局部切空间排列算法用于轴承早期故障诊断

提出了一种基于经验模态分解(EMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先,利用经验模态分解算法分解滚动轴承不同模式下的振动信号,得到各阶本征模态分量和残余分量,提取各分量中的幅域参数和频域参数组成原始特征参数集;然后,建立基于类别可分性测度的邻域参数k选取方法,运用局部切空间排列算法实现敏感特征提取;最后,应用该方法对滚动轴承不同状态下的振动数据进行特征提取和模式识别,对比分析改进后的局部切空间排列算法与主成分分析、核主元分析以及传统局部切空间排列算法的故障模式识别能力。分析结果表明,该方法提取的滚动轴承故障特征敏感性较好,提高了故障模式识别能力,实现了滚动轴承的早期故障诊断。

基于改进排列熵算法的电力系统设备状态智能识别研究

针对传统电力系统设备运行状态监测方法存在监测精度低、延时长等问题,提出基于改进排列熵算法的电力系统设备状态智能识别方法。在电力系统设备参数分布强度和控制参数约束下,更新电力系统设备故障特征信息分布传输序列,通过构建电力系统设备运行状态的量化参数模型,对电力系统设备状态约束参量进行辨识;通过信息熵的优化排序方法,获取电力系统设备状态监测和优化特征,采用小扰动抑制方法,结合小信号扰动识别,实现电力系统设备状态智能识别。试验结果表明,采用所提方法识别电力系统设备状态的精度始终高于90%,且耗时较短。

基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据,但其精准提取取决于用电设备状态变化的准确检测。为此,提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进,利用多尺度排列熵的差值分析确定状态变化发生的区间,然后利用Yamamoto算法进行区间检测,定位状态变化的时刻。仿真分析结果表明,所提算法可准确检测用电设备的状态变化,有效地提高后续利用暂态特征的设备状态辨识准确率。

融合多特征信息与GWO-SVM的机械关键设备故障诊断

为了提高机械关键设备故障诊断的精度,建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm,GWO)改进支持向量机(Support Vector Machine,SVM)(GWO-SVM)的机械关键设备故障诊断模型。首先,提取机械关键设备故障信号的时域特征、频域特征和多尺度加权排列熵特征,分别对比不同特征的机械关键设备故障诊断结果。其次,为提高SVM模型性能,运用GWO算法对SVM模型的惩罚参数P和核函数参数g进行优化选择,提出一种融合多特征信息与GWO-SVM的机械设备故障诊断模型。与GA-SVM、PSO-SVM和SVM相比,基于GWO-SVM的机械设备故障诊断模型的诊断精度最高。这里算法可以有效提高机械关键设备故障诊断正确率,为机械关键设备故障诊断提供了新的方法。

基于CatBoost-NSGA-Ⅲ算法的盾构姿态预测与优化

为解决盾构掘进过程中因盾构前倾变形、蛇形、轴线偏离及纠偏等影响施工安全性与高效性的问题,提出一种将类别型特征梯度提升(CatBoost)与第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态多目标优化方法;以贵阳地铁为例,选取22个影响因素作为输入参数,利用CatBoost算法建立输入参数与盾构姿态之间的非线性映射函数关系,采用随机森林(RF)算法评价输入参数的重要性;以盾构姿态绝对值最小化为目标,构建CatBoost-NSGA-Ⅲ多目标优化模型,并通过案例分析验证所提方法的适用性和有效性。结果表明:采用CatBoost算法训练工程实测数据得到的预测模型具有较高的精度,5个盾构姿态目标的R^(2)范围为0.916~0.943;所研发的CatBoost-NSGA-Ⅲ盾构姿态多目标优化方法,可使盾构姿态得到显著优化,整体改进的平均值为53.34%。

