建筑结构钢板热轧轧机DBN-PSO振动预报及应用

利用实时监测数据(Real-Time Monitoring Data,RMD)参数分析轧机振动状态,综合运用深度置信网络(Deep Belief Networks,DBN)与粒子群(Particle Swarm Optimization,PSO)算法构建轧机振动仿真模型,实现RMD参数的深度挖掘,并达到轧机振动的预报效果。通过融合处理能够获得非常接近实际振动过程的预测数据,具备优异预测能力。结合现场测试的初始数据预测误差在3.5%范围内,跟轧机振动情况相符。当轧制速率变慢后,振动加速度出现了降低结果;入口张力对轧机的振动加速度具有反向作用;轧机振动加速度相对出口张力表现为正相关特点;以不同宽度的轧件进行测试发现轧机振动加速度保持基本恒定的状态。该研究对提高热轧轧机运行稳定性,对保证建筑结构钢板成形精度具有很好的指导意义,可以拓宽到其它的成形设备优化领域。

结合遗传算法的RF-DBN入侵检测方法

针对目前不平衡数据集少数类攻击样本识别率较低的问题,提出一种BorderlineSMOTE、随机森林和遗传算法(genetic algorithm,GA)-深度信念网络(deep belief network,DBN)相结合的入侵检测方法。首先采用BorderlineSMOTE对少数类样本进行过采样,减少数据集的不平衡度;然后使用随机森林算法实现正异常数据分类,筛选出异常数据;最后采用经GA优化的DBN网络对异常数据进行进一步分类。使用网络安全数据集CICIDS2017进行验证,该方法的准确率达到了99.85%,而且少数类样本的识别精度也有明显提高。

基于改进DBN算法的电力故障预测模型与辅助分析系统

针对如何提高停电事件分析能力,提出了改进型神经网络,构建改进DBN算法模型,通过该方法实现如何实现停电事件分析,然后对提取到的停电事件信息进行训练,停电事件信息训练改进DBN算法模型,建立停电事件分析预测模型,实现对停电事件分析的精准预测。研究还设计了停电事件辅助分析系统,通过采用节点误差数据组的方式区分停电事件和异常数据,通过误差补偿装置提高了DBN算法采用数据的精度。实验结果表明,在进行对停电事件分析预测的精确度测试时,停电事件分析预测的准确度可达97%,在可靠性测试时,停电事件分析管理可靠性可达96%。

基于DBN深度学习算法的一站式诉求响应预测方法

为了提高诉求响应的速度,提出了基于机器学习的一站式诉求响应技术。在物理架构中采用事故数据记录器(ADR)服务器和数字化X线摄影术(DR)运行管理,实现一站式诉求响应;利用建模工具来构建例图进行描述诉求响应的运行细节,通过逻辑架构的感知层、网络层和应用层,实现了对一站式诉求响应的逻辑分析;利用机器学习预测方式和深度置信网络(DBN),实现一站式诉求响应的预测。实验表明,在进行对响应的速度进行测试时,所提出的系统响应所需时间最少为1.1 s,在进行对响应预测的准确性测试时,响应预测的准确性最高为97%。

基于改进DBN算法模型的PPP模式项目投资风险分析

文章构建了新型的PPP模式项目投资风险分析方法,该方法在投资项目风险、技术风险、运营风险、政策风险等各种风险数据信息中,能够实现多种数据信息的存储、传递、分析和应用。并构建了深度信念网络(DBN)算法模型,该模型实现项目投资风险中政府和私有企业之间的关系计算,能够有效分析出政府和社会资本合作之间的需求,提供合作能力和效率。通过试验,所提方法计算精度高,误差低下,为PPP模式的项目投资风险分析提供理论依据。

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。

基于DBN深度学习算法的低压台区反窃电诊断

当前已有的低压台区反窃电诊断方法很难精准确定窃电用户,导致无法完成反窃电工作。为解决上述问题,基于DBN深度学习算法提出新的低压台区反窃电诊断方法。采用大数据挖掘方法检测反窃电诊断大数据信息,并输出检测过程中产生的反窃电特征数据,分析反窃电识别数据,并重组通过逆行反窃电定位而形成的随机分布结构。利用DBN深度学习算法建立低压台区反窃电诊断模型,增加训练系数,以消除误差,通过清洗补正反窃电数据、辨识窃电风险和分析窃电行为三个步骤,实现对窃电量的估算。实验结果表明,基于DBN深度学习算法的低压台区反窃电诊断方法能够精准地确定出窃电用户,从而更好地完成反窃电工作。

