基于DGLPP-SVDD算法的化工过程故障检测

为解决传统全局局部保留投影算法(GLPP)不能充分利用已有故障数据进行特征提取的缺点,提出了判别全局局部保留投影算法(DGLPP)。在数据降维处理后,为应对高斯和非高斯混合分布的过程数据特性,通过支持向量数据描述算法(SVDD)构建故障检测统计量。将两种算法相结合提出基于DGLPP-SVDD的故障检测方法。将DGLPP-SVDD算法应用于TE过程仿真,并与GLPP算法对比,结果表明:DGLPP-SVDD算法具有更短的故障检测滞后时间和更高的故障检测率。

基于SVDD算法的高维非线性传感器数据流异常点检测

传感器数据通常具有高维特征,且在实际工业环境中可能存在复杂的非线性关系。如何有效处理高维度、非线性和复杂的数据特征,是当前研究的难点问题。为此本研究基于支持向量数据描述算法,针对高维非线性传感器数据流进行异常点检测。采用生成对抗网络提取高维非线性数据特征,通过主成分分析方法对提取得到的特征进行降维处理,以减少数据维度。使用经过降维处理的数据训练SVDD模型,通过求解对偶问题,得到的支持向量的系数和阈值等参数,以确定异常检测的决策边界,根据决策边界实现异常点检测。通过实验验证可知,所提方法的异常检出率较高,误报率较低,得出SVDD算法在高维非线性传感器数据流中异常点检测具有有效性,证明了其在实际工程应用中的潜在价值。

基于模糊SVDD的电子装备状态评估模型研究

为有效解决电子装备的状态评估问题,提出了一种将模糊理论和SVDD算法相结合的电子装备状态评估模型。首先,采用模糊理论对电子装备健康状态进行了描述,将普通意义上的状态表述形式转化为了模糊特征描述;然后,采用正常状态样本建立了基于模糊SVDD的电子装备状态评估模型,并以健康度为评估指标,对装备退化状态样本进行了状态评估;最后,以某电子装备滤波电路为例进行了验证,仿真结果表明,该模型用于电子装备状态评估是行之有效的。

基于非下采样Contourlet变换的异常检测SVDD算法

由于图像复杂背景信息的干扰,一般检测算法的应用受到了限制,致使异常检测的虚警率较高,而基于支持向量数据描述(Support Vector Data Description,SVDD)的异常检测算法不需要对背景或者目标数据作任何分布假设,可将原始数据映射到高维特征空间进行异常检测。基于此,本文提出了一种基于非下采样Contourlet变换的异常检测SVDD算法。算法首先对高光谱数据进行NSCT(Nonsubsampled Contourlet Transform)分解,得到高频信息图像和低频信息图像;然后对低频信息作差,得到背景残差数据,抑制了背景信息;接着通过加权融合得到背景抑制后的高光谱图像,最后利用非线性SVDD将背景抑制后的高光谱图像映射到高维特征空间,完成异常目标的检测。通过仿真实验验证可知,所提出的算法与RX算法、KRX算法和未进行背景抑制的SVDD算法相比,具有较低的异常检测虚警率和优良的检测性能。

基于DPC-SVDD的制造过程异常诊断

文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中。结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性。

基于SVDD算法的学业预警监测模型构建与研究

学生在在线学习平台上的学习表现数据类型较多,不能从单一角度对学生学习状况进行评价监测,需要综合多维度评价学生的学习状况,从而给出相对全面客观的学习表现评价。建立基于SVDD算法的监测模型,将直播观看时长、作业完成状况、课堂参与互动次数、出勤率等多维数据作为考量指标,对所有数据进行PCA分析,通过SVDD算法进行学习行为和效果异常监测,从而实现表现异常学生的学业预警。

基于NSGA-Ⅱ和SVDD的转向架构架异常状态监测

转向架构架状态监测是保证轨道车辆安全运营的重要途径。研究提出了一种基于NSGA-Ⅱ和SVDD的转向架构架异常状态监测方法,针对构架异常状态下样本集的随机多样和不确定性,引入SVDD算法,以构架正常状态的样本集构建SVDD超球体模型对多工况条件下构架的异常状态进行识别。同时以SVDD超球体半径定义优化目标函数f1(传感器数量)和f2(超球体聚类指标),并基于NSGA-Ⅱ算法对传感器分布进行了优化。在此基础上,搭建转向架构架状态监测实验平台,对多工况条件下构架的异常状态识别进行研究。结果表明:(1)经优化后的传感器分布方案能有效获取转向架构架状态监测数据,当优化方案中传感器数量达到3时,识别率达到91.33%;(2)以转向架构架正常状态样本集构建的SVDD模型对异常状态具有很好的识别效果。

