非均衡数据集下基于孪生卷积网络的变压器绕组变形故障识别方法

变压器绕组是变压器中最常发生故障的部分,故障类型多且常见程度不同。目前已有学者将机器学习应用于变压器绕组变形故障识别,但存在数据集不均衡时预测准确率低、运算时间长、所需样本量大等问题。为了解决上述的问题,文中提出了一种非均衡数据集下基于孪生卷积网络的变压器绕组变形故障识别方法,收集了变压器故障样本并搭建多种故障诊断模型进行对比以验证所提出方法的有效性。经过模型训练和验证,使用孪生卷积网络在非均衡数据集下进行变压器绕组变形故障识别正确率达到90%左右,高于卷积网络(CNN)、支持向量机(SVM)等其他方法的正确率。

数据集不均衡下的设备故障程度识别方法研究

在机械故障诊断中,由于故障样本难以收集且数量远远少于正常样本,即产生数据集不均衡问题。这将导致传统的分类算法如支持向量机(SVM)在处理不均衡分类问题时对少数类样本(故障样本)的分类准确率过低。加权支持向量机(C-SVM)算法是一种处理样本集不均衡问题的常用算法,可以在一定程度上改善少数类样本的分类准确率。但是在故障程度相近时会导致样本间距过小,加权C-SVM算法对这类故障样本的识别精度不理想。为提高数据集不均衡下故障程度相近样本的分类准确率,采用二叉树结构与加权C-SVM相结合的方法,综合考虑样本类间距离、类内距离和不均衡程度,优化二叉树结构。结果表明,该算法能够有效处理样本距离过近的不均衡数据集分类问题,从而提高了故障程度相近样本的分类准确率。

基于特征注意匹配CYCLEGAN的高速列车轮对轴承数据均衡化方法

高速列车滚动轴承一旦发生故障就会停车检修,导致样本数据极度不平衡。数据集的不平衡性会对故障诊断结果的准确性和稳定性产生重要影响。针对该问题,提出一种基于特征注意匹配(feature attention matching, FAM)和循环生成对抗网络(cycle-consistent generative adversarial networks, CYCLEGAN)的轴承不平衡数据处理CYCLEGAN-FAM方法,该方法在CYCLEGAN的判别器中加入特征注意匹配模块,对从真实图像和生成图像中提取的特征进行对齐,从而提高生成样本的质量。试验表明,该方法能够生成与真实样本高度相似的生成样本,并随着不平衡数据集被逐渐平衡,故障诊断的准确率在凯斯西储大学4类和10类数据集上分别达到了99.8%和99.2%,在QPZZ-II四类和十类数据集上分别达到了99.4%和99.6%。

不均衡故障诊断数据上的特征选择

不均衡数据在实际应用中广泛存在,它们已对机器学习领域构成了一个挑战,如何有效处理不均衡数据也成为目前的一个新的研究热点.在故障诊断数据集中,故障样本数通常比非故障样本数要少很多,由此引发了数据不均衡问题下故障诊断的问题.以往的研究很少关注这种数据不均衡问题对故障诊断的影响.此外,在故障数据集中有一些冗余甚至是不相关的特征,这些特征降低了学习器的泛化能力.为解决这类问题,提出了一种基于嵌入式特征选择的EasyEnsemble算法来解决故障诊断中的数据不均衡问题.在UCI数据集和柴油发动机数据集上的实验结果表明新算法提高了分类器在不均衡数据集上的分类性能和预报能力.

滚动轴承故障诊断中数据不均衡问题的研究

滚动轴承缺陷是导致滚动轴承在运行过程中产生故障的主要原因之一,因此对滚动轴承缺陷诊断技术进行研究具有十分重要的意义。但是,在轴承故障诊断数据集中,故障样本数通常比非故障样本数要少很多,由此引发了数据不均衡情况下故障诊断的问题。以往的研究很少关注这种数据不均衡问题对故障诊断的影响。此外,在故障数据集中有一些冗余甚至是不相关的特征,这些特征降低了学习器的泛化能力。为解决这类问题,本文提出了一种基于Fisher准则的EasyEnsemble算法来解决故障诊断中的数据不均衡问题。在UCI数据集和滚动轴承数据集上的实验结果表明,新算法提高了分类器在不均衡数据集上的分类性能和预报能力。

基于图卷积网络的非均衡数据船舶柴油机故障诊断

[目的]船舶柴油机状态信息数据普遍存在类别不均衡的问题,非均衡数据集降低了基于数据驱动的故障诊断模型对柴油机健康状况自动识别的准确性。因此,提出基于样本间概率相似性的图卷积网络(GCN)模型,以解决非均衡数据集分类问题。[方法]首先,引入Kullback-Leibler散度来计算样本间的概率相似性,以挖掘样本间的非线性关系,将各个样本间的相似性用构造概率图的拓扑结构体现。然后,利用图学习对样本特征及邻近样本特征进行聚合和提取,为非均衡数据集的分类提供更多的信息。最后,通过构造多层图卷积层,对样本特征信息进行更深层次的挖掘。[结果]仿真及台架实验表明,所提出的图卷积网络能够有效地学习更多样本信息,通过聚合邻近样本信息来提高非均衡数据集分类的准确率。[结论]该模型的召回率和精确率均高于其他分类模型,具有一定的工程应用价值。

