贫数据中基于模型自训练的空气处理设备故障诊断

针对空气处理设备(AHU)故障贫数据,基于深度置信网络(DBN)模型对4种特征选择算法进行对比研究,结果表明最大相关最小冗余算法的特征子集在诊断准确率及子集元素稳定性上表现最优。提出将DBN嵌入自训练框架的故障诊断模型,发现DBN自训练的诊断准确率较单纯DBN最高可提升19.5%。提出均匀抽样及按比例抽样2种自训练伪标签抽样策略,二者的诊断准确率均随抽样数减小而增大,在不同抽样数中的最大差异为3.42%;在所有贫数据样本中,均匀抽样策略始终优于按比例抽样,诊断准确率最大相差1.39%,表明在故障标签匮乏时,采用均匀抽样策略及较小的抽样数有利于提升DBN自训练的诊断性能。

基于机器学习算法构建血常规指标肺结核诊断模型

目的基于机器学习算法,利用血常规检验数据构建肺结核诊断模型,并分析其临床应用价值。方法选取2019年1月—2022年12月上海市徐汇区中心医院469例初诊肺结核患者(肺结核组),以年龄、性别相匹配的506名体检健康者作为正常对照组。收集所有研究对象22项血常规检验数据和人口学参数。采用LASSO回归分析评估共线性。将数据集随机分为训练集(75%,用于机器学习模型构建)和测试集(25%,用于模型性能评估)。采用分布式随机森林(DRF)、深度学习、梯度提升机和广义线性模型这4种机器学习算法进行测试,采用5倍交叉法进行验证。采用受试者工作特征(ROC)曲线评估模型的诊断效能。结果基于Logistic回归分析和LASSO回归分析结果进行模型特征重要性排序,共筛选出10个非共线性指标,结果显示,DRF是构建肺结核诊断的最佳机器学习算法。在训练集和测试集中,DRF模型的曲线下面积分别为0.9921和0.8474,敏感性分别为99.16%和92.04%,特异性分别为80.91%和55.22%,准确度分别为89.84%和72.06%。结论基于机器学习算法构建的血常规检验数据肺结核诊断模型是一个有效的诊断工具,但其临床应用价值需要进一步验证。

瞬时弹性成像技术和无创诊断模型诊断原发性胆汁性胆管炎患者肝纤维化效能研究

目的研究瞬时弹性成像技术(TE)和常用的无创诊断模型诊断原发性胆汁性胆管炎(PBC)患者组织学分期的效能。方法2019年1月~2023年8月首都医科大学附属北京佑安医院就诊的PBC患者117例,均接受肝活检、肝脏硬度检测(LSM)和常规实验室检查,计算天冬氨酸氨基转移酶/血小板比值(APRI)、基于4因子的肝纤维化指数(FIB-4)、γ-谷氨酰转肽酶/血小板比值(GPR)、Sheth指数、King’s评分、哥德堡大学肝硬化指数(GUCI)评分、白蛋白-胆红素(ALBI)评分和总胆汁酸-红细胞体积分布宽度(TR)评分。应用ROC曲线分析判断各指标的诊断效能。结果在117例PBC患者中,病理学诊断I期17例,II期59例、III期34例和IV期7例;APRI诊断PBC II期以上的AUC最大,为0.875(0.776~0.974),其敏感性为75.8%,特异性为87.5%,阳性预测值为76.5%和阴性预测值为87.0%,其次是GUCI评分,其AUC=0.871(0.766~0.976),其效能分别为88.7%、75.0%、65.6%和92.4%。结论APRI是一种简便、廉价的非侵入性预测指标,用于判断II以上PBC患者有良好的诊断效能,值得临床扩大验证。

