基于鲁棒输入训练神经网络的非线性多传感器故障诊断方法及其应用

针对非线性系统多传感器故障诊断时出现的检测准确性下降和数据重构产生的残差污染问题,提出了基于鲁棒输入训练神经网络非线性多传感器故障诊断模型.在目标函数中引入影响因子函数和可靠性系数,并通过计算机模拟和仿真确定最佳影响因子函数形式,抑制了多个含有显著误差故障数据的不良影响,并增加了具备高可靠性的重要数据影响权重,大大减小了残差污染,提高了故障诊断的准确性和可靠性.以某300 MW机组1#高加测点为对象进行算例分析,验证了该方法对于多传感器故障诊断的可行性和准确性,计算和模拟表明,RITNN方法优于线性PCA和传统ITNN方法,能够更加准确进行多传感器故障的检测和故障数据的重构.

基于机器视觉的高鲁棒轨道表面缺陷检测方法

研究目的:为了解决轨道缺陷检测系统在实际自然环境因素干扰下由于鲁棒性下降从而造成决策的不确定性问题,提出一种提高检测系统鲁棒性的方法,首先利用变异算法处理生成多样化的鲁棒训练样本,使模型能够学习适应各种环境扰动和变化,然后选择基于YOLOv5的目标检测模型作为轨道缺陷检测器,以满足高精度、实时性的要求,且准确性较高。研究结论:(1)通过变异生成算法,可以生成更多样性的鲁棒训练样本,使模型有更多的样本来学习各种扰动,以此适应各种环境;(2)所选YOLOv5目标检测模型作为轨道缺陷检测器,不仅能满足轨道缺陷检测对检测精度和实时性的高要求,而且即使在训练样本数量有限的情况下,也能凭借其优秀的泛化能力取得良好的检测效果,契合了实际轨道检测场景下对数据获取的困难,展现出较强的适用性;(3)在真实地铁线路上采集轨道巡检数据进行实验,实验结果表明,经过鲁棒重训练的轨道缺陷检测器在扰动数据上的鲁棒性得到了显著的提升,平均准确率提高23.35%,召回率提高32.75%,mAP50提高30.98%,mAP50-95提高19.54%;(4)本研究成果可应用于铁路、地铁等交通领域,有助于保障线路的安全运行。

基于混合型鲁棒输入训练神经网络的非线性数据校正方法及其应用

提出了一种基于混合型鲁棒输入训练神经网络的非线性数据校正模型,在基于过程数据的神经网络模型中引入了反映过程机理的约束方程.根据所提模型的网络结构,采用罚函数法将约束方程加入到网络训练目标函数中,并采用BP算法推导出该网络的学习方法,进而给出了基于该方法的数据校正流程.分别以一个五维非线性系统和某1 000 MW机组1#高加测点为对象进行算例分析,结果表明:所提出的模型能正确检验出测量数据中的不良值,具有良好的鲁棒性;在完成数据校正的同时还能保证重构数据满足相应的系统机理约束条件;在多测点同时发生故障时,也能保证数据校正的准确性和可靠性.

基于多模型鲁棒输入训练神经网络协同的燃气–蒸汽联合循环机组传感器故障诊断方法

为提高燃气–蒸汽联合循环机组传感器测量值的准确性及可靠性,提出了一种基于多模型鲁棒输入训练神经网络(RITNN)的燃气–蒸汽联合循环机组传感器故障诊断方法。该方法建立若干燃气–蒸汽联合循环重要参数的数据重构模型,并对各模型进行优先级划分,以串并联方式设定模型间关系,通过可靠参数的逐级生成和传递,有效抑制了多传感器显著故障产生的残差污染,提高了故障诊断的准确性及可靠性,进而给出了传感器故障诊断流程,建立了完整的传感器故障诊断系统。以某200 MW级燃气–蒸汽联合循环机组为研究对象,对多传感器故障进行诊断,并与RITNN单一模型方法和输入训练神经网络(ITNN)单一模型方法进行对比,结果表明,提出的多模型RITNN故障诊断方法诊断精度更高,可保证燃气–蒸汽联合循环机组稳定运行。

基于样本损失值变化统一性的后门样本隔离

后门攻击对人工智能的应用构成潜在威胁。基于遗忘的鲁棒训练方法可通过隔离后门样本的子集并遗忘该子集,实现在不受信的数据集上训练无后门的模型。然而,错误隔离并遗忘干净样本会导致模型在干净数据上的性能受到损害。为了减少对干净样本的错误隔离,进而保护模型在干净数据上的性能,提出基于样本损失值变化统一性的后门样本隔离方案。后门样本训练过程中损失值的变化较大且较为统一,在隔离的潜在后门样本集中损失值变化统一性较低的样本可以被移除。实验结果表明,应用该方案能够减少对干净样本的错误隔离,在不影响后门防御效果的基础上保护了模型在干净数据上的性能。

非线性过程控制系统传感器故障检测新方法

针对电厂热力系统故障检测和定位准确性低的问题,提出了基于鲁棒输入训练网络的传感器故障检测模型;采用带参数限制项的目标函数对网络进行训练,并在测试目标函数中引入影响因子,增加了模型训练精度,抑制了网络计算过程故障数据对正常值的影响,减小了残差污染,提高了模型准确性;以某300MW电厂热力系统20组测点为对象进行算例分析,通过反复的实验,结果表明,该模型能够更加准确地对非线性系统故障点进行检测和分离,并更加精确重构各变量真实值,验证了该模型用于非线性过程传感器故障检测的有效性和可靠性。