计及驾驶风格的氢燃料电池有轨电车自适应能量管理策略

半独立路权运行模式下,氢燃料电池混合动力有轨电车驾驶员的驾驶风格影响锂电池荷电状态,从而对整车运行经济性有较大影响。提出一种结合驾驶员驾驶风格的自适应能量管理策略,以提高能量管理策略对工况和驾驶风格的适应性。首先,考虑不同的道路工况对驾驶员驾驶风格的影响,通过K-均值聚类算法对行驶工况进行识别,将行驶工况分为低速、中速、高速3类;引入冲击度和加速度标准差构建基于模糊逻辑的算法,对驾驶风格进行识别,将驾驶风格分为迟钝型、标准型、激进型3类。其次,建立系统瞬时氢耗量最优的目标函数,在满足约束条件的前提下,引入锂电池荷电状态等效因子修正系数,针对不同驾驶风格调整传统等效氢耗最小策略中相应的等效因子,以实现等效因子随驾驶风格的改变实时变化。最后,将该策略与传统等效氢耗最小策略、庞特里亚金极小值策略进行仿真对比分析,结果表明:该策略能实现3个动力源功率分配最优;锂电池和超级电容荷电状态波动曲线相较于其他2种策略最为平滑;在续驶里程结束时混合动力系统氢耗量为1.39 kg,具有最为优越的燃油经济性;母线电压最大偏移率最小;能使3个动力源平稳出力,具有较强的系统稳定性。研究结果为进一步提高有轨电车实际运行中对驾驶风格的适应性提供参考。

基于平衡分布自适应迁移学习的多风电机组运行状态监测方法

风电机组状态的准确监测对风电机组安全稳定运行和经济效益提升至关重要。但是,受不同风电机组运行数据分布差异的影响,现有状态监测方法在多风电机组应用场景下存在精度和效率难以兼顾的问题,而平衡分布自适应迁移学习(BDA)可以拉近数据距离,同化数据分布。因此,文章提出了一种基于BDA的多风电机组状态监测方法。首先,基于Copula熵的互信息法挖掘风电机组运行状态关键影响参量;然后,构建基于门控循环单元模型(GRU)和序贯概率比检验(SPRT)方法的单风电机组状态监测模型;最后,构建基于BDA的多风电机组运行数据分布同化模型,并用于多风电机组运行状态监测。算例结果表明,所提方法可以有效节省建模成本和计算成本,能够在保障多风电机组运行状态监测精度的前提下,显著提升监测效率。

基于动态分布对齐和伪标签学习的跨项目缺陷预测

跨项目缺陷预测(cross-project defect prediction,CPDP)已经成为软件工程和数据挖掘领域的一个重要研究方向,利用其他数据丰富项目的缺陷代码来建立预测模型,解决了模型构建过程中的数据不足问题.然而源项目和目标项目的代码文件之间存在的分布差异,导致跨项目预测效果不佳.大多数研究采用域适应方法来解决这一问题,但是现有的方法一方面只考虑了条件分布或边缘分布对缺陷预测的影响,忽视了其动态性;另一方面没有选择合适的伪标签.基于上述两个方面,本文提出了一种基于动态分布对齐和伪标签学习的跨项目缺陷预测方法(DPLD).具体来说,我们通过对抗域适应方法分别在域对齐和类别对齐模块中减小项目间的边缘分布差异和条件分布差异,并借助动态分布因子动态、定量地描述了两种分布的相对重要性.此外,本文也提出了一种伪标签学习方法,通过数据间的几何相似性来增强伪标签作为真实标签的准确性.本文在PROMISE数据集上进行了实验,Fmeasure和AUC的值分别提升了22.98%、15.21%,表明了本文方法在减小项目间分布差异、提升跨项目缺陷预测性能上的有效性.

基于B/S架构的空调智能监控系统设计与实现

为解决空调系统设备种类众多、协议不统一的问题,针对空调系统的监控需求,设计了基于分布式监控与集中管理模式、B/S架构的空调智能监控系统。首先,在设备监控层利用多线程技术实现设备实时数据的采集处理,采用多协议转换技术进行统一协议转换、封装,将多种协议数据上传存储到数据库服务器。然后,通过模糊自适应PID控制器对监测数据进行轮询计算,调节变频器实时控制空调系统温度。最后,通过Web服务端口访问数据库服务器,实现系统集成与数据交换,建立集中控制、管理、运维的集成平台,实现系统设备的统一监控和调度,系统的统一部署和高可用性,完成空调监控系统的界面可视化并提升空调系统智能化水平。实践表明,该系统运行稳定,能实时监控空调运行状况,且具有较高的扩展性与管理效率。