基于Stacking集成学习的热轧带钢凸度诊断模型

在热连轧生产过程中,凸度是重要的质量指标,过程数据的非平衡性限制了数据驱动模型的预测效果,为提高模型的预测精度,提出一种融合SMOTE和Stacking集成算法的热轧带钢凸度诊断模型。首先,采用SMOTE过采样方法处理凸度相关数据集,降低数据非平衡分布导致的影响;然后,构建以轻量级梯度提升机(LightGBM)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)为基学习器,逻辑回归(LR)为元学习器的Stacking集成模型,最后,使用某2160 mm热轧带钢实际生产数据进行模型验证。研究结果表明,诊断模型的准确率、少数类召回率、平衡F分数、几何平均值和ROC曲线下面积分别为0.9580、0.9595、0.9573、0.9589和0.9579,与XGBoost、LightGBM、KNN、SVM和随机森林模型对比,预测效果最优,证明了Stacking集成算法能够有效增强诊断模型的泛化能力,具有优良的诊断性能。

APRI、AAR和FIB-4等预测模型对自身免疫性肝硬化伴食管胃底静脉曲张的诊断价值

目的:评价无创模型对自身免疫性肝硬化伴食管胃底静脉曲张(EGV)的诊断价值,为早期诊断自身免疫性肝硬化伴EGV提供依据。方法:回顾性收集238例诊断为自身免疫性肝硬化患者的临床资料,根据是否伴发EGV分为有EGV组和无EGV组。比较2组患者的谷氨酸氨基转移酶(ALT)、天门冬氨酸氨基转移酶(AST)、γ-谷氨酰转肽酶(γ-GT)、血小板(PLT)、AST/PLT指数(APRI)、纤维化-4指数(FIB-4)和AST/ALT比值(AAR)水平并绘制受试者工作特征(ROC)曲线,计算ROC曲线下面积(AUC)、灵敏度、特异度、阳性预测值和阴性预测值,评价各模型对自身免疫性肝硬化伴EGV的诊断价值。结果:有EGV组患者的APRI、FIB-4和ALT明显高于无EGV组(P<0.01),而PLT水平和AAR则明显低于无EGV组(P<0.01)。单指标诊断模型以ALT的AUC最大,AUC为0.645(95%CI:0.580~0.705,P<0.001),其灵敏度、特异度、阳性预测值和阴性预测值分别为93.75%、34.04%、68.53%及78.05%。多指标联合模型中以ALT+FIB-4+AAR+PLT联合模型的AUC最大,AUC为0.787(95%CI:0.730~0.838,P<0.001),其灵敏度、特异度、阳性预测值和阴性预测值分别为72.22%、73.40%、80.62%及63.30%。ALT+FIB-4+AAR、ALT+FIB-4+AAR+PLT和ALT+FIB-4+AAR+PLT+APRI联合模型的AUC与ALT和ALT+FIB-4模型比较差异均有统计学意义(P<0.05)。而上述3种模型AUC比较差异均无统计学意义(P>0.05)。结论:APRI、FIB-4、ALT、PLT和AAR联合检测可提高自身免疫性肝硬化伴EGV的早期诊断效能。

基于深度学习方法的诊断模型在甲状腺结节超声诊断教学中的应用研究

文章选取2020级临床医学专业本科生共118人作为研究对象,将其随机分为实验组和对照组,研究了基于深度学习方法的诊断模型在甲状腺结节超声诊断教学中的应用效果,结果显示,实验组学生的诊断准确率更高、诊断速度更快、学习效果更好,两组间比较,差异均具有统计学意义。

考虑数据不足和基于合作博弈模型融合的风电机组轴承故障诊断方法

针对风电机组轴承疲劳实验成本高导致故障数据不足的问题,提出基于粒子群算法(PSO)优化的辅助分类器生成对抗网络(ACGAN),利用PSO对ACGAN的参数进行寻优,进而利用ACGAN生成与原始样本高度相似的新样本;针对单一模型对风电机组轴承故障诊断的准确率较低的缺点,引进合作博弈理论对多个子模型的诊断结果进行融合,将各个子模型的诊断概率矩阵由合作博弈理论进行融合并输出最终的诊断结果。实验证明,优化后的ACGAN模型和基于合作博弈的模型融合能有效提高轴承故障诊断的准确率。