基于时序Landsat 8 OLI多特征与随机森林算法的作物精细分类研究

利用新疆阿克苏地区温宿县2014—2015年生长季的7景时序Landsat 8 OLI数据,提取光谱特征、纹理特征、植被指数等高维信息,并基于随机森林算法(Random Forest,RF)构建分类模型。分析了RF模型中重要参数树个数k、节点分裂特征个数m对分类精度的影响,计算GINI系数评估所有特征重要性,探索最佳特征子集,完成模型的参数率定与信息冗余消除,实现了温宿县研究区内的多种作物类型精细分类,并对比分析了随机森林与其他几种机器学习算法的分类性能。结果表明:作物分类的3类特征中,重要性排名靠前的分别是影像纹理平均规则程度Mean、与作物水分含量密切相关的地表水分指数(LSWI)及短波红外波段光谱反射率,对应干旱区作物的2个关键时相:生长旺盛期与播种期;随机森林分类精度受分类特征数量的影响。当特征删除量低于总特征数的30%时,RF模型的分类精度基本保持不变;当删除量超过70%时,分类精度下降的幅度加大;随机森林方法相对于决策树、支持向量机、朴素贝叶斯、K-近邻等监督分类算法,无论是分类结果的精度还是分类效率均具有优势。

云平台下时间序列数据并行化排列熵特征提取方法

随着高级量测体系和各类监控系统的大规模建设发展,时间序列数据的规模呈指数级增长,在智能电网大数据中占有较大的比重。时间序列数据的特征提取是影响数据挖掘质量的关键步骤,在大数据背景下,传统的特征提取算法已无法满足海量数据处理的需求。结合云计算平台和MaxCompute大数据处理技术,设计实现了时间序列数据的表存储方法和并行化的时间序列数据排列熵特征提取算法。在云计算平台上采用不同规模的数据集对并行化算法进行测试,验证了并行化排列熵算法的正确性和高性能。

基于特征约简与选择性集成算法的城市固废焚烧过程二噁英排放浓度软测量

城市固废焚烧(MSWI)排放的污染物二噁英(DXN)对生态环境与人类健康具有极大危害,其浓度的实时检测对MSWI过程运行优化和城市污染控制至关重要.具有痕量特性的DXN排放浓度不能实时检测,机理模型难以构建,并且其与过程变量间的映射关系复杂.针对上述问题,本文提出了一种基于特征约简和选择性集成算法的DXN排放浓度软测量方法.首先,对在线采集的MSWI过程变量和离线化验的DXN排放浓度数据进行预处理,获得具有小样本高维特性的建模样本;接着,基于变量投影重要性(VIP)值和特征约简比率值确定模型输入特征;最后,基于操纵训练样本的集成构造策略构建自适应确定核参数的选择性集成模型.采用国外文献和国内工业MSWI过程的DXN排放浓度数据仿真验证了所提方法的有效性.

基于XGBoost算法的船舶油耗预测模型

船舶油耗预测是实现船舶能效评估与优化决策的基础与前提,对船舶航线航速设计,实现船舶能效优化有重要的意义。基于船舶实测航行数据和环境数据,通过相关性分析提取对船舶油耗影响较大的特征因素,并将特征因素作为模型的输入参数;通过数据清理技术并参照相关国际标准对特征因素进行筛选,得到建模的样本数据;把样本数据按0.8∶0.2的比例随机分为训练样本和测试样本,采用XGBoost算法建立油耗预测模型,并通过预测测试样本的油耗验证模型的准确性。该模型决定系数达到0.967,运行时间为2.723 s,与神经网络模型的准确率几乎一致且运行时间缩短了70%,适用于船舶航行决策中的油耗快速计算和实时预测。