基于改进联合分布适应的轴承智能故障诊断方法

在轴承故障诊断过程中,存在缺乏足量故障样本、变工况下信号分布差异等问题。虽然基于机器学习和深度学习方法的智能故障诊断方法的运用取得了许多成果,但该方法在应用过程中仍面临一些挑战,阻碍了智能故障诊断方法在实际工业场景下的应用。为此,提出了一种基于改进联合分布适应的轴承智能故障诊断方法(BIFD-IJDA)。首先,利用小波包变换对振动信号进行了分解与重构,再计算了重构信号的统计参数,构成了原始特征集;然后,设计了基于特征重要度与KL散度的迁移特征选取方法,对各统计参数特征进行了量化评估;采用了改进联合分布适应方法,对源域和目标域特征集进行了分布适应处理,降低了域间分布差异;最后,利用源域特征样本训练的故障诊断模型预测了目标域样本故障类别,采用美国凯斯西储大学实验台和机械故障模拟(MFS)实验台的轴承故障数据,开展了不同工况下的故障诊断实验。实验结果表明:该故障诊断方法在2种轴承故障数据下取得的最大故障诊断准确率分别为100%和96.29%,明显优于其他对比模型。研究结果表明:该故障诊断方法具有应用于实际工业场景的潜力。

平衡分布自适应的变工况轴承故障迁移诊断研究

针对机器学习方法中样本满足独立同分布导致的诊断精度低下问题,提出了平衡分布自适应(BDA)算法与K-最近邻(KNN)分类算法结合的轴承故障迁移诊断方法。提取变工况下的轴承故障信号的时域特征分别作为源域和目标域,并利用Fisher判别分析方法优选特征;基于BDA将不同工况的特征样本映射至可再生希尔伯特空间,引入最大均值差异(MMD)对变工况样本的边缘分布差异和条件分布差异进行适配;利用KNN分类器对分布适配后的样本进行迁移诊断。仿真和实验表明:本文方法在同实验平台和跨实验平台迁移上,轴承诊断的准确性和分布距离相较于其他算法优势明显。

基于角域重采样的宽度迁移学习算法

针对在变工况中采集到的信号通常为非平稳信号,并且采集到的振动数据分布不一致等情况,提出了基于角域重采样的宽度迁移学习(ADR-BTL)算法,用于轴承故障诊断。首先将非平稳的时域振动信号转换为角域平稳信号,将平稳化处理后的信号进行特征提取,构建多域特征数据集,然后将不同工况下的源域数据和目标域数据通过平衡分布自适应(BDA)方法进行领域适配来减小域间的分布差异,最后构建宽度迁移学习模型。实验首先验证了角域重采样方法可以将振动信号进行平稳化处理,然后通过仿真样本分析得出BDA方法能够解决数据分布不一致问题,最后通过实验结果得出,提出的ADR-BTL识别率达到了98.9%,识别效果是最好的,证明了所提的方法在轴承故障诊断方面是有效的。

基于差分进化算法的高压配电网负荷自适应调度方法

由于传统方法在高压配电网负荷自适应调度中的应用效果不佳,不仅高压配电网消纳率比较低,而且负荷比较大,无法达到预期的负荷自适应调度效果,为此提出基于差分进化算法的高压配电网负荷自适应调度方法。以最小高压配电网运行成本、最小负荷峰谷差以及最小损耗为目标建立目标函数,设定有功负荷平衡、输电线路容量以及出力约束条件,构建调度模型,利用差分进化算法求解模型最优调度策略,以此实现基于差分进化算法的高压配电网负荷自适应调度。经实验证明,在设计方法应用下高压配电网的消纳率高于90%,负荷量比较小,具有良好的负荷自适应调度效果。

考虑风电功率条件相关性的广义椭球不确定集合建模

近年来,鲁棒优化在电力系统优化调度领域取得了优良的效果。鲁棒优化的一个关键问题是确定风电功率不确定集合,而现有方法难以依据最新风电功率预测信息更新不确定集合。针对这一问题,该文基于条件copula copula模型,构建考虑风电功率条件相关性的广义椭球不确定集合。该方法综合考虑了预测误差的时间相关性,非正态的边缘分布特性,以及与风电功率预测值的条件相关性。此外,提出了条件normal copula模型的解析表达式以及相应采样方法。该方法实现了依据最新预测信息更新不确定集合,提高了模型的准确性,降低了集合的保守度。对某风场历史数据进行仿真分析,结果验证了所提算法的有效性,以及预测误差统计特性对不确定集合拟合效果的影响。

