基于稀疏堆叠自编码器和Circle Loss的电机故障诊断

电机故障诊断不仅能提高电机安全性,同时,也能降低维护成本,对提高企业的整体经济效益具有重大意义。本文提出了克服转速波动的电机故障诊断方法。通过复包络谱使故障频率分量更突出,SSAE避免了手工提取特征的过程,Circle Loss可以有效地提高诊断精度。实验结果表明,对于用可变转速工况,该方案在故障分类精度方面优于常规故障诊断算法。

基于堆叠稀疏去噪自编码器的混合入侵检测方法

针对高维数据场景下传统入侵检测方法特征提取困难、检测准确率低等问题,提出一种集成多种深度学习模型的混合入侵检测方法.该方法由特征降维算法和混合检测模型2部分组成.首先,利用堆叠稀疏去噪自编码器对原始数据进行特征降维,从而剔除可能存在的噪声干扰和冗余信息.然后,采用一维卷积神经网络和双向门控循环单元学习数据中的空间维度特征和时序维度特征,将融合后的空时特征通过注意力分配不同的权重系数,从而使有用的信息得到更好表达,再经由全连接层训练后进行分类.为检验方案的可行性,在UNSW-NB15数据集上进行验证.结果表明,该模型与其他同类型入侵检测算法相比,拥有更优秀的检测性能,其准确率达到99.57%,误报率仅为0.68%.

基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法研究

为了提高路面裂缝识别的正确率和实时性,文章提出了一种基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法。利用图像处理算法从每张路面图像中提取低维特征,输入到稀疏自编码器进行特征优化并提取高维特征后,使用Softmax分类器来进行识别。利用本文方法进行交叉试验,准确率、精度、灵敏度、特异性和F1-score分别达到99.5%、99%、100%、100%和99.5%。因此,本文提出的方法能够有效地自动检测路面裂缝。

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法。首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征提取模型;最后,将提取到的特征输入到SVM多分类器中完成对滚动轴承的智能故障诊断。QPZZ-Ⅱ旋转机械故障模拟试验平台所得故障信号的处理结果表明,该方法的平均故障诊断率达到了99.9%,相对于其他方法具备更快的收敛速度,更好的诊断效果,以及更强的鲁棒性。另外,采用美国西储大学轴承数据中心10种轴承故障信号进行分析,结果证明了该方法在面对不同类型轴承以及多种故障信号时具备良好的诊断性能,有一定的普适性。

基于堆叠稀疏自动编码器的SAR图像变化检测

针对合成孔径雷达（SAR）图像存在较强相干斑的特性,该文基于深度学习理论,将堆叠稀疏自编码器（SSAE）运用到SAR图像的变化检测中,用以提取图像的深层特征。首先,用均值比法求取差异图像,然后将差异图像作为输入数据训练稀疏自动编码器（SAE）并通过训练好的SAE提取图像特征,再将图像特征作为输入数据训练新的SAE同时通过训练好的SAE提取图像更深层次的特征,最后连接模糊C均值分类器对提取到的图像特征进行聚类得到变化检测图像。实验结果分析表明基于SSAE的分类模型,总体精度能达到98. 84%,优于实验中的其他方法,证明了深度学习方法在SAR图像的变化检测中具有良好的分类性能。

基于堆叠稀疏降噪自编码器的暂态稳定评估模型

深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。

考虑惯量中心频率偏移的自编码器暂态稳定评估

针对传统深度学习方法评估电力系统暂态稳定时没有考虑电力系统物理特性的问题,提出一种考虑系统惯量中心频率偏移量的电力系统暂态稳定评估方法。通过计算电力系统故障后的惯量中心频率偏移量,将样本进行分类,分别用堆叠稀疏自编码器进行训练。当系统网架结构发生改变时,采用迁移成分分析法结合惯量中心频率偏移量对分类器进行更新。通过新英格兰10机39节点系统上的仿真结果表明所提方法比传统深度学习方法及迁移学习方法精度更高、泛化性能更强。当部分同步向量测量单元缺失以及数据中含有噪声时也能取得很好的效果。

