基于深度置信网络的多模态过程故障评估方法及应用

传统的多模态过程故障等级评估方法对模态之间的共性特征考虑较少,导致当被评估模态故障信息不充分时,评估的准确性较低.针对此问题,首先,提出一种共性–个性深度置信网络(Common and specific deep belief network,CS-DBN),该网络充分利用深度置信网络(Deep belief network,DBN)的深度分层特征提取能力,通过度量多模态数据间分布的相似性和差异性,进一步得到能够反映多模态过程共有信息的共性特征以及反映每个模态独有信息的个性特征;其次,基于CS-DBN,利用多模态过程的已知故障等级数据生成多模态共性–个性特征集,通过加权逻辑回归构建故障等级评估模型;最后,将所提方法应用于带钢热连轧生产过程的故障等级评估中.应用结果表明,随着多模态故障等级数据的增加,所提方法的评估准确率逐渐增加,当故障信息充足时,评估准确率可达98.75%;故障信息不足时,与传统方法相比,评估准确率提升近10%.

基于变分模态分解和改进灰狼算法优化深度置信网络的自动转换开关故障识别

自动转换开关(ATSE)是保证系统连续供电的设备,对其进行健康监测和故障诊断对系统的稳定运行具有重要意义。为了实现对ATSE的非侵入式故障识别,该文提出一种基于电流信号变分模态分解(VMD)的特征提取和改进灰狼算法(IGWO)优化深度置信网络(DBN)相结合的故障诊断方法。该方法首先利用样本熵确定VMD分解次数并对故障电流进行分解;其次对分解后得到的本征模态函数进行小波包能量的提取,并利用IGWO对DBN网络结构参数进行优化;最后通过DBN将电流能量特征与ATSE的故障类型建立起映射关系从而完成最终的故障识别。所提IGWO采用了分段调节与非线性递减的衰减因子相结合的策略,以平衡算法全局搜索和局部搜索能力;并采用莱维飞行更新探狼的移动位置,来避免算法陷入早熟收敛。实验结果表明,该算法不仅能显著提高前期对参数寻优的训练速度,后续泛化实验的故障分类准确率也有98.78%的良好表现。

基于深度置信网络的电网安全稳定控制系统故障诊断方法

安全稳定控制系统(安控系统)控制节点多、控制链条长,若因故障导致拒动或者误动,将给电网的运行造成严重危害。安控系统的故障诊断是电力系统安全稳定运行的基础。现有安控系统的故障诊断主要依赖于技术人员依据通信报文辅助判别异常原因,难以对安控系统各个环节故障进行实时诊断。为此,分析了安控系统故障的存在环节和产生原因,提取了安控系统故障特征量;建立了基于深度置信网络的安控系统故障诊断模型,提出了安控系统故障诊断方法;最后选取安控系统运行故障样本,验证了故障诊断方法的正确性。

基于深度置信网络的光伏发电阵列的故障诊断方法

为了对光伏发电阵列的故障进行及时准确的诊断,首先以在Matlab/Simulink中搭建的光伏阵列输出特性仿真模型为基础,采用深度置信网络作为光伏阵列故障诊断算法,并通过蝙蝠算法对网络各隐含层神经元的数量进行优化;然后,以蝙蝠算法优化后的深度置信网络(bat algorithm-deep belief network,BA-DBN)作为故障诊断模型,分别采集不同运行工况下的光伏阵列输出特性四参数,并将其归一化后作为特征样本输入BA-DBN故障诊断模型,实现了对光伏阵列的故障诊断。仿真结果表明:所提出的BA-DBN算法在光伏阵列故障诊断应用中的准确率显著高于KNN、BPNN和原始DBN算法,更加适用于光伏阵列故障诊断,具有更优的分类效果。

相似性约束下深度置信网络在图像数据特征提取中的应用

针对在图像数据特征提取过程中,由于没有挖掘图像数据的流行结构,而导致的特征提取精准度与完整度不佳的问题,提出相似性约束下引入深度置信网络图像数据特征的提取方法。以引入的深度置信网络为基础,对图像数据信息进行标记。采用最近邻图结构对图像数据流行结构进行挖掘,通过矩阵优化技术对挖掘得到的图像数据进行降维,得到图像数据降维集合。采用小波包变换技术实现了图像数据特征的提取。实验结果表明,与传统图像数据特征提取方法相比,所提方法极大地提升了特征提取的精准度与完整度。

