基于少量数据的火电厂设备检修周期决策研究

对火电厂设备检修维护数据的分析与处理,可以提高设备的可靠性和安全性,降低故障率和维修成本,提高设备的利用率和运行效率,从而为火电厂的生产经营提供有效的支持。本文介绍了火力发电厂设备系统的维护调度,以降低整个运行期的维护成本,同时保持设备系统当前的可靠性水平。降维法用于解决将一些可用数据和其他与设备故障有关的因素一起使用的问题,与平均故障时间相比,可用数据被限制在较短的运行周期范围内,这一问题通过使用可用的实际数据外推故障周期的整个分布来解决。

基于Bayesian-MCMC方法的少量数据初因事件频率的不确定性分析

在计算初因事件频率的过程中,当初因事件获取的数据较少时,便要考虑不确定性。在概率安全评估(PSA)中,通常以概率分布的形式表示事件的不确定性。本文针对"贮罐内压过大"这个初因事件数据量获取少的问题,采用贝叶斯-马尔科夫链蒙特卡洛方法(Bayesian-MCMC方法)对其频率进行了不确定性分析,得到了初因事件频率的不确定分布图形,并分析了不确定分布图形的特点,同时与直接计算频率方法进行了结果比较,从而验证了该方法的正确性和有效性。

一种基于少量训练数据的口语语义理解技术

随着人工智能的发展,语音交互技术在智能家居、智能助理等领域得到长足的发展,口语化短文本的语义理解技术成为研究重点。口语文本中存在句法不规范、关键信息少、句子间差异小等特点,影响语义识别准确率,模型需不断更新迭代。本文将层次化理论与智能家居领域语音交互应用相结合,形成多层语义解析架构,实现文本数据到结构化知识的转变,在少量文本数据的基础上,实现训练耗时10秒以内,平均准确率96%以上,并设计了分布式模型训练系统,满足工业级应用需求。

基于降维算法从少量测量数据中重构温度场

由于测量环境及测量技术的制约,工业中温度信息的获取主要依据少量测点数据,难以得到被测对象完整温度信息。计算方法可以获得被测对象完整温度信息,但计算量大,信息再现实时性差。为了解决这个问题,实现快速、有效、准确的实时温度分布测量,提出一种基于Gappy POD低维表示的温度分布降维重建算法,从少量局部温度测量数据准确中重建温度场,并分析采用上述算法进行温度场重构时POD基个数、测点数量和测点位置对其的影响。通过双峰温度场模型重建结果和误差分析表明,重建误差在1×10;以下,且该算法显著地减少了测量传感器的数量,降低了温度分布测量的复杂性与测量成本,为工业测量中数据缺失提供新的解决思路。

少量检测数据下服役钢筋混凝土桥梁时变可靠性评估

既有钢筋混凝土(RC)桥梁可靠性评估过程中,受检测数据稀少影响,难以采用概率分布表征参数的不确定性。文章通过将少量检测数据的模糊变量形式转化成随机变量形式,将模糊变量的隶属分布转化为随机数据的概率分布,并基于Matlab对转化后的随机数据分布进行切片取样,提出了少量数据处理方法,介绍了模糊可靠度分析的相关理论和用蒙特卡洛法计算模糊可靠度的方法,同时以一座混凝土实桥为例,在少量检测数据下进行服役桥梁的时变可靠性评估。

采用少量样本的开关磁阻电机磁链SVM建模与分析

开关磁阻电机(SRM)中磁链ψ是转子位置θ和绕组电流i的二元非线性函数,常基于ψ-θ-i关系数据建立磁链的数值模型,但ψ-θ-i关系数据测量成本高。本文基于支持向量机(SVM)算法从少量ψ-θ-i关系数据中建立开关磁阻电机的磁链模型。通过改变训练集均匀采样的步长,发现若电角度采样步长超过14°,模型预测误差约增加50%;电流较小时,模型预测误差随着采样步长的增大先迅速增加后在某一值附近震荡。训练集确定后,采用原始的ψ-θ-i数据训练SVM所得磁链模型,在磁链值较小的区域,预测值的相对误差最大值超过200%。针对误差产生的原因,本文提出一种非线性映射,用于处理训练样本。采用预处理后的样本训练SVM所得模型,在磁链值较小区域预测值的相对误差小于3.5%。为进一步提高最终模型的精度,本文将由原始数据训练所得模型和由映射后数据训练所得模型集成得到最终模型。本文的方案削弱了训练样本的减少对磁链模型精度的影响,使磁链模型预测的相对误差明显减小。

基于杂波谱稀疏恢复的空时自适应处理

在机载雷达体制中,空时自适应处理(STAP)可有效抑制杂波并完成动目标检测.但在实际杂波环境中,由于缺乏独立同分布的训练样本,传统STAP算法性能下降严重.针对这一问题,我们利用STAP体制下杂波在角度-多普勒域上的稀疏性,提出基于稀疏恢复的SR-STAP方法,可在少量训练样本下实现高分辨空时杂波谱及相应杂波协方差矩阵的估计.Mountaintop实际数据和仿真实验均表明,SR-STAP收敛速度更快,从而在实际杂波环境中获得更高的信杂噪比改善.