基于堆叠稀疏自编码器和深度森林的窃电检测模型

为了提高窃电检测模型的检出率和准确率,提出一种基于堆叠稀疏自编码器和深度森林的窃电检测模型。通过使用用户用电量数据训练堆叠稀疏自编码器,以降低总体重建误差为目标,确定堆叠稀疏自编码器的层数及隐藏层输出向量维度,实现对用户用电特征更有效的提取。将最后一层稀疏编码器隐藏层的输出向量作为深度森林的输入特征向量,对输入特征向量进行多粒度扫描,使用级联森林实现特征深度融合与窃电检测。基于某市6000个用户用电量数据对该模型的性能进行验证,实验结果表明,对比其他经典窃电检测模型,所提窃电检测模型具有更高的检出率和准确率。

基于SCG优化SSAE-FFNN的电能质量复合扰动深度特征提取与分类

随着智能电网的发展,电能质量问题已遍布电网并威胁着电网的安全稳定,且电能质量监测数据日渐庞大,因此实现大规模系统中电能质量扰动(power quality disturbances,PQDs)的深度特征提取及智能分类识别对电力系统污染检测与管理具有重要意义。为此,文中提出一种基于堆叠稀疏自编码器(stacked sparse auto encoder,SSAE)和前馈神经网络(feedforward neural network,FFNN)的电能质量复合扰动分类方法。首先,基于IEEE标准构建PQDs仿真模型。然后,建立基于SSAE-FFNN的PQDs分类模型,并引入缩放共轭梯度(scaled conjugate gradient,SCG)算法对模型进行优化,以提高梯度下降速度和网络训练效率。接着,为有效降低堆叠网络的重构损失同时提取出深度的低维特征,构建SSAE的逐层训练集及微调策略。最后,通过算例分析验证文中方法的分类效果、鲁棒性、泛化性和适用场景规模。结果表明,文中方法能够有效识别电能质量复合扰动,对含误差扰动和某地市电网的21组实测扰动录波数据也有较高的分类准确率。

基于梯度范数的暂态稳定评估模型的不平衡修正方法

为了解决电力系统中样本数量和质量不平衡造成的暂态稳定评估偏差问题,从评估模型的训练过程出发,通过预训练模型获得样本对模型参数修正的梯度范数,引入梯度范数均值比量化样本的不平衡程度,相较于先验信息,梯度范数均值比综合考虑了样本数量与样本质量的不平衡,并提出基于代价敏感法的不平衡修正方法,利用该方法改善模型的评估倾向性,以实现较好的修正效果。IEEE39节点系统和华东电网系统的仿真结果验证了所提方法的有效性。

一种SSAE+BPNN的变工况飞灰含碳量软测量方法

火电机组变工况运行使数据呈现多模态特征,导致基于浅层网络结构的回归软测量模型的预测精度下降。研究一种改进的BP神经网络(back propagation neural network,BPNN)软测量方法:首先利用堆叠稀疏自编码器(stacked sparse autoencoder,SSAE)强大的深度学习能力提取原始数据特征,然后再利用BPNN对提取特征进行回归分析。经实验验证,SSAE+BPNN软测量方法的均方误差为0.135 8×10–3,平方相关系数为0.983 2,其预测精度和泛化能力显著优于BPNN。将其应用于某台灵活调峰的超超临界660 MW发电机组飞灰含碳量软测量中,预测结果的平均相对误差为0.91%,总体相对误差控制在±5%以内,具有良好的工程应用价值。