基于改进深度置信网络的水果分类识别方法

为了解决现有水果分类识别方法存在的识别精度低等问题。基于水果分类识别系统,提出了一种用于不同水果分类识别的改进深度置信网络。通过2路深度置信网络将不同特征图像作为输入,使用SoftMax对输出分类。与常规分类识别方法相比,所提方法能较准确地实现不同水果的分类识别,多特征融合识别准确率最高,识别准确率为98.75%,满足水果分类识别的需要。通过优化现有深度学习方法,可有效提高该方法的性能。

基于深度置信网络和SVM的铣刀磨损状态识别

针对人工提取的磨损指标无法全面表达铣削磨损特征的问题,提出基于改进深度置信网络(IDBN)与支持向量机(SVM)的刀具磨损识别模型。首先对刀具切削力、振动和AE信号在时域、频域、时频域进行特征提取;其次采用IDBN对提取的特征降维;最后利用改进的海鸥算法优化支持向量机(ISOA-SVM)构建磨损识别模型。结果表明,经过100次随机分层抽样,IDBN-ISOA-SVM对刀具磨损的平均识别率达到99%以上。从降维手段、优化算法及分类模型三个方面与其他算法对比,该模型有较高的识别率和泛化性,能够准确识别铣刀磨损状态。

基于自适应深度置信网络的压力变送器温度补偿方法研究

随着压力变送器检测技术和人工智能技术的不断发展,在航空航天、石化、核电等领域人们对压力变送器的稳定性、实时性、测量精度等方面有了更严格的要求。而工作环境的温度会对设备精度造成巨大影响,导致变送器测量值出现偏移。针对此问题,本文提出了基于自适应深度置信网络的高精度压力变送器温度补偿方法。深度置信网络(Deep Belief Networks,DBN)在无监督学习阶段提取数据的特征,然后在有监督阶段使用少量的数据对网络参数进行微调;利用白鲸优化算法(Beluga Whale Optimization,BWO)在全局搜索和局部寻优之间达到平衡,有效地提高DBN网络的优化效果;引入Metropolis准则和适应度平衡因子,进一步提高算法的全局寻优能力以及模型收敛速度。实验拟合后的数据精度可达0.0048%,远高于现有的最高标准0.05级。经过一系列对比分析,验证了补偿算法的准确性和实用性。

深度置信网络算法在公路边坡工程安全评价中的运用

针对传统边坡工程安全评价方法无法对边坡稳定性进行符合实际情况下工程安全评价的问题,提出一种基于深度置信网络(Deep Belief Networks,DBN)算法的公路边坡工程安全评价方法。首先,使用MATLAB建立模型;然后,对基于DBN算法的边坡稳定性安全评价方法进行研究;最后,使用DBN算法在莆炎高速公路项目中进行公路边坡工程安全评价。结果显示:(1)与反向传播(Back Propagation,BP)神经网络相比,DBN模型得到的预测值误差更小,精度更高,计算复杂度更低、可扩展性更强;(2)在实际工程中,DBN算法能够有效地对众多非线性因素共同作用下的公路边坡进行符合实际的安全评价。

利用EEMD和深度置信网络的滚动轴承故障诊断方法

结合滚动轴承振动信号的非线性特点,开展基于EEMD和深度置信网络(deep belief network,DBN)的滚动轴承故障诊断方法研究。应用EEMD对信号进行分解后,结合相关系数与峭度分析完成信号重构,构建加速度-速度矩阵作为DBN模型输入,实现滚动轴承不同故障类型及其损伤程度的诊断预测。研究过程中对模型泛化能力、层特征提取能力、模型分析结果和分析效率等方面进行了对比分析,对原始数据、加速度-速度矩阵、相图作为DBN模型输入的诊断效果进行了对比分析,同时进行了SVM、XGboost、ResNet、DBN不同网络模型的对比分析。分析结果表明,利用EEMD进行信号处理并构建加速度-速度矩阵作为DBN模型输入可以有效实现滚动轴承的不同故障类型和故障损伤程度的诊断,诊断平均准确率达到97.23%。此模型可为轴承状态监测与智能故障诊断技术的工程应用提供参考。