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DBN算法的热轧高强钢薄板轧机振动预报研究

针对热轧高强钢薄板生产过程中轧机出现剧烈振动、造成产品质量不高和设备损坏等问题,深度挖掘钢铁工业积累的轧制实时监测数据(PDA数据),提出采用DBN算法和GA-BP算法建立轧机振动预报模型,从而对轧机振动进行预报。首先通过建立轧机垂直振动数学模型,分析轧机振动机理,然后建立振动预报模型,并利用现场实测数据训练其精度,结果表明,本预报模型预测结果的误差在3.94%以内,可以用于轧机振动的预报。建立了轧制工艺参数和轧机振动强度的定量关系,为轧制制度的改进以及在轧制过程中实现快速减弱甚至消除轧机振动提供参考。

基于DBN深度学习的期货市场价格预测建模与决策

深度学习通过学习深层非线性网络结构即可实现复杂函数的逼近,可以从大量无标注样本集中学习数据集的本质特征。而深度信念网络(DBN)是由多层随机隐变量组成的贝叶斯概率生成模型,可以作为深度神经网络的预训练环节,为该网络提供初始权重。基于该模型的一个高效学习算法不仅解决了模型训练速度慢的问题,还能产生非常好的参数初始值,极大地提升了模型的建模能力。金融市场是一个多变量非线性系统,通过运用DBN模型进行分析预测可以很好地解决其他预测方法初始权重难以确定的问题。文中以原油期货市场价格预测为例,说明了运用DBN模型进行预测和决策的可行性及有效性。

基于CIDBN的战术活动识别模型及在线精确推理

战术活动识别是战场态势感知的重要研究内容。为提高战术活动识别的准确性与实时性,提出了一种基于上下文独立动态贝叶斯网络(CIDBN)的战术活动识别模型及在线精确推理。通过对战术活动机制的分析,采用动态贝叶斯网络(DBN)理论,建立了一个初始战术活动识别模型。该模型引入了威胁指数节点来影响战术活动的终止与选择,并采用模糊隶属度函数对连续变量进行离散化处理。依据上下文独立关系对该模型进行简化,获得了一个基于CIDBN的战术活动识别模型。将接口算法扩展于该模型上,提出了在线精确推理算法。仿真结果表明,所提出的战术活动识别方法,具有识别精度高、较低不确定性和实时性高的优点。

基于贝叶斯优化构建DBN结构优化算法

针对动态贝叶斯网络(DBN)结构学习问题,提出了一种基于贝叶斯优化(BOA)的DBN结构寻优算法。首先,从传统进化优化机制的基本理论和基本操作入手,刻划了基于概率模型进化算法的基本思想。其次,通过描述基于概率模型进化算法的构图基础,引出了DBN结构学习机制,即基于BOA的DBN结构寻优算法。BOA算法的关键是根据优良解集学习得到DBN,以及根据DBN推理生成新个体,前者更为重要,依据基于贪婪机理的遗传算法解决动态网络学习,再应用DBN前向模拟完成后一步。仿真结果表明了该算法的可行性。

融合MLP和DBN的光伏发电预测算法

精确的光伏发电预测对提高电力系统稳定性、保证电能质量、优化电网运行具有重大意义。为了解决现存光伏预测算法精度较低、性能较差的问题,同时为了综合利用多层感知器(MLP)解决非线性问题的能力以及深度信念网络(DBN)有效处理大量复杂数据的优势,构建了一种融合MLP和DBN的光伏预测算法(MLP-DBN),其基本思想是先利用MLP模型进行初步预测,再将观测值与预测值的残差输入DBN预测模型进行预测,最后用残差预测值对MLP模型的预测值进行修正。利用光伏发电实测数据仿真,探究了不同学习率下模型的预测性能,并对模型的各参数进行了寻找优化设置。使用均方根误差、平均绝对误差以及决定系数等性能指标评估结果表明,与传统的预测算法支持向量机(SVM)以及具有较高预测精度的深度学习算法长短期记忆网络(LSTM)相比,MLP-DBN算法性能有明显的提升,为光伏发电提供了一种高精度高性能的预测算法,可以有效解决光伏发电预测问题。

基于DBN-PSO算法的钢板热轧轧机实时振动预测

为了提高钢板热轧轧机实时振动预测和钢板成形精度控制能力,在利用实时监测数据(RMD)分析热轧轧机振动状态的基础上,设计了一种基于深度置信网络(DBN)-粒子群优化(PSO)DBN-PSO算法的钢板热轧轧机实时振动预测模型,达到对RMD参数深度挖掘的目的,实现对热轧轧机振动的预测效果。采用现场测试得到结果对模型精度进行调整,通过对比发现,热轧轧机振动仿真模型的预测误差不超过3.7%,达到了预期的效果,和热轧轧机振动状态良好吻合。逐渐降低轧制速度后,热轧轧机振动的加速度持续减小,当轧制速度降低达20%时,热轧轧机振动加速度降低了1.58×10^(-3)g。热轧轧机振动加速度与出口张力之间呈正相关变化特征,当出口张力降低20%时,对应的振动加速度降低2.74×10^(-3)g。降低入口厚度后,发生了热轧轧机振动加速度持续增大,当入口厚度降低20%后,振动加速度提高0.71×10^(-3)g。