基于信息熵的半监督特征选择算法

诸多实际应用中,由于确定数据集的类信息通常比较"昂贵",因此研究者只能为其中很少量的数据标记类信息。针对上述"少量标记数据问题",文中基于粗糙集理论和信息熵的概念,提出了一种基于信息熵的粗糙特征选择算法。通过分析给定数据集上有标记数据集和无标记数据的信息熵,重新定义了整个数据集上的信息熵。在此基础上定义了半监督意义下基于信息熵的特征重要度,设计了一种基于信息熵的可有效处理含有少量标记数据的半监督粗糙特征选择算法。实验结果进一步验证了所提算法的可行性和高效性。

基于SES的不常用备件需求预测模型

在目前引进装备的需求预测中,针对历史数据较少和样本值具有大量零值的问题,采用一次指数平滑法(Single Exponential Smoothing,SES)进行不常用备件需求预测。分析指数平滑法初始值和加权系数对模型预测准确性的影响,建立舰艇间断性需求备件的预测模型,并对某型舰艇备件进行预测和分析,较好地实现了间断性需求备件的预测。仿真结果证明了该方法的可行性和有效性。

基于可区分性加权的模糊核说话人识别

针对训练和识别语音数据较少的情况,本文提出了一种新的说话人识别算法.通过核映射,在高维特征空间对说话人的语音特征进行模糊矢量量化.为了增加说话人之间的可区分性,提出了一种基于高维特征空间的码字矢量的权值分配方法,对具有较强区分性的码字矢量分配较大的权值,并将产生的权值和说话人的码书一起形成说话人数据库.识别时,提出一种模糊核加权最近邻近分类器,在高维特征空间中对说话人进行匹配.实验表明,该算法在训练语音少于8s,识别语音为1s时,能够得到较好的识别结果.

基于LS-SVM的间断性需求备件预测

我国近年引进国外装备时间不长,其备件的历史数据较少、需求具有间断性且具有大量零值,给预测工作带来了一定的困难。文章提出应用最小二乘支持向量机(Least Squares Support Vector Machines LS-SVM)这一新的机器学习方法来实现间断性需求备件的预测,建立了舰艇间断性需求备件的预测模型,并对某型舰艇备件进行预测和分析,结果表明:LS-SVM在间断性需求备件预测上表现出优秀的学习和预测能力。

基于语义相似度改进的少样本终身主题模型

对于终身主题模型而言,先验知识的正确性对后续的建模任务起到了至关重要的作用.因此,提出了一种基于语义相似度改进的少样本终身主题模型SS-AMC(Semantic Similarity-AMC),利用BERT获取共现词对的词向量,计算其语义相似度,通过设置相似度阈值进而优化知识库中的先验知识,以提升少样本终身主题模型的性能.在中英文数据集上的实验结果表明,SS-AMC模型的主题一致性较基线模型有了明显的提升.

岩土参数统计特征的贝叶斯估计

岩土参数的统计特征,如平均值、标准差对于岩土参数设计分析的可靠性至关重要。准确估计这些统计特征通常需要较多岩土参数的试验数据。实际工程中,由于工程预算、工程周期等原因导致具体场地所得岩土参数数据相对较少。试验数据的相对稀疏以及在工程设计中对岩土参数统计特征的需求经常使得工程师在工程实践中陷入困境。为了解决这一问题,利用贝叶斯估计的方法,将工程经验和少量的试验数据系统地耦合起来,进而帮助估计岩土参数的统计特征。同时以工程实例加以说明,并以模拟数据进行验证。

多模态过程中新模态过程建模方法

多模态过程中新出现的模态过程短期内无法获得充足的建模数据,且传统统计控制方法无法有效地估计过程特性.鉴于此,提出一种基于历史模型数据相关特性建立初步模型的方法,充分利用已有多模态历史数据的相关特性,从历史数据中寻找与当前数据特征相似的数据进行补充,建立初始模型,并利用新积累的数据迭代初步模型,逐步实现准确描述过程特性的算法.通过在田纳西-伊斯曼过程中的大量仿真,表明了所提出方法的可行性和有效性.