自适应类增量学习的物联网入侵检测系统

传统物联网入侵检测系统难以实时检测新类别攻击,为此,提出一种基于堆叠稀疏自编码器(SSAE)和自组织增量神经网络(SOINN)的物联网入侵检测方法。SSAE对已知类别的攻击样本进行稀疏编码和特征提取,所提取的特征输入SOINN,SOINN形成符合流量特征空间分布的拓扑结构。当出现新类别训练样本的特征时,SOINN自适应地生成新节点以建立新的局部拓扑结构。为了保留SSAE在旧类别样本上的知识,对SOINN已有的拓扑结构施加约束,通过误差反向传递间接约束SSAE权重的变化。针对SOINN在新类别上产生的新局部拓扑结构进行自适应聚合和优化,从而实现新类别样本学习。实验结果表明,该方法能基于新类别数据对模型进行增量训练而无需历史类别数据,在CIC-IDS2017数据集的动态数据流中能有效检测新类别攻击同时缓解旧类别数据中存在的灾难性遗忘问题,在初始已知数据集上的准确率达到98.15%,完成3个阶段的类别增量学习后整体准确率仍能达到57.34%,优于KNN-SVM、mCNN等增量学习方法。

D-SSAE与PSO-SVM在转子-滑动轴承系统故障诊断中的应用

旋转机械广泛应用于石油化工、航空航天等行业,而转子-滑动轴承系统是旋转机械的核心部件,对其进行故障诊断和状态监测具有重要意义。针对转子-滑动轴承的故障诊断问题,提出一种改进的深度堆叠稀疏自编码器(D-SSAE)和粒子群算法(PSO)优化后的支持向量机(SVM)相结合的故障诊断算法。首先,对振动信号进行快速傅里叶变换(FFT),以稀疏自编码器(SAE)组合构造堆叠稀疏自编码器(SSAE),以提出的函数动态改进dropout方法和自适应时刻估计法(Adam)进行迭代训练网络,实现特征的自动提取;其次,将频域信号输入诊断网络进行测试,以PSO-SVM为分类器得到诊断结果;最后,利用滑动轴承故障模拟实验台对算法进行了实验验证,结果表明,提出的方法具有故障识别率高、泛化能力强、训练时间合理等优点。

基于双向LSTM模型的流量异常检测方法

聚焦传统基于统计、信息论和机器学习的异常流量检测方法存在依赖专家经验、准确度较低、误报率高和泛化能力不足等问题,提出了一种基于堆叠稀疏自编码器(Stacked Sparse Auto-Encoder,SSAE)和双向LSTM模型的异常流量检测方法,基于SSAE进行流量数据特征提取,改变了之前全部依赖专家知识数据库的做法,从根本上避免人的主观性,提高流量数据的真实性和客观性;将双向LSTM模型提取的局部时序信息和使用多头注意力机制提取的全局信息相融合,详细阐述了模型构建过程和算法设计核心步骤;通过设计典型场景,选取数据集和准确率、召回率以及F1评分评估指标,验证所设计模型算法的精准度和鲁棒性。实验结果表明,提高了异常流量的检测精度,增强了模型泛化能力,对异常攻击和资源优化调控具有辅助决策作用。

一种改进的认知无线电调制识别方法研究

调制识别对认知无线电系统感知和决策具有重要的研究意义。因此,提出了一种认知无线电调制识别的改进方法,适用于低信噪比通信环境,且计算复杂度较小,具有较好的稳健性。该方法基于高阶累积量的特征提取手段,达到了理想的噪声抑制效果;采取堆叠稀疏自编码器作为调制识别分类的新思路,实现了对多层结构的优化,对特征阈值的自动判决也相对简单,可识别多种信号调制样式。最后,仿真结果验证了新方法的有效性,且其适用性较强,识别性能也优于传统的一些算法。

基于特征抽取的电力工控系统入侵检测方法

随着电力工控系统内负荷终端的大量部署,系统遭受网络入侵的风险将极大提高。在将网络入侵检测技术应用于电力工控系统时,已开发的检测模型往往无法取得理想效果,而训练新的模型又将面临安全、隐私等原因造成的数据采集困难。因此,研究一种基于特征抽取的入侵检测方法,该方法通过堆叠稀疏自编码器结构提取抽象特征,以SVM(支持向量机)分类器为输出层实现入侵检测。在模型训练过程中引入迁移学习策略进行优化,经算例验证该方法能有效提升模型面向有限数量目标域内数据的检测效果和训练效率。