基于参数优化的VMD与DBN的滚动轴承故障诊断

在分析了滚动轴承振动信号的故障分类诊断问题,提出了一种采用蜉蝣优化算法(MA)-变分模态分解(VMD)的故障特征提取与深度置信网络(DBN)相互融合的故障诊断方法。首先,以全局最小包络熵值为目标,基于MA算法进行振动信号的变分模态分解,筛选最佳VMD分量;其次,选取最典型包络谱值作为故障特征向量;最后,采用某实验室的故障轴承诊断数据,基于DBN网络算法进行故障诊断训练、检验和结果分析。实例分析结果表明,该方法的故障识别率达到98.67%,说明该方法可以有效地提取到故障特征并具有更高的故障识别率。

基于AI智能算法的设备故障诊断技术优化与仿真实验

为提高电力设备在线监测效率,设计了一种基于AI智能算法的智慧电力资源库。利用人群搜索算法(SOA)优化深度置信网络(DBN)的隐含层节点数,并用于电力变压器设备的故障诊断;基于C/S(Client/Server)框架的电力变压器设备故障分析模块,实现电力变压器设备故障在内的实时监测。结果表明,SOA优化DBN的故障诊断模型可有效诊断电力变压器的高温过热和高能放电故障。相较于标准DBN网络、SVM模型和BPNN网络,SOA优化DBN网络具有更高的准确率和查全率,分别达到95.38%和94.78%;所设计的电力设备资源数据库可对电力变压器数据进行实时诊断操作,从而能更好的辅助电力工程人员运维。

基于SSA-DBN的光伏阵列故障诊断方法

由于光伏阵列常年处于恶劣的环境中,光伏组件时常发生故障。用深度信念网络(deep belief network,DBN)模型进行光伏组件故障诊断时,由于权重和偏置初始化的随机性,导致模型在训练和学习的过程中易陷入局部最优且收敛速度缓慢,因此提出麻雀搜索算法(sparrow search algorithm,SSA)优化深度信念网络权重和偏置的故障诊断方法。首先,通过SSA算法对DBN网络的可见层权值进行编码;其次,采用适应度函数对动量参数进行优化,以减少训练过程中的误差;最后,不断更新种群的速度和位置,以寻求个体最优和全局最优。实验分别与传统DBN网络和深度卷积神经网络(DCNN)的诊断准确率及重构误差两个方面进行了对比分析,结果证明该优化DBN网络增强了网络的泛化能力,提高了光伏故障诊断的识别精度。

基于进化MCMC的DBN学习算法

提出利用进化MCMC算法进行动态贝叶斯网络(DBN)学习的方法。在数据缺省情况下利用EM算法进行贝叶斯网络参数学习,结构学习部分生成多条备选的贝叶斯网络染色体,对染色体进行变异操作和交叉操作,在遗传操作中根据温度参数和贝叶斯网络及贝叶斯信息准则来构造MCMC函数,并利用MCMC函数进行贝叶斯网络学习。每一代进化后,将贝叶斯信息评分最大的贝叶斯网络作为结构学习的结果。实验结果验证了该方法性能的稳定性。

基于改进DBN的用电负荷预测建模与仿真

电力负荷数据的精准预测不仅能够保证电网可以安全地长期运行,而且能够提高经济效益和社会效益。针对电力负荷值的变化而导致变化规律很难用具体数学函数式表达的问题,提出了一种基于改进DBN的用电负荷预测模型。通过遗传算法选取网络权重,并将其应用于电网负荷预测。通过与BP网络模型的仿真对比可以得出,改进的DBN网络模型能够更好更快地对用电负荷进行预测。

基于布谷鸟搜索算法和DBN模型的变压器故障识别

依据油中溶解气体含量特征准确识别变压器故障类型,对变压器的安全运行具有重要意义。考虑深度信念网络(DBN)对样本数据中的特征提取有独特优势,采用DBN作为故障识别模型,将变压器油中溶解气体原始数据集直接输入至训练模型,并通过3种智能搜索算法对DBN中批处理、梯度下降学习率、层神经单元数3个重要参数分别进行智能寻优,解决少量原始样本数据直接输入时故障识别率不高的问题。仿真结果表明,采用布谷鸟搜索算法(CS)优化DBN模型时比粒子群搜索算法(PSO)和遗传算法搜索(GA)优化的效果更好,CS-DBN模型的故障总识别率比GA-DBN的高4.2%,比PSO-DBN的提高2.5%,同时进化效率提高56.2%;CS-DBN模型的泛化性能也比另2种更好。