基于自适应筛选EMD和CFDC的变压器绕组状态检测

为更加准确地检测变压器的绕组状态,提出了自适应筛选EMD算法来对变压器突发短路下的非平稳和强时变振动信号进行分解,进而根据得到的Hilbert边际谱定义了中心频率分布系数(Central Frequency Distribution Coefficient,CFDC)来对变压器绕组状态进行检测。仿真分析和某大型变压器实测振动信号的计算结果表明,增加了自适应筛选因子的改进EMD算法能够有效地抑制模态混叠现象,提高了振动信号分解的准确性,所定义的CFDC及其变化可以清晰地反映出变压器绕组状态改变的演变过程,便于及时有效检测绕组状态,确保变压器的安全可靠运行。

南海夜光藻赤潮概况及其对水文气象的适应条件

本文根据1980～2004年的南海历次夜光藻赤潮事件资料，对这些赤潮事件在时间和空间的分布特征以及赤潮持续时间进行了分析；发现了夜光藻赤潮在1996年后被其它种类赤潮所更替的现象，并初步探讨其原因；统计、分析了夜光藻赤潮发生前后水文气象要素的变化范围和演变特征，提出了南海夜光藻赤潮的适温范围．

基于数据驱动的高炉料面优化决策模型研究

高炉炼铁是一个典型的高能耗、高排放、高污染的工业环节.合理的炉料分布能够形成更加合理的煤气流分布,使得炉内的化学反应更加充分,对高炉长期稳顺运行和节能减排具有重要作用.本文针对基于经验的料面形状决策不能根据炉况变化做出准确和及时的调控的缺陷,提出了基于数据驱动的高炉料面形状优化决策模型.首先,基于现场采集的数据,在考虑高炉生产实际情况约束和变量上下限约束的情况下,建立了以煤气利用率为评价函数的料面优化模型.然后,为了提高模型的精度和决策性能,提出了一种误差补偿超限学习机(extreme learning machine,ELM)方法用于建立料面优化过程模型,以减少模型与实际生产过程之间的误差.在此基础上,采用带有约束条件的自适应粒子群算法对模型进行求解.最后,通过仿真实验验证了所建模型和优化方法的有效性,实验结果表明所构建的高炉料面优化决策模型能够及时根据生产情况的变化给出合理的料面形状,满足现场生产的需求,使高炉高效稳定运行.

一种用于跨域轴承故障诊断的深度自适应网络

针对轴承在不同工况条件下的振动数据存在分布差异,导致诊断精度低的问题,提出一种新的深度自适应网络用于跨域条件下的轴承故障诊断。采用傅里叶变换将原始时域振动信号转换为频域信号并通过深度特征提取器提取其分类特征;利用最大均值差异(maximize mean discrepancy,MMD)来进行深度特征的边缘分布对齐;利用Wasserstein度量网络将源域中有标签数据的类别结构与目标域中无标签数据的类别结构进行匹配,即对齐不同域的类别条件分布,使得故障数据在不同域的分布能够更好的对齐,从而提高模型在目标域未标签数据集上的分类准确率。试验利用凯斯西储大学公开的故障轴承数据集进行了两种跨域条件的模型迁移,验证了该网络在不同迁移场景中都具有较高的准确率,且优于其他深度自适应网络。

改进布谷鸟搜索算法在轧制规程优化中的应用

针对轧钢精轧过程负荷分配的优化问题,使用基于梯度的自适应布谷鸟搜索(GBAQCS)算法对轧钢精轧机组负荷分配进行了仿真优化试验。首先优化目标函数,确定约束条件,对GBAQCS算法进行了收敛性和稳定性分析;接着对轧钢精轧机组轧制规程进行了优化计算,并对该算法与经验负荷分配法在轧钢精轧机组的负荷分配问题上的计算结果进行了对比。对比结果表明,GBAQCS算法不仅具有良好的收敛性与稳定性,且能够使钢材经过各机架后拥有更加合理的出口厚度,轧制过程中对轧制力的设定也更加符合生产要求。GBAQCS算法既能充分发挥前几个机架的设备能力,提供较大的轧制力,又能使后几个机架针对板形、板厚依次减小轧制力,大大提升了对板形、板厚的优化效果,在负荷分配优化过程中更为合理地分配了轧制力,满足了出口厚度与板形要求。

基于改进AAR模型的DIDoS攻击早期检测方法

分布式增速拒绝服务(DIDoS)攻击采用逐步提升发包速率的方式来造成受害者资源的慢消耗,较之传统的分布式拒绝服务(DDoS)攻击更具隐蔽性,如何尽可能早地将其捕获是一个亟待研究的问题。本文针对DIDoS攻击的特点,提出了一种基于改进AAR模型的DIDoS攻击早期检测方法。为此,首先提出了一组基于条件熵的检测特征:流特征条件熵(TFCE),用以反映DIDoS攻击流速的增长变化;然后根据改进的AAR模型对TFCE值进行多步预测;最后采用经过训练的SVM分类器对预测值进行分类,以识别攻击企图。实验结果表明,在保证检测精度相当的前提下,该方法比部分现有方法能够更快检测到攻击。