ALT轻度异常的慢性乙型肝炎患者肝组织病理特征及血清学无创诊断模型的价值分析

目的:分析丙氨酸氨基转移酶(ALT)<2倍正常值上限(ULN)慢性乙型肝炎(CHB)患者的肝脏病理特征,并评估不同血清学诊断模型对肝纤维化的诊断价值。方法:回顾性分析2019年10月至2023年5月于江苏省淮安市第四人民医院就诊的ALT<2ULN,且进行肝穿刺检查的CHB患者62例。收集患者临床资料,根据肝穿结果将S2以下者定为无明显纤维化组(35例),S2及以上者定为明显纤维化组(27例)。对两组患者的临床指标进行分析,采用受试者操作特征曲线(ROC)分析国际标准化比值/血小板比值(INPR)、天门冬氨酸氨基转移酶和血小板比率指数(APRI)、肝纤维化4因子指数(FIB-4)、γ-谷氨酰转肽酶和血小板比值(GPR)、S指数对肝脏病理纤维化的诊断效能。采用Spersman检验分析不同的无创诊断模型与肝组织纤维化之间的关系。结果:62例ALT<2ULN且行肝穿刺的CHB患者中纤维化程度分期为S0期16例(25.8%),S1期19例(30.6%),S2期19例(30.6%),S3期8例(12.9%)。分析62例患者的相关临床指标分层与肝脏纤维化的关系,仅HBsAg水平(以3.0×10^(3)IU/ml为界限分层)差异有统计学意义(χ^(2)=4.07,P=0.044);两组患者的凝血酶原时间(PT),血小板计数(PLT)差异均有统计学意义(P<0.05)。FIB-4(r=0.432,P<0.001)、INPR(r=0.426,P=0.001)、APRI(r=0.388,P=0.02)、S指数(r=0.373,P=0.003)、GPR(r=0.307,P=0.015)均与肝组织纤维化程度正相关。INPR诊断肝脏纤维化(S2以上)的曲线下面积最高,为0.739,灵敏度也最高,为66.7%,而FIB-4特异度最高,为94.3%。结论:ALT<2 ULN的CHB患者发生肝纤维化的比例较高,其中HBsAg<3.0×10^(3)IU/ml,PT延长,PLT降低是其危险因素。5种无创诊断模型对肝纤维化的发生具有一定的预测价值,临床实践中可动态监测这几种模型的变化,为临床初步筛查提供依据。

脑脊液与血多指标联合诊断模型对神经外科细菌性脑膜炎早期诊断的价值

目的利用脑脊液与血多项实验室常规检查预测细菌性脑膜炎的脑脊液培养结果。方法回顾性分析首都医科大学北京天坛医院2020~2023年神经外科住院患者细菌性脑膜炎(357例)和无菌性脑膜炎(363例)的10项相关实验室检测结果,探究脑脊液与血多项检查对细菌性脑膜炎早期诊断的临床意义。结果经单因素分析细菌性脑膜炎组与无菌性脑膜炎组脑脊液白细胞计数(C-WBC)、脑脊液单核细胞比例(C-LY)、脑脊液蛋白浓度(C-PRO)、脑脊液乳酸(C-LAC)、血葡萄糖浓度(B-GLU)、血白细胞计数(B-WBC)、血C反应蛋白(CRP)等7项指标差异有统计学意义(P<0.05)。经多因素回归分析,两组间C-WBC与CRP的差异具有统计学意义(P=0.012,P<0.01)。通过对C-WBC和CRP进行联合诊断模型的构建,其诊断AUC=0.727,灵敏度为72.5%,特异性为61.5%。诊断模型为:Y=-1.18×10^(-4)×C-WBC-0.11×CRP+3.118。结论联合C-WBC与CRP对细菌性脑膜炎与无菌性脑膜炎可以进行有效的鉴别诊断。