基于深度置信网络效能拟合的火控系统精度全局敏感性分析

针对当前航空火控系统的精度研究对数据完备性要求较高,且仅能分析系统内单误差源影响因素的问题,提出一种全新的基于深度置信网络(Deep Belief Network,DBN)效能拟合的火控系统精度全局敏感性分析(Global Sensitivity Analysis via Deep Belief Network,GSADBN)算法。从全局敏感性分析算法的优劣点出发,分析传统的全局敏感性分析算法在不完备数据下存在的局限性。利用DBN优异的特征提取能力,并采用无监督训练和有监督微调相结合的算法,搭建并训练火控系统效能拟合模型。研究结果表明:与传统Sobol算法、经典傅里叶振幅敏感性检验(Fourier Amplitude Sensitivity Test,FAST)算法以及最新的基于贝叶斯网络的Sobol(Bayesian Neural Sobol,BNSobol)算法相比,GSADBN算法不仅可以满足精度要求,同时还可以在不完备数据下达到传统算法在完备数据下精度分析的效果;该算法可以在火控系统不完备数据下取得较好的精度分析结果,同时在设计火控系统各模块时,给出精度方面的合理方案,从而为火控系统的设计及作战效能的提高提供参考和理论支撑。

深度置信网络融合局部保持投影的入侵检测模型

网络入侵检测系统(NIDS)提供了比其他传统网络防御技术(如防火墙系统)更好的网络安全解决方案。提出一种深度置信网络(DBN)与局部保持投影技术相融合的入侵检测模型。深度置信网络用于原始数据的特征学习;采用局部保持投影(LPP)融合深层特征,进一步去除冗余和无关特征。最后使用Softmax分类器进行分类。研究该方法在NSL-KDD数据集和UNSW-NB15数据集上的准确率、检测率、误报率等分类指标,并与常规的机器学习分类方法及其他文献中最新的方法进行比较。实验结果表明DBN-LPP模型提高了入侵检测的综合性能,其性能优于传统的机器学习分类方法及其他方法,为入侵检测提供了一种新的研究方法。

基于优选建模和深度置信网络的电压互感器误差定量评估方法

电压互感器(potential transformer,PT)是电力系统中电压测量的关键设备,对PT的计量误差进行在线评估将有助于维护电能贸易结算的公平公正,其中基于数据驱动的PT在线评估方法因其评估性能优越而具有良好的工程应用前景,但存在着未考虑建模数据中是否含有异常数据以及无法定量评估等问题。为此,文中提出了一种基于优选建模和深度置信网络的定量评估方法,该方法通过无监督聚类技术确定理想的建模数据集,并利用深度置信网络进行训练得到PT定量评估模型,进而对PT实时输出信号进行分析实现误差定量评估。实验表明,该方法可有效检测出建模数据中的异常数据,且准确监测0.2级PT的计量误差状态,实现在运PT计量性能的准确评估。

基于粒子群优化深度置信网络的气体绝缘金属封闭开关设备局部放电模式识别

气体绝缘金属封闭开关设备(gas insulated metal-enclosed switchgear,GIS)局部放电模式识别是其绝缘缺陷诊断和状态评估的重要部分,为实现放电类型的准确识别,提出了一种基于粒子群优化(particle swarm optimization,PSO)深度置信网络(deep belief network,DBN)的局部放电模式识别方法。该方法通过PSO算法对DBN网络的权值参数进行优化,提高网络对局部放电特征的学习能力。首先,选取现场多平台的4种GIS局部放电类型监测数据组成样本集,用于对所提方法进行分析;其次,用改进的PSO算法结合样本数据确定DBN网络的初始最优权值参数,建立初始DBN网络;然后,利用训练样本对初始DBN网络进行训练,得到局部放电识别模型。最后,基于渤海油田岸电海上动力平台GIS的局部放电数据,采用多种不同局部放电识别模型对数据样本进行算例分析,结果表明:所提的PSO-DBN模型可有效识别GIS设备局部放电类型,相较于传统的DBN网络、多层前馈神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)和卷积神经网络(convolutional neural networks,CNN)具有更高的准确识别率。

基于深度置信网络的气溶胶光学厚度反演

开展气溶胶光学厚度反演研究对监测和评估大气空气质量具有重要意义。针对现有气溶胶光学厚度反演精度低的问题,将AERONET站点实测的气溶胶光学厚度数据与预处理后的Himawari-8影像数据进行时空匹配,建立样本数据集,从而构建气溶胶光学厚度反演模型;通过深度神经网络模型与深度置信网络模型对比分析,验证了深度置信网络反演模型的精度;以AERONET站点实测的气溶胶光学厚度数据和MCD19A2气溶胶光学厚度数据为验证数据,验证了深度置信网络反演气溶胶光学厚度的可行性。结果表明,基于深度置信网络反演的气溶胶光学厚度,精度较高、拟合效果好且误差小。