尾管悬挂固井中钻杆接头伸长量计算模型建立

尾管悬挂固井作业过程中,钻杆受到多种载荷联合作用产生轴向变形;若注水泥施工步骤前的钻杆上提距离过短,会导致钻杆和尾管悬挂器在后续作业时重新扣合,使得起钻时悬挂器无法顺利脱手造成卡钻。通过对直井尾管固井施工过程中钻杆受载情况的分析,并基于钻杆接头与钻杆本体存在结构差异这一特点,提出了一种综合考虑结构场、温度场、压力场等因素的钻杆接头最大伸长量工程计算模型。运用该模型可以对尾管固井过程中钻杆的伸长量进行更加准确的分析计算,尽量减少卡钻事故。通过分析得知,静止状态下钻杆的轴向伸长量是最大的;对钻杆接头伸长量影响最大的因素是温度场,影响最小的因素是压力场,且温度对钻杆接头的影响要比对同尺寸的管柱的影响略小。

基于领域自适应的变压器状态识别

针对变压器状态智能识别方法泛化能力不足的问题,提出一种基于领域自适应的变压器状态识别方法。首先,使用多尺度时频分析方法挖掘变压器振动信号中的状态信息和固有属性,构建完备的变压器状态描述特征空间;然后,使用一种基于流形嵌入和动态分布对齐的领域自适应方法,以减少领域偏移带来的负面影响,并且动态评估和量化流形特征的边缘分布和条件分布;最后,基于结构风险最小化原则迭代训练得到变压器状态识别分类器。测试结果表明所提方法在一定程度上改善了变压器状态识别分类器泛化能力低的问题。

变工况轴承的联合分布适应迁移故障诊断

针对传统的机器学习算法在变工况条件下的轴承故障分类中诊断率低的问题,提出了基于联合分布适应(JDA)算法与K-最近邻(KNN)分类算法相结合的轴承故障诊断方法。首先该方法通过提取不同工况下的轴承故障信号的时域特征分别作为源域样本和目标域样本,并通过Fisher线性判别分析(FLDA)方法计算各个特征所占权重。然后将权重较大的特征组成的特征向量通过JDA方法进行联合分布适配,即通过核函数将源域样本和目标域样本映射到低维潜在空间,以最大均值差异(MMD)距离为度量标准,同时减小源域和目标域样本的边缘分布和条件分布差异。最后将适配完的源域和目标域样本分别作为训练集和测试集,通过KNN分类器进行模式识别,最终实现在变工况条件下的轴承故障诊断分类。通过仿真分析和实验验证,所用方法相较于主成分分析(PCA)、核主成分分析(KPCA)传统机器学习方法以及TCA迁移学习方法,显著提高了变工况条件下的轴承故障诊断精度。

子空间分布自适应的传感器在线漂移补偿算法

传感器漂移补偿方法针对电子鼻系统中气体传感器的输出响应随使用时间延伸发生改变,进而导致气体识别准确率下降这一问题提出,大多针对离线场景,在实际应用中存在定期进行系统人工校正所造成的成本高耗时长等困难。因此,本文提出了一种子空间分布自适应的传感器在线漂移补偿算法。算法通过构造测地线核将原始样本与漂移样本嵌入到流形子空间,然后引入条件分布自适应和流形正则化以减小样本特征的分布差异,并利用结构风险最小化原则构建分类器。分类模型的在线更新通过将每轮分类后获得预测标签的漂移样本引入到下一轮的模型训练过程中以实现。在公开数据集上进行漂移补偿实验,结果表明,提出的算法提高了漂移样本的分类准确率,有效地实现了传感器的在线漂移补偿。

两阶段领域自适应学习

针对领域自适应问题中源域和目标域的联合分布差异最小化问题,提出两阶段领域自适应学习方法.在第一阶段考虑样本标签和数据结构的判别信息,通过学习一个共享投影变换,使投影后的共享空间中边缘分布的差异最小.第二阶段利用源域标记数据和目标域非标记数据学习一个带结构风险的自适应分类器,不仅能最小化源域和目标域条件分布差异,还能进一步保持源域和目标域边缘分布的流形一致性.在3个基准数据集上的实验表明,文中方法在平均分类准确率和Kappa系数两项评价指标上均表现较优.