基于TLR-ADASYN平衡化数据集的MSSA-SVM变压器故障诊断

变压器的稳定运行在电力系统安全中扮演重要角色,而变压器故障数据样本的不足会对故障类型的准确识别产生严重影响。论文首先使用了托梅克链接移除和自适应样本合成的方法对原始数据进行去噪处理及少数类数据样本合成;然后修正了部分麻雀算法(sparrow search algorithm,SSA)公式,并将其与差分进化算法融合,提出了改良麻雀算法(modified sparrow search algorithm,MSSA);接着构建了一种基于平衡数据集的改良麻雀算法优化支持向量机(modified sparrow search algorithm-support vector machine,MSSA-SVM)的变压器故障诊断模型;最后对BP神经网络(BP neural network,BPNN)、粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)、麻雀算法优化支持向量机(sparrow search algorithm-support vector machine,SSA-SVM)和MSSA-SVM进行对比仿真实验。结果显示,各类模型在使用平衡数据集后的平均准确率分别提升了3.12%、6.03%、7.58%、10.23%,验证了所提不平衡数据处理方法的有效性;另外,PSO-SVM、SSA-SVM、MSSA-SVM分别迭代了30次、26次和20次后收敛,其在测试集中Kappa系数分别为0.758、0.785和0.870,这表明了MSSA在该模型优化上具有更强的全局搜索能力。仿真结果说明在变压器数据不平衡的实际背景下,所提变压故障诊断方法具有较高的优越性。

基于Stacking算法实现信贷不平衡数据分类

随着大数据技术在应用层面的日渐普及,机器学习、深度学习相关算法在金融风控行业的应用得到了积极的探索。本文基于开源的信用卡数据(该数据具有样本比例极度不平衡的特点),比较不同采样方法对类别不平衡数据分类结果的影响,并应用集成学习算法Stacking融合多个基分类器训练数据,得到更为稳健的分类模型,有效避免了过拟合现象的发生。

不平衡样本数据下电缆缺陷时域诊断特征波形

电缆缺陷是局部放电量过大的主要原因,为有效控制局部放电量,维持电力网络的运行稳定性,在不平衡样本数据下提出电缆缺陷时域诊断特征波形识别方法。在不平衡样本数据的支持下,引入线性时域诊断特征确定与时域诊断特征相关的映射条件,完成对电缆缺陷时域诊断特征的提取。对已提取诊断特征波形进行变换处理,通过计算熵阈值指标的方式,完成不平衡样本数据下的电缆缺陷时域诊断特征波形识别。实验结果表明,应用所提方法后,可将由电缆缺陷引起的局部放电量控制在4.18×109 kW下,有效解决了局部放电量过大的问题,在维持电力网络运行稳定性方面具有突出作用价值。

基于改进深度残差收缩网络的旋转机械故障诊断

旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象,同时含噪数据样本也会使模型故障诊断正确率偏低,数据样本不平衡会引起模型训练具有倾向性,针对以上一系列问题,提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先,对多故障、长时间序列数据样本进行了矩阵化处理,得到了模型容易接受的多维度灰度图故障样本;针对旋转机械从正常状态到故障状态的机械老化过程,采用了多点随机采样方法,构建了全寿命周期数据样本,用于后续的故障诊断;然后,在卷积神经网络(CNN)的基础上,通过引入残差项、注意力机制和焦点损失函数,构建起了多层深度残差收缩网络,对旋转机械进行了故障诊断(其中,残差项降低了训练过程中样本数据的特征损失,避免了模型的退化和过拟合;注意力机制和软阈值化自动设置噪声阈值,降低了噪声对故障诊断精度的影响;焦点损失函数修正了模型训练的倾向性,提高了模型训练效率和灵敏性);最后,利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明:DRSN模型在训练过程中没有出现明显的退化现象,能够始终保持较高的训练效率和故障诊断精度,有效避免了噪声干扰,在不平衡数据集上修正了模型训练的倾向性。与其他模型相比较,DRSN多层模型的平均故障诊断精度提高约1%~6%。

模糊支持张量训练机及其在滚动轴承故障诊断中的应用

在进行样本不平衡数据建模时,支持向量机(SVM)无法保护故障信号的特征信息,针对这一问题,提出了一种基于模糊支持张量训练机(FSTTM)的状态评估方法。首先,利用多源故障信号在FSTTM中,构建了张量样本,并在模型中引入了张量训练(TT)分解方法,以提取高阶张量样本中包含的特征信息;然后,利用基于TT核函数,建立了线性不可分下的预测模型,解决了非线性数据的分类问题;最后,在目标函数中设计了模糊因子,使模型对数目较少一类样本及数目较多一类样本的倾向均衡,实现了对样本不平衡数据的有效分类。研究结果表明:采用FSTTM对两种不同的滚动轴承数据进行故障诊断实验,其故障识别准确率均在97%以上,且F-score指标达到0.9800以上;相对于传统支持张量机,FSTTM利用高阶张量和模糊因子构造预测模型,可实现对原始信号状态信息的充分利用和样本不平衡数据的准确分类。