进行降维处理,解决台区用户原始负荷特征维度过高带来的冗余性问题;接着,应用BIRCH方法对降维后的负荷数据进行聚类,实现台区下单相用户所属相位和接入表箱的辨识。最后,以浙江省海宁市某台区为例进行验证,算例分析的结果表明所提模型具有可行性和有效性。

基于t-SNE的电力系统电气距离可视化方法研究

我国已初步建成以特高压为骨干网架的交直流混联电网,电网的运行方式更加复杂和多样,这对调控运行的分析和展示提出了更高要求。文中从电力系统电气距离的角度出发,利用基于t分布的随机近邻嵌入(t-distribution stochastic neighbor embedding,t-SNE)把设备之间高维、复杂的电气距离关系,映射到二维或三维空间,并结合可视化方法来展示设备间的紧密程度,给运行和分析人员以更直观的印象。采用实际电网数据验证了方法的有效性,本方法可以快速响应网架的变化,满足在线分析和展示的要求。

基于WPT和t-SNE的直升机桨叶损伤特征提取

旋翼桨叶的损坏可能会导致直升机坠落损毁,开展桨叶健康状态的在线监测评估对保障飞行安全至关重要。提出一种将小波包变换(WPT)与t-分布随机近邻嵌入(t-SNE)相结合的桨叶损伤识别方法。首先利用振动台模拟直升机服役时的真实振动,用传感器获取不同故障桨叶模型在振动环境下的输出响应。然后对信号进行小波包分解,提取小波包能量作为原始特征向量,接着用流形学习对特征向量进行维数约简,最后输入到K近邻分类器进行故障识别。实验结果表明:首先,在原始特征选取方面,小波包能量特征优于时域特征与小波包能量组合成的混合特征;其次,t-SNE的降维效果优于PCA、Sammon映射、LTSA、HLLE、SNE这5种方法,且不受嵌入维数的制约。研究结果证明了所提出的方法能提高桨叶损伤评估的准确性。

基于DMD和t-SNE的液压泵故障诊断

液压泵长期处于高压、高速的运行工况下,泵体零部件极易发生故障。实际工况下测量的振动信号往往包含着许多无关信号成分如噪声,导致传统方法难以实现故障类型的准确识别。提出一种基于动模式分解(DMD)和t分布随机近邻嵌入(t-SNE)聚类的液压泵故障模式识别方法。在泵体布置传感器进行监测获得振动信号,首先利用DMD进行分解获得表征信号本质特征的模式分量,再利用t-SNE进行降维聚类,实现不同故障类型的准确识别。通过数值仿真和试验台故障数据分析,验证了提出方法的可行性及有效性。

基于多通道输入和1DCNN-LSTM的道岔转辙机故障诊断

针对三相交流道岔转辙机故障诊断问题,提出一种基于多通道输入和一维卷积神经网络(1DCNN)-长短期记忆神经网络(LSTM)的故障诊断方法。首先使用经验模态分解算法对动作功率信号进行分解,获得若干个尺度特征不同的固有模态函数信号;其次建立基于1DCNN和LSTM的组合故障诊断模型,使用1DCNN提取功率信号中的局部特征,使用LSTM选择性提取局部特征中的长距离特征;然后通过所建模型诊断出道岔转辙机的故障类型,并结合t-分布随机近邻嵌入展示诊断效果;最后与经典的诊断方法进行对比分析。对比实验结果表明:本方法在道岔转辙机故障诊断中具有较高的准确性和稳定性,且具有较好的泛化性。

一种基于降维密度聚类的船舶异常轨迹识别方法

目的有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9048、0.9534、0.8218、0.6627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。

基于MA-CGRU的污染气体浓度并行软测量模型

为解决普通深度学习方法提取特征能力较差和传统软测量模型都是单输出模型的问题,提出了基于多重注意力卷积门控循环单元(multiple attention-based convolutional gated recurrentunit,MA-CGRU)的燃煤电厂污染气体浓度并行软测量模型。首先使用T分布随机近邻嵌入对原始数据做非线性降维,接着采用一维卷积层提取数据的特征,然后将特征送入门控循环单元层。同时,采用多重注意力机制来提升并行软测量模型的特征提取效率。此外,所提出的模型可以并行输出NO_(x)和SO_(2)两种污染气体在下一时刻的浓度,有着较高的准确性,并且优于其他对比模型,可以为实际工业现场其他参数的并行软测量提供一定的参考。