基于声辐射力脉冲成像的诊断模型对胆道闭锁患儿肝纤维化的应用价值

目的分析基于声辐射力脉冲成像(ARFI)定量参数建立的无创诊断模型对胆道闭锁患儿肝纤维化的诊断价值。方法回顾性收集100例接受ARFI检查并行肝门-空肠吻合术(Kasai’s)治疗及肝组织活检的胆道闭锁患儿,男42例,女58例,平均年龄(68.79±8.79)d。根据活检病理结果分为肝纤维化组(71例)和非肝纤维化组(29例)。依据Metavir分级标准将肝纤维化分为5级:F0(29例)、F1(31例)、F2(24例)、F3(11例)、F4(5例)。2组临床资料和ARFI定量参数的比较采用t检验或χ^(2)检验;采用单因素方差分析比较肝纤维化不同分级间的剪切波速度(SWV)。采用多因素Logistic回归分析影响胆道闭锁患儿发生肝纤维化的独立危险因素,并构建基于ARFI定量参数的无创诊断模型。采用受试者操作特征(ROC)曲线评价模型的诊断效能,计算其曲线下面积(AUC)。结果肝纤维化组血清中性粒细胞(NEUT)、总胆红素(TBIL)、层黏蛋白(LN)、透明质酸(HA)、Ⅲ型前胶原(PCⅢ)、Ⅳ型胶原(Ⅳ-Col)浓度,以及SWV均高于非肝纤维化组(均P<0.05)。多因素Logistic回归分析结果显示,SWV、血清TBIL及LN、HA、PCⅢ、Ⅳ-Col浓度高是影响胆道闭锁患儿发生肝纤维化的危险因素(均P<0.05)。基于SWV的无创诊断模型诊断胆道闭锁患儿发生肝纤维化的最佳临界值为1.75 m/s,敏感度、特异度、准确度、阳性预测值、AUC分别为93.15%、70.09%、90.25%、88.80%、0.922。结论基于ARFI定量参数建立的无创诊断模型,可较为准确地诊断出胆道闭锁患儿是否存在肝纤维化,且具有较高的应用价值。

“双减”背景下中小学作业如何减量提质——基于认知诊断模型的案例研究

中小学作业的减量提质是学校落实“双减”政策、提升课堂教学质量的关键环节。认知诊断理论不仅能有效解决提质增效问题,还可以助力破解个性化、规模化的现实矛盾。本研究以小学六年级数学分数除法单元为研究案例,基于认知诊断模型,提出中小学学生作业减量提质的实践路径,主要包括认知属性界定与划分、认知Q矩阵构建、单元诊断作业题目编制、认知诊断模型选择、学生作业诊断报告获取等五个步骤。结果表明:以试题参数、属性掌握概率为中介桥梁,有利于解决作业设计中“怎么减”与“怎样减得更好”的问题;以理想测量模式、属性掌握模式为重要依据,有利于解决作业设计的提质增效问题。研究建议从提升教师作业设计能力、构建高质量评价体系、构建学校作业资源库三个方面深入探索,助力中小学作业减量提质。

基于AGINet模型的抽油机异常诊断

为克服已有抽油机异常诊断方法中存在的不足,提出一种多尺度结合全局池化的AlexNet模型(简记为AGINet模型)。首先,AGINet模型在已有AlexNet模型中使用批归一化代替原来的局部响应归一化,接着加入Inception模块,最后使用全局平均池化层代替原有的全连接层。基于相同的输入输出和抽油机示功图数据集,分别完成对AGINet模型、AlexNet模型、LeNet5模型、VGG11模型、卷积神经网络和支持向量机的训练和测试。测试结果表明,与其它深度学习模型和支持向量机相比,AGINet模型的分类准确率、召回率的宏平均值、F1的宏平均值、参数量和所占内存大小均有一定程度的改善,具体值分别为99.9%、99.9%、99.9%、338649和1334KB。AGINet模型为油田抽油机的异常诊断提供了重要的技术参考,促进了先进计算机技术在石油工业中的应用。

EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明:EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。