基于LTSA-Greedy-SVDD的过程监控

为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。

基于CF特征提取与MBA-SVDD的滚动轴承故障诊断

针对滚动轴承振动信号呈现出的非平稳特性以及早期故障特征难以提取的问题,提出一种基于变分模态分解与时域、频域值混合的特征提取方法,并利用改进蝙蝠算法(MBA)优化支持向量数据描述(SVDD)的参数,实现对滚动轴承的故障诊断。采用该方法对正常振动信号进行变分模态分解,得到模态函数;利用奇异值分解进一步提取模态函数的模态特征,同时提取信号的时域、频域特征与模态特征构造混合特征(CF)实现特征提取;利用改进蝙蝠算法(MBA)对SVDD核函数宽度进行参数寻优,进而构建CF-MBA-SVDD故障诊断模型。利用该模型对不同工况下滚动轴承的各类振动信号进行故障诊断,整体故障识别率均优于其他对比算法。对全寿命周期轴承实验数据进行诊断分析,结果表明:该模型能够较早预警轴承故障,验证了该方法的可靠性和有效性。

基于SVDD-PSSVM的地铁线网化集中监测系统

为加大地铁线网的监管力度,构建合理的地铁线网化集中调度环境,设计基于SVDD-PSSVM的地铁线网化集中监测系统。以集中线网化电路作为电子输入端,按需连接地铁线网数据通信模块与监测数据分析模块,实现监测系统的硬件执行环境搭建。在此基础上,通过选择地铁线网化簇边界样本的方式,标定集中型的簇状结构体,借助样本数据监测性能分析结果,实现系统的软件执行环境搭建,联合相关硬件设备结构,完成基于SVDD-PSSVM的地铁线网化集中监测系统设计。实验结果表明,与传统支持向量机型监测系统相比,SVDD-PSSVM型监测系统所能存储的地铁线网化数据总量更大,而所需的信息调度时间却相对更短,能够较好维护地铁线网化的集中调度环境,实现对地铁线网的严格监管。

基于WMNPE间歇过程监测的改进SVDD算法

间歇过程数据包含表征过程变化的相关信息和非相关信息,并且呈现高斯与非高斯的多分布等特点.为了更加充分地提取数据的有用信息和处理数据的非高斯性等问题,实现有效的过程监控,提出一种基于WMNPE间歇过程监测的改进SVDD算法.首先运用多向邻域保持嵌入(MNPE)算法来提取低维子流形以实现降维;再使用概率权值策略来提取表征过程变化的相关信息,通过Greedy方法提取低维子流形的特征样本;最后以支持向量数据描述(SVDD)方法建立监控模型进行监控.通过青霉素发酵过程仿真平台验证了所提算法的有效性.

基于知识图谱的跨系统电网多维数据自动挖掘

现有的基于关联分析算法、灰靶理论与云模型的挖掘技术,由于受到来源多、结构化程度复杂的数据影响,导致数据字符串挖掘效果不佳。针对上述问题,提出了基于知识图谱的跨系统电网多维数据自动挖掘方法。通过可视数据的分析与交互原理,三维融合展示跨系统电网多维数据。构建知识图谱,计算跨系统电网多维数据种类划分概率,并确定多维数据处理的目标函数。设计多维数据挖掘流程,结合SVDD算法自动分类多维数据。实验结果表明,该方法能够精准分析不同数据字符串间的依存关系,且最高召回率为98.54%,具有良好的挖掘效果。

单类学习下基于VSAPSO-BP的掘进机异常检测方法

针对掘进机回转台异常检测中故障数据缺失以及故障程度划分的问题,提出一种单类学习下基于VSAP-SO-BP的掘进机异常检测方法。使用支持向量数据描述(support vector data description,简称SVDD)方法对回转台健康数据进行单类学习,根据现场经验构造非健康样本数据集,以SVDD对非健康样本数据集的识别率为依据,把非健康样本数据分为故障临界数据与故障数据,提出变异自适应粒子群优化(variation self-adapting particleswarm optimization,简称VSAPSO)算法,构建VSAPSO-BP神经网络对健康、故障临界与故障3类数据进行检测,检测准确率为91.7%,与传统PSO-BP方法相比具有更高的准确性与稳定性。实验结果表明,采用单类学习下基于VSAPSO-BP的掘进机异常检测方法可以准确有效地检测掘进机回转台异常,具有较高的应用价值。

基于宏微观因素的概率级别的车辆事故预测

车辆事故预测是避免道路车辆事故发生的重要研究课题.以往的研究使用的事故数据集只包含地理情况、环境情况、交通情况等宏观因素,或者只包含车辆行为和驾驶员行为等微观因素.因为很难收集到同时包含2类因素的事故数据集,很少有研究将这2类因素结合起来,然而车辆事故往往是两者共同作用的结果.此外,在收集到的数据中没有可以用于预测的事故发生概率标签,所以目前多数的研究关注点只是在于事故是否发生而不能得到准确的概率值.然而在实际应用场景下,驾驶员需要的是不同级别的危险预警信号,而这种信号正是应该由事故概率值决定的.2019年发布的事故宏观因素数据集OSU(Ohio State University)与宏观因素数据集FARS(fatality analysis reporting system)和微观因素数据集SHRP2(strategic highway research program 2)都具有一些相同的特征,为它们的融合提供了机遇.因此,首先得到了一个同时包含宏观和微观因素的数据集,其中事故数据(正样本)融合自OSU、FARS数据集,以及与SHRP2分布相同的数据集Sim-SHRP2(simulated strategic highway research program 2),而安全驾驶数据(负样本)则由自己驾驶汽车获得.然后,针对收集到的数据中没有概率标签的问题,还设计了一个概率级别的无监督深度学习框架来预测准确的概率值,该框架使用迭代的方式为数据集生成准确的概率标签,并使用这些概率标签来进行训练.实验结果表明,该框架可以使用所得到的数据集来灵敏而准确地预测车辆事故.