基于随机森林算法的二氧化碳驱油与封存主控因素研究

在碳达峰、碳中和目标背景下,二氧化碳驱油与封存是经济可行的碳减排的主要技术手段。明确影响二氧化碳驱油与封存效果的主控因素,是实现二氧化碳高效驱油与封存的基础。在行业标准算例PUNQ-S3模型的基础上,综合考虑二氧化碳与原油混相作用和二氧化碳构造、残余、溶解、矿化封存机理,构建了二氧化碳提高原油采收率与地质封存一体化数值模拟模型,结合随机森林智能算法,开展了影响二氧化碳驱产油量和封存量的储层和生产参数特征重要性分析,考虑驱油与封存时间尺度的差异,建立了参数时序特征重要性分析方法,实现了在不同二氧化碳驱油与封存阶段的主控因素分析。结果表明,二氧化碳驱油与封存时序随机森林模型准确性高,在二氧化碳驱油与封存前期,二氧化碳构造封存量受储层含水饱和度控制,溶解封存量受地层水矿化度控制;在二氧化碳驱油与封存中、后期,二氧化碳构造封存量则受储层渗透率控制,溶解封存量则受储层渗透率与地层水矿化度控制;残余封存量在二氧化碳驱油与封存前期较小,导致其主控因素不明显,在二氧化碳驱油与封存中后期受储层渗透率与含水饱和度控制;二氧化碳矿化封存量在整个二氧化碳驱油与封存阶段受地层水pH值与矿化度控制;二氧化碳驱油量在整个二氧化碳驱油与封存阶段受储层渗透率及含水饱和度控制。时序随机森林算法可以明确不同二氧化碳驱油与封存阶段的主控因素,为二氧化碳提高原油采收率和地质封存的高效实施提供了技术支撑。

基于改进VMD和多尺度排列熵的混合声音事件特征提取

声音事件特征提取的进步可以提升声音识别系统在噪声背景下的识别性能。将最早用于故障诊断领域的变分模态分解(VMD)算法应用于混合声音事件特征提取,利用粒子群算法(PSO)改进VMD算法,并用经验模态分解(EMD)算法作对比。利用VMD算法和EMD算法对带有简单混合声音事件的信号进行分解,得到多个本征模态分量,计算其相关系数,根据相关最大原则合成和拼接各分量重构信号,确定分量所属类型,结合多尺度排列熵(MPE)计算各分量MPE值,成功提取出发动机信号,在处理简单混合声音信号的过程中,VMD算法优于EMD算法的结果。将PSO-VMD算法、VMD算法、EMD算法应用于更复杂的信号分解处理过程,再结合MPE完成对声音信号的特征提取,最后通过对比MPE分布图,可知VMD算法及PSO-VMD算法更优于EMD算法,在分解信号方面更精确,结合MPE提取特征更容易区分。

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。

基于排列熵和支持向量机的轨枕病害诊断

文中提出了一种基于排列熵和支持向量机的轨枕病害诊断方法。该方法通过建立车辆-轨道耦合振动模型获取轨枕的振动加速度,利用排列熵算法提取轨枕不同病害下的振动响应特征指标,并以归一化后的排列熵特征指标集为输入。该方法基于遗传算法优化的支持向量机对轨枕服役状态进行诊断和分类,实现了对轨枕不同病害的诊断。数据仿真结果表明,该方法对轨枕病害识别准确率均能达到90%以上,对于部分轨道不平顺谱激励和列车速度下的服役状态,识别准确率能达到97.5%。该结果表明,文中所提方法能够有效地对轨枕病害进行诊断,为轨道结构服役状态的在线监测与智能预警提供了方法依据。

风电机组轴承早期故障特征提取研究

针对风电机组滚动轴承早期故障振动信号微弱、强干扰、非平稳、非线性的特点,提出基于自适应噪声完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)-排列熵(Permutation Entropy,PE)-遗传算法(Genetic Algorithm, GA)的特征提取方法。方法先计算振动信号经CEEMDAN分解得到多个本征模态函数(Intrinsic Mode Function,IMF)的排列熵值和方差贡献率,剔除虚假、低贡献率分量;根据识别误差最小和特征子集数目最少两个目标,构造了适应度函数,通过GA进行特征选择选出最优特征子集。仿真分析,上述方法能够快速有效提取不同故障的振动信号特征指标,为故障模式识别问題提供良好的思路和方法。

流形学习及其算法研究

流形学习作为微分几何的一个分支,旨在找出嵌入在高维数据中的低维流形结构,它的大部分算法都是用来进行维数约简的,也有一部分用来进行数据可视化的。目前,流形学习渐渐成为机器学习及模式识别领域中的一个研究热点。介绍了流形以及流形学习的基本概念,针对流形学习中的几种学习算法,讨论了它们各自的特点并分析了它们的不足之处,以便在以后的流形学习研究中能够更好地运用这些算法对数据进行分析以及降维。