基于系统模型的自动化生产线故障诊断策略

自动化生产线在现代制造业中发挥着重要作用,然而,故障事件可能导致生产中断,影响生产计划。因此,设计一套优秀的故障诊断策略对于提高自动化生产线的稳定性和可靠性至关重要。首先,分析了自动化生产线的结构和工作原理,探讨了常见的故障类型及其对生产线性能的影响。在此基础上,总结了基于规则和经验的人工故障诊断方法,进一步,引入系统辨识机制,提出了基于系统模型的智能化诊断方法,最终达到智能诊断的目的。实验验证了该方法的有效性,为自动化生产线的故障诊断和维护提供了更为可靠的科学基础。

融合大模型与图神经网络的电力设备缺陷诊断

电力系统中不同装置设备的缺陷评级和分析处理常受运维人员主观性影响,导致同一缺陷文本描述出现不同的严重程度评级。专业知识的差异也导致诊断分析差异和诊断效率不同。为提升缺陷诊断的准确性和效率,提出一种基于图神经网络的缺陷文本评级分类方法和大模型智能诊断分析助手。构建专业词典,使用自然语言处理算法规范化文本描述。通过统计方法,优化缺陷文本的语义表示。集成图注意力神经网络和RoBERTa模型对缺陷文本进行精确评级分类。基于大语言模型Qwen1.5-14B-Chat进行低秩适配(LoRA)微调训练得到电力设备诊断大模型Qwen-ElecDiag,结合检索增强生成技术开发设备缺陷诊断助手。此外,整理提供微调电力设备诊断大模型的指令数据集。对比实验结果表明,提出的基于图神经网络的缺陷评级分类方法在准确性上较最优基准模型BERT提升近8个百分点;诊断助手的电力知识以及缺陷诊断能力得到提升。通过提高缺陷评级的准确率并提供全面专业化诊断建议,不仅提高电力设备运维的智能化水平,也为其他垂直领域的智能运维提供新的解决方案。

面向复杂舆论场景的信息内容风险诊断模型构建与仿真研究

[研究目的]面向复杂舆论场景提取信息内容风险点,构建风险诊断概念模型,为现实工作提供方法参考和工具借鉴。[研究方法]综合SCL、JHA、SWOT及28位风险专家调查列举的统计数据,挖掘复杂舆论场景中的五大信息内容风险点。借助Delphi Method确定风险诊断指标框架后,运用AHP-DEMATEL加权中心度M_(i)和初始权重W^(1)_(i)并作归一化处理而形成诊断方程,结合风险分级标准构建风险诊断I-E-S模型,最后通过案例仿真检验模型性能。[研究结论]风险源和风险处置绩效对诊断指数的影响最大,受众情感反应与行为反应次之,传播力最小。错误内容占比、二次违法违规用户量、重大负面舆情量、线下失范行为量在20个末项操作化指标中的作用明显。多样本仿真检验发现,I-E-S模型诊断结果与用户风险感知契合度超过82.2%,模型实用性和精准性可初步满足风控工作需求。

基于STFT-ECA-ResNet18网络模型的滚动轴承变负载故障诊断

针对传统方法处理变负载轴承故障诊断时存在的自适应能力弱,模型泛化性差的问题,提出了一种改进的基于深度残差网络的故障诊断方法。首先,将采集到的一维时间序列信号进行短时傅里叶变换得到二维时频数据,再利用二维卷积神经网络从变换后的数据中提取特征。然后,通过高效通道注意力机制获取通道全局信息并对其权值进行调整,以增强改进网络模型的泛化能力,使其在变负载工况下分类效果得到提高。最后,通过仿真对所提方法进行了验证,结果表明相比传统方法诊断效果改进明显。

