基于混沌理论和CNN-OSVM的水轮机空化状态识别方法

针对水轮机空化声发射(AE)信号非线性强,导致水轮机空化状态识别准确度不高的问题,建立基于混沌理论和卷积神经网络结合优化支持向量机(CNN-OSVM)的水轮机空化状态识别方法。对不同空化状态下的水轮机空化AE信号进行相空间重构,获得相图作为数据集,通过卷积神经网络提取不同空化状态下的相图特征,输入经网格搜索算法结合K折交叉验证算法全局参数寻优的优化支持向量机分类器完成空化状态识别。结果表明:输入混沌相图数据集的CNN-OSVM模型能够准确识别4种空化状态,平均准确率高达98.8%;同时证实相较于CNN模型、OSVM模型,CNN-OSVM模型对非线性信号分类具有更高的识别准确率和泛化性。

基于单分类算法OSVM船用燃气轮机状态评估

针对船舶综合监控系统中存储有海量的设备正常运行时的数据没有得到充分利用,此外设备退化时的故障数据难以获取,无法训练传统的多分类退化检测模型,提出利用单分类算法OSVM来建立模型,从而实现退化检测,在该过程中只需用正常样本数据来训练模型,并在一个经过实船数据验证过的模拟器产生的数据集上进行了试验。结果显示,只需要400个正常样本就可训练出准确的退化检测模型,该模型在精确度、召回率、特异性、正确率、AUC这5个指标都有很好表现。此外,该退化检测模型有很好的扩展性,也可用于其他机械设备的状态评估。

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;训练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性。对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度。

支持张量机在柴油机故障预测中的应用研究

为了解决柴油机故障预测中大样本、非线性以及高维数据的数据预测问题,避免以向量输入带来的结构信息丢失和数据相关性被破坏等现象,结合支持向量机(SVM)的学习框架和交替投影的思想,研究基于在线支持张量机(OSTM)的柴油机故障预测算法和流程,并以测试精度、学习时间和均方根误差作为评价指标,利用远程监测系统采集的数据,分别应用在线支持向量机(OSVM)和OSTM进行故障预测和分析。结果表明,与OSVM方法相比,OSTM方法测试精度较高,学习时间大幅缩短,预测模型的收敛速度较快,能有效在线预测柴油机故障。

基于在线支持向量机和遗传算法的预测控制

针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,提出了一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。

基于平滑先验分析和模糊熵的滚动轴承故障诊断

由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,基于对振动信号进行多尺度的模糊熵(FE)分析,提出了基于平滑先验分析(SPA)和模糊熵的滚动轴承故障诊断方法。采用SPA方法对振动信号进行自适应分解,得到振动信号的趋势项和波动项;分别计算趋势项和波动项的模糊熵;将模糊熵值作为特征向量,输入至基于优化算法的支持向量机(OSVM)。将该方法应用于滚动轴承实验数据,分析结果表明:该方法在仅提取两个分量特征的情况下即可达到100%的故障诊断精度,可有效实现滚动轴承的故障诊断。

Hybrid Approach to Document Anomaly Detection:An Application to Facilitate RPA in Title Insurance

Anomaly detection(AD)is an important aspect of various domains and title insurance(TI)is no exception.Robotic process automation(RPA)is taking over manual tasks in TI business processes,but it has its limitations without the support of artificial intelligence(AI)and machine learning(ML).With increasing data dimensionality and in composite population scenarios,the complexity of detecting anomalies increases and AD in automated document management systems(ADMS)is the least explored domain.Deep learning,being the fastest maturing technology can be combined along with traditional anomaly detectors to facilitate and improve the RPAs in TI.We present a hybrid model for AD,using autoencoders(AE)and a one-class support vector machine(OSVM).In the present study,OSVM receives input features representing real-time documents from the TI business,orchestrated and with dimensions reduced by AE.The results obtained from multiple experiments are comparable with traditional methods and within a business acceptable range,regarding accuracy and performance.