融合双密度双树小波与LLTSA的人脸识别算法

双密度双树复小波对图像细节信息描述更加清晰,使用双密度双树复小波对人脸图像进行信息提取,可使图像中的信息更好的保留下来。针对Gabor小波进行特征提取时的频域重叠以及频域遗漏和双树复小波提取的方向信息确失,提出利用两种小波对人脸图像提取的特征信息进行组合,得到人脸图像的特征信息。再针对提取到的特征信息维数过多不利于信息处理,提出了利用LLTSA算法对经过小波变换得到的特征信息进行降维。在降维的过程中先利用改进的局部切空间排列算法进行降维,然后使用三阶近邻算法进行分类。实验结果表明:使用该算法在ORL及YALE人脸库进行的人脸识别较传统的识别算法的识别结果更好,识别速率更高。

基于双频精细复合多尺度排列熵的齿轮箱损伤识别

齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。

基于GF-2影像和随机森林算法的花岗伟晶岩提取

花岗伟晶岩是花岗伟晶岩型锂矿的重要载体及找矿标志,青海省天峻县扎卡东南部一带有较好的锂矿找矿潜力,但该地区具有海拔高、切割深等特点,使得实地地表调查难度较大,因此采用随机森林算法对研究区花岗伟晶岩进行遥感提取,以GF-2高空间分辨率遥感影像为数据源提取研究区域各类型地物的光谱特征、纹理特征、指数特征、地形特征、边缘特征及文中新引入的限制对比度自适应直方图均衡化(contrast limited adaptive hitogram equalization,CLAHE)特征等25个特征变量构建特征子集,对子集中的特征变量进行特征重要性评估,依据特征重要性得分进行特征优选,确定提取花岗伟晶岩的最优特征组合,最终选取16个特征变量进行随机森林分类,对分类结果进行精度评价。研究表明:①CLAHE特征变量有利于突出地物间的色调差异,有助于分类精度的提升,其总体精度上升2.7百分点,Kappa系数上升0.035;②基于GF-2影像和随机森林算法的分类结果的总体精度达到了93.1%,Kappa系数达到0.902,花岗伟晶岩用户精度达到94.24%,生产者精度达到98.00%,证实方法的有效性,同时也为该地区进一步工作提供真实可靠的资料。

基于LightGBM-Transformer算法的短期电力负荷预测

高精度的短期电力负荷预测是优化电网运行策略和提高电网运行效率的可靠保障。为进一步提高短期电力负荷预测精度,提出轻量梯度提升机(light gradient boosting machine,LightGBM)-Transformer组合模型。该模型考虑时间特征和天气因素对短期电力负荷预测的影响,首先利用LightGBM算法获取特征重要性,排除无关噪声的影响,再将选择后的特征向量作为Transformer模型的输入,最后完成短期电力负荷预测。实验以澳大利亚能源市场运营商(Australian energy market operators,AEMO)检索的开放数据集为基础,并与多种类似模型进行对比。结果表明,LightGBM-Transformer组合模型的平均绝对百分比误差(mean absolute percent error,MAPE)为1.87%,误差指标显著低于其他对比模型,具有较高的预测精度,验证了该模型应用于短期电力负荷预测的可行性和有效性。

基于RFECV-随机森林特征选择的地铁空调制冷剂充注量故障诊断

地铁车辆车厢空调能耗占整车能耗的25%~40%,若长期处于故障运行状态会造成大量的能源浪费,且影响乘客的乘车体验甚至危害乘客身体健康。地铁车辆空调故障中,制冷剂充注量故障发生频繁却难以察觉,短期内不会引发故障报警,但会使空调长期偏离正常工况。针对地铁空调的制冷剂充注量故障诊断,文章采用基于交叉验证的递归特征消除法进行了特征选择,筛选出含18个特征变量的较优特征子集,然后根据随机森林特征重要性度量选择出重要性得分在0.03以上的8个特征作为最优特征子集,并将该子集分别用于构建基于支持向量机、K-最近邻算法和反向传播神经网络的诊断模型,以验证最优特征子集的故障诊断效果。验证结果显示,该特征选择算法经过两步筛选得到最优特征子集,在2种制冷工况和4种制冷剂充注量水平下,3种故障诊断模型的总准确率分别为99.83%、99.98%、99.96%。