基于检验组学及机器学习的乳腺癌诊断模型研究

目的:以常规临床检验大数据为基础,使用机器学习算法构建乳腺癌诊断模型。以探讨临床检验组学在乳腺癌诊断中的应用价值。方法:采用回顾性研究方法,收集6089例乳腺癌患者及6830例乳腺良性疾病患者临床信息和检验数据。分别运用极限梯度提升、神经网络、支持向量机、随机森林、最近邻算法、逻辑回归、线性判别分析算法、朴素贝叶斯、梯度提升机算法和C5.0决策树等机器学习算法建立乳腺癌诊断模型。采用10折交叉验证进行模型训练,应用准确度、AUC、平均准确度、特异度、灵敏度、阳性预测值、阴性预测值及Kappa值评估各模型性能。结果:从28项常规临床检验指标中筛选出GLU、DBIL、RDW-CV、MONO、TG、ALB、RBC、LYMPH、UREA等9项指标再加上age用于模型构建。通过10种机器学习算法进行模型评估,发现梯度提升机算法相较其它算法具有最优的诊断性能。梯度提升机算法诊断乳腺癌准确度为0.80、AUC为0.80、平均准确度为0.80、特异度为0.77、灵敏度为0.82、阳性预测值为0.78、阴性预测值为0.81、Kappa值为0.59。结论:以常规临床检验数据为基础,使用机器学习算法构建乳腺癌诊断模型,可以为乳腺癌的辅助诊断提供决策支持。

融合特征分析及机器学习的可演进变压器故障诊断模型

变压器是大型电力系统中的关键重要设备,其机理复杂且影响面广,对变压器的状态检测与故障诊断是传统电力系统中的关键问题,也是智能化时代下智能算法应用的重要方向。为解决现有的智能化故障诊断研究受限于故障样本稀缺、诊断结果可解释性差、模型更新困难等问题,提出一种基于时序流数据动态分析的变压器故障诊断模型。首先通过人工辅助标注和数据增强方法,构建具有序列特征的高置信故障数据样本库;然后使用由融合时序特征分析器和多分类器构成的神经网络模型作为训练及分析的模型基础,构造基于相似案例的推理方式,通过距离相似性、模式相似性、形状相似性等多维度距离度量方法,对实时检测到的流数据进行故障诊断及分类预警,以指导运维人员结合历史经验及智能技术开展故障分析。实验结果表明,所提方法在故障诊断的准确性与可解释性上显著提升,可应用于变压器故障在线诊断真实场景中。

超立方体在对称PMC模型下的g-好邻条件诊断度和g-额外条件诊断度

故障诊断在维持多处理器系统的可靠性中起到了至关重要的作用,而诊断度是系统诊断能力的一个重要度量参数。除经典诊断度外还有条件诊断度,如g-好邻条件诊断度、g-额外条件诊断度等。其中g-好邻条件诊断度是在每个无故障顶点至少有g个无故障邻点的条件下定义的一种条件诊断度,g-额外条件诊断度是在每个无故障分支包含超过g个顶点的条件下定义的一种条件诊断度。故障诊断需要在特定的诊断模型下进行,如PMC模型、对称PMC模型等。对称PMC模型是在PMC模型的基础上通过添加两个假设而提出的一种新的诊断模型。n维超立方体因具有多种优越性质而被研究者们广泛研究。目前有不少在PMC模型下的诊断度研究,但缺乏在对称PMC模型下的诊断度研究。文中首先证明了超立方体在对称PMC模型下的g-好邻条件诊断度的上界和下界,当n≥4且0≤g≤n-4时上界为2^(g+1)(n-g-1)+2^(g)-1,当g≥0且n≥max{g+4,2^(g+1)-2^(-g)-g-1}时下界为(2n-2^(g+1)+1)2^(g-1)+(n-g)2^(g-1)-1。还证明了超立方体在对称PMC模型下的g-额外条件诊断度的上界和下界,当n≥4且0≤g≤n-4时上界为2n(g+1)-5g-2C_(g)^(2)-2,当n≥4且0≤g≤min n-4,23 n时下界为3/2n(g+1)-g-5/2C_(g+1)^(2)-1。最后通过模拟实验验证了相关理论结果的正确性。