基于DVMD和SSAE的柴油机混合故障诊断

针对柴油机缸盖振动信号非平稳非线性的特点,提出一种基于散布熵改进的变分模态分解(DVMD)和堆叠稀疏自编码器(SSAE)相结合的柴油机混合故障诊断方法。利用散布熵确定变分模态分解的层数K,并根据散布熵转折点选取有效模态分量。分别对选取的各模态分量提取常用14个时域特征和小波包分解后的能量特征,构建混合多特征向量,输入基于堆叠稀疏自编码器和Softmax层构建的深度神经网络(DNN)中,实现了柴油机7种混合故障模式识别。与其他常见方法进行对比,结果表明该方法能够有效提取故障特征,具有较高的诊断准确率。

基于SSAE-FCM的燃料乙醇分批发酵关键时间节点自动识别

生物工程日趋复杂化和智能化,其生产过程也从实验室向工业化规模快速发展,给生物工程过程控制优化带来了新的挑战。本工作以燃料乙醇分批发酵这一复杂过程为研究对象,提出了一种基于堆叠稀疏自编码器(SSAE)和模糊C均值聚类(FCM)相结合的燃料乙醇分批发酵关键时间节点自动识别方法。通过SSAE由低到高逐层提取发酵过程原始数据中更能反映数据本质属性的各级高层特征,并将其作为FCM算法的输入数据,最终构建燃料乙醇分批发酵关键时间节点自动识别模型。为评估模型性能,以国投生物燃料乙醇发酵过程为应用对象,结果表明,本工作所提出的方法具有可操作性。同时,与基于动力学模型和过程多参数相关性分析方法对比,本工作所提方法具有更优的识别性能。

基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算

【目的】通过组合机载激光雷达(airborne laser scanning,ALS)数据和Sentinel-2A数据提取特征变量,探讨估算天然次生林地上生物量(aboveground biomass,AGB)最佳的变量组合方式和估算方法。【方法】以2015年ALS数据、2016年Sentinel-2A数据和黑龙江帽儿山林场森林资源连续清查固定样地数据为数据源,通过ALS数据提取高度特征变量(all the LiDAR variables,记为A_(L)),Sentinel-2A数据提取若干植被指数变量(all the optical variables,记为A_(O)),然后将光学-ALS结合变量(combined optical and LiDAR index,COLI,记为ICOL)结合成为新的变量I_(COL1)和I_(COL2),以6组特征变量组合方式(A_(O)+A_(L)、I_(COL1)、I_(COL2)、I_(COL1)+A_(O)+A_(L)、I_(COL2)+A_(O)+A_(L)、I_(COL1)+I_(COL2)+A_(O)+A_(L))作为输入变量,分别使用多元线性逐步回归(stepwise multiple linear regression,SMLR)、K-最近邻法(K-nearest neighbor,K-NN)、支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)和堆叠稀疏自编码器(stack sparse auto-encoder,SSAE)共5种方法构建了天然次生林AGB估算模型,探讨ICOLs变量以及不同模型对生物量估测精度的影响。【结果】结合变量ICOLs对于森林AGB的估算十分有效,加入ICOLs变量能够很大提高森林AGB模型的估算精度;与其他4种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合(I_(COL1)+I_(COL2)+A_(O)+A_(L))作为输入特征变量时,模型的准确性最高:R^(2)=0.83,均方根误差为11.06 t/hm^(2),相对均方根误差为8.23%。【结论】结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型(SSAE)在估算天然次生林AGB方面优于其他预测模型。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,为天然次生林地上生物量的估算和碳储量评估提供技术支持。