基于概率切片累积特征的轴承双向传感器信息融合故障诊断

针对采集的轴承振动信号易受环境的影响而导致存在许多不确定性因素的现实情况,采用一种基于概率切片累积特征的轴承双向传感器信息融合故障诊断方法实现对轴承故障的定性分析。首先利用概率盒理论(P-box)将来自水平和垂直方向传感器的时域信号分别进行概率盒建模,从而减小认知不确定性带来的消极影响并充分提取多方位振动信号中故障信息;然后提取模型概率切片累积特征输入到构建的双通道并行卷积神经网络(PCNN)自适应训练,在此基础上通过在网络的全连接层之前添加一个融合层进行双向特征信息融合;最后利用归一化指数函数实现故障部位的辨识。某铁路局机务段轮对轴承数据分析结果表明,所采用方法在应对故障程度不均衡数据集时仍具有较高的准确性和稳定性,且在不同噪声条件下具有一定的鲁棒性。

一种应用于不均衡小样本集的石化设备故障智能诊断方法

针对实际生产中,石化设备故障呈现出“不均衡小样本”特性,致使传统诊断模型适用性不足,准确率低下这一问题,基于一类支持向量机(One-Class SVM)和遗传算法优化的支持向量机(GA-SVM),提出一种分步诊断策略。利用One-Class SVM构建超球诊断模型,可在没有任何故障先例的前提下实现异常状态辨识和未知故障甄别,提升算法对不均衡监测数据(正常样本数量远超故障样本数量)的适用性;利用GA-SVM,针对小样本故障数据集构建并优化智能诊断模型,判别故障模式,降低算法对大量有标签故障样本的依赖。故障诊断实验结果表明,该方法能够在不均衡小样本场景中显著降低漏报率、误报率和误诊率,对实验数据和工程数据的诊断准确率分别达99%和100%。

齿轮故障不均衡分类问题的研究

齿轮是传动机械中的重要部件,也是在运行过程中产生故障的主要原因之一,因此对齿轮进行故障诊断研究就具有十分重要的意义。但是在齿轮故障诊断数据集中,故障样本数通常比非故障样本数要少很多,由此引发了数据不均衡问题下故障诊断的问题。以往的研究很少关注这种数据不均衡问题对故障诊断的影响。此外,在故障数据集中有一些冗余甚至是不相关的特征,这些特征降低了学习器的泛化能力。为解决这类问题,提出了一种基于Relief的EasyEnsemble算法来解决故障诊断中的数据不均衡问题。在UCI数据集和齿轮数据集上的实验结果表明新算法提高了分类器在不均衡数据集上的分类性能和预报能力。

基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术

数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素。为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节。

结合AdaBoost和代价敏感的变压器故障诊断方法

数据集类别分布非均衡极大制约了人工智能技术在电力变压器故障诊断领域中的应用。为克服数据非均衡导致自适应算法(adaptive boosting,AdaBoost)分类精度提升有限的缺陷,研究提出了一种结合AdaBoost和代价敏感的Adacost算法,以有效提升诊断模型的综合分类性能。首先,确定专家打分和混淆矩阵结合的代价敏感矩阵以保证模型的合理性和客观性;然后,构建基于Adacost算法的电力变压器故障诊断模型,并以油中溶解气体无编码比值作为诊断模型的输入特征参量;最后进行算例仿真,同时选用准确率、F1度量以及G-mean作为诊断模型的评价指标。研究结果显示,相较于决策树和AdaBoost分类器,Adacost模型的各评价指标均有大幅提升,其中F1度量分别提升了22.03%、10.07%,表明所提方法有效提升了非均衡数据集下诊断模型的故障识别性能。

基于代价敏感方法的智能制造故障诊断

在设备故障诊断过程中,数据集中正负分类样本数量相差较为悬殊等数据不平衡问题会导致诊断准确率降低。为减少由于正负类样本不均衡而导致的误判,提高设备故障诊断准确率,提出一种代价敏感方法。该方法借助Boosting方法,通过多次概率采样生成多个模型,并确定每个模型的权重。其中采样的概率取决于代价调整值,所提方法在每一个迭代过程中根据上一次迭代的结果对代价调整值进行调整。通过实验,并与其他方法进行对比,结果表明与采用固定的代价敏感值及非代价敏感方法相比,提出的方法具有更好的表现。

海量通信数据管理平台的设计与实现

针对现有数据库系统在处理包含大量非结构化的通信数据表现出效率不高的问题,论文设计和实现了一种基于MongoDB数据库集群技术的海量数据管理平台。该平台针对通信数据具有的规模大、类型多样、关联性弱和附加价值高等特点,采用了Mongo数据库集群技术、故障转移技术和负载均衡等技术,为海量通信数据的管理提高了可靠、高效的集群存储环境。测试表明,该平台在多种操作场景下都有优异的海量通信数据存储和处理的性能表现。

基于代价敏感学习的配电网故障线路分类算法

为了实现配电网故障线路辨识,以真实录波数据为驱动,从大数据分析角度提出一种配电网单相接地故障定位方法。首先,利用故障波形关联维数、零序电流时频故障测度值等构建多维故障特征向量,反映各种单相接地故障工况;其次,设计一种基于代价敏感学习的接地故障分类器,解决非均衡数据集分类问题,并依托真实波形数据对算法中代价因子的选择进行优化;最后,形成一种基于代价敏感学习AdaCost算法的配电网单相接地故障定位方法。模拟电网实验结果表明,该方法能够有效提高故障线路识别准确率,而且不受故障类型、故障样本比例、中性点接地方式的影响,为配电网接地故障定位提供了一种解决方案。