基于改进支持向量域描述的道岔转辙机运行状态异常检测

针对铁路道岔转辙机缺乏大量异常样本来实施其运行状态异常检测的问题,提出了基于改进的支持向量数据域描述方法的异常检测模型。以ZYJ7型液压道岔转辙机为研究对象,利用既有微机监测系统采集道岔功率数据。用聚类的方法对数据进行清洗,接着对功率数据在时间序列上进行解锁、转换和锁闭分解,分别提取其统计特征值,采用主成分分析(PCA)法对特征值进行降维处理,将经过处理后的数据输入到异常检测分类器进行模型训练和模型测试。实验结果表明,改进的支持向量域描述(SVDD)分类器对道岔运行状态的异常检测有较强的识别能力。

根生群优化算法

针对全局优化问题,基于一类支持向量数据描述(SVDD)和已有的根系生长算法提出一种新的智能优化算法——根生群优化算法,将根系划分为主根群体和侧根群体。基于SVDD描述主根群体的生长行为,将土壤中养分浓度最高的位置作为全局优化的目标,构建了根系生长模型;分析了RGSO的数学模型,从理论上证明了RGSO的收敛性。在实验中,与当前最先进的其他三种算法进行综合比较,并观察了不同参数对优化效果的影响。实验结果验证了RGSO的收敛性和有效性,表明RGSO是一种解决全局优化问题的有效算法。

基于遗传算法和支持向量数据描述的多项式轮廓内自相关过程监控

多项式轮廓数据在复杂产品制造过程中是一类广泛存在的质量数据类型。为了能尽快监测出多项式轮廓内自相关过程中的异常,针对仅存在正常样本的质量数据提出一种基于支持向量数据描述(SVDD)的监控方法。首先,消除轮廓间相关性,构建SVDD监控方法流程,运用遗传算法(GA)选择SVDD参数和核函数参数进行仿真;然后,通过仿真实验模拟得到平均运行长度,以平均运行长度为准则,对比分析采用高斯核函数和多项式核函数SVDD方法的监控性能;最后,与传统控制图进行对比。实验结果表明监控截距、一次项系数、二次项系数时,采用多项式核函数SVDD方法的失控平均运行长度小于T^(2)、T_(residual)^(2)控制图,即监控效果优于其他控制图。

基于多分类支持向量机的教室调换行为轨迹分类识别

针对将高校学生在特定时间内的教室调换行为轨迹识别归属为模式分类的问题,提出了一种优化核函数的多分类支持向量机(support vector machine,SVM)算法。在应用中首先融合校园Wi-Fi探针、应用系统、校园卡数据与空间位置数据获取训练样本,构建多分类SVM模型进行样本训练,利用K折交叉验证选取最优参数组,并基于粒子群优化(particle swarm optimization,PSO)算法优化的支持向量数据描述(support vector data description,SVDD)进行混合核参数优化,以获取最佳多分类SVM模型。应用实证表明,所提算法可在少量训练样本条件下完成学生轨迹分类识别,与单一的粒子群算法、遗传算法相比,只需要进行一次粒子群寻优,降低了算法成本,识别精度可达89.8%,有助于高校优化教育教学资源布局。

基于聚类和SVDD的一类入侵检测模型

为了解决传统支持向量数据描述算法(SVDD)中样本不集中导致算法包括非己空间样本,从而形成噪声影响检测性能的问题,建立一种基于SVDD算法和聚类算法相结合的入侵检测模型.首先通过K-means算法对正常样本数据进行聚类;然后利用SVDD对聚类后的数据集合进行描述;最后利用多个判决函数对样本进行判别.实验中对核函数参数的选择进行了分析,并同其他检测算法比较,验证了该思想的正确性.

智能电网态势感知的可视化技术研究与实现

为了有效检测电网实时运行状态,识别电网中异常数据信息,现针对智能电网态势感知的可视化技术展开研究与实现。首先利用同步相量测量装置采集电网运行信号,通过小波变换计算不同频率区间的噪声能量阈值,进而实现信号去噪。结合线性判别函数与决策树算法,去除电网中影响态势判断的异常信号,进而实现有效信号的提取,并将其输入LSTM网络中;引入SVDD算法,对电网态势展开可视化识别,根据电网系统内各个运行指标的计算,判断当前电网态势,对潜在风险展开预测,并针对预测结果发出实时预警。实验结果表明,所提方法对电网运行过程中产生的异常数据检测精准度高,对风险的严重性判断准确,能够实现电网态势的确切感知。