融合物联网技术的深度置信网络轧机AGC故障诊断研究

厚度控制是决定钢铁产品质量的重要因素,轧机AGC液压系统的各种性能和状态对目标的轧制质量有很大影响。采用基于物联网的深度置信网络的故障诊断方法,用物联网智能控制作为平台,利用无线传感网络技术对各类数据进行实施测控以及远程共享,把采集到的故障信号输入深度置信网络模型,对样本数据进行训练,通过实验仿真准确诊断出故障。经过实验,深度置信网络模型可以适用于轧机AGC这种复杂的系统,保证系统的正常运行,降低设备故障率的同时提高生产效率。

基于结构动力特性的结构损伤深度置信网络分层识别研究

为了高效准确地识别结构损伤,将机器学习和智能算法相结合,提出一种基于结构动力特性的结构损伤深度置信网络分层识别方法,分层依次识别损伤位置与损伤程度。为识别损伤位置,利用结构前3阶竖向振动频率和单节点3阶模态位移建立六元向量,以此六元向量作为输入参数,通过深度置信网络识别损伤位置;为识别损伤程度,分别采用前3阶竖向振动固有频率和模态位移或6节点模态曲率差为参数输入深度置信网络识别损伤程度,并以简支梁为模型进行验证。结果表明:识别损伤位置时,即使噪声程度达到10%,仍可准确识别损伤位置;识别损伤程度时,基于6节点模态曲率差的深度置信网络抗噪性强,在15%噪声水平下对损伤程度预测最大相对误差不超过5.08%,均方差为0.4878。与BP神经网络相比,无噪声时,BP神经网络的预测能力优于深度置信网络;相同噪声水平下,深度置信网络的预测能力明显优于BP神经网络,体现了基于结构动力特性的结构损伤深度置信网络分层识别方法鲁棒性强,识别结果精度高。

基于深度置信网络的智能变电站遥控障碍定位方法

在智能变电站远方遥控操作中,常由于装置、网络故障或者信息不统一等原因导致遥控失败,进而影响运维效率。为此,在充分利用变电站三遥信息的基础上提出一种基于DBN(深度置信网络)的智能变电站遥控障碍定位方法。首先,对智能变电站遥控的全过程进行分解,将遥控障碍归为三大类;然后,引入DBN与Softmax分类器分别实现特征量提取与分类训练,构建遥控障碍定位模型;最后,结合障碍类型与遥信信息实现障碍点精准定位。工程实例验证了方法的有效性,该方法具有计算时间短,定位精度高的优点。

基于深度置信网络的供配电线路线损计算方法

常规的供配电线路线损计算方法以负载计算为主,负荷分布系数存在波动,影响线损计算的准确性。因此,本文设计了基于深度置信网络的供配电线路线损计算方法。首先,计算供配电线路电量等值电阻,根据供配电线路每条支路的能量损耗之和确定线路实际负载电流,以保证线损计算的准确性。其次,基于深度置信网络构建线路线损计算模型,将深度置信网络顶层作为线损计算的第一个RBM,给定能量状态,确定线损数据,求得最优计算结果。再次,修正供配电线路日线损电量计算偏差,将随机误差、异常数据作为计算偏差,并予以修正、剔除,避免线损计算失误。最后,采用仿真试验,验证了该方法的线损计算准确性更高,能够应用于实际生活中。

基于改进深度置信网络的UWB无线定位方法

针对传统指纹定位算法中接收信号强度值在室内复杂环境中波动较大,指纹信息不可靠,造成定位精度不足的问题,提出了一种以测距值作为指纹信息的基于深度置信网络和极限学习机的超宽带定位方法。首先在深度置信网络底层采用多个堆叠受限玻尔兹曼机对输入数据做无监督学习,来提取深层次特征,然后在顶层选用极限学习机对输入数据及位置标签进行有监督学习。建立指纹库阶段,为优化指纹采集过程并减少人工勘测成本,提出一种基于高斯过程回归的超宽带指纹库扩充方法。真实场景下实验结果显示,视距环境和非视距环境中,该定位方法均能够达到厘米级定位精度。