基于TrAdaBoost的冷水机组故障迁移诊断

冷水机组故障可以通过机器学习进行诊断,但需大量训练数据,而获取有效故障数据难度大、成本高。传统故障诊断主要针对单台机组已有数据,很难覆盖全部工况,新工况下诊断性能恶化。本文提出了用对数据进行空间挤压的多重数据处理方法缩减不同分布间的差异,并利用TrAdaBoost算法对不同数据分布的信息迁移能力,结合不同基分类器搭建了冷水机组故障诊断模型,实现了新工况故障的有效诊断,有望缩减实验成本。对冷水机组7类典型故障的诊断结果显示:在新工况数据仅为20组时,相比于未进行迁移诊断的情况,总体正确率分别提升了22.00%、2.50%和32.33%。通过增补2个工况数据验证了不同模式下迁移诊断对冷水机组故障诊断的有效性:单模式下迁移诊断性能较常规诊断提高18.39%~22.43%,全模式下提高1.21%~2.55%;参数寻优对单模式迁移诊断有辅助提升效果(3.06%),对全模式则因过拟合导致性能下降(-4.23%)。可见,基于源工况知识与目标工况少量数据的迁移诊断模型是解决新工况数据缺乏问题的有效途径。

基于改进迁移学习算法的岩体质量评价模型

岩体质量分级是进行工程设计和施工的基础。通过搜集不同地区55组实测样本和17组插值样本建立案例库,考虑岩体的复杂不确定性和异地岩体的差异性,在案例库基础上提出了一种改进两阶段回归迁移学习(Two-stage TrAdaBoost.R2)—孤立森林(Isolated Forest)多因素岩体质量等级预测模型。将广州抽水蓄能电站第1期地下工程的12个样本用于模型测试,结果表明:(1)迁移学习可以通过权重调整选出与目标区域岩体相似的样本,解决了传统机器学习方法中同区域训练样本数量不足的问题。(2)孤立森林算法与迁移学习相结合可以排除异常数据的影响,增加模型的稳定性。(3)利用训练好的模型对12个测试样本进行多次判定,结果与实际情况基本相符,验证了模型的有效性。

迁移学习优化TB算法的个性化推荐模型

针对标准Trada Boost算法在个性化推荐的应用中还存在精度不高的问题,本文提出了一种基于迁移学习优化Trada Boost算法的个性化推荐模型。首先采用迁移学习对Trada Boost算法的类簇进行平滑处理,即使用聚类算法对用户—项目评分数据进行预处理,并产生预选最近邻用户,接着使用基于内存的协同过滤算法在聚类结果数据上对评分数据进行平滑,最后采用改进的Trada Boost算法构建个性化推荐模型。通过仿真实验表明,本文提出的改进算法相比较目前常用的算法具有更高的个性化推荐精度。

考虑多元因素态势演变的配电变压器迁移学习故障诊断模型

针对配电变压器故障数据有限及数据过期的问题,提出一种考虑多元因素态势演变的配电变压器迁移学习故障诊断模型。首先,构建了配变运行状态评价指标体系,对指标状态量进行模糊二元量化,利用模糊Apriori算法挖掘其与故障之间的关联关系,提取诱导变压器故障的关键状态量。针对配变故障数据有限,引入Tanimoto系数,将有效的辅助故障数据迁移至目标配变,建立了基于信息迁移的配变故障诊断模型;针对配变故障数据过期,引入健康指数描述配变状态,将不同健康等级的辅助故障数据进行迁移,建立了针对数据过期的配变故障诊断模型。在此基础上,利用迁移学习算法TrAdaBoost对上述模型中目标与辅助故障数据的权重进行迭代求解,进而输出配变故障强诊断器。最后,根据配变故障数据进行算例分析,仿真结果表明,该文所建模型故障诊断精度高,具有比传统诊断器更强的泛化能力。

基于数据清洗和知识迁移的变压器故障诊断模型

变压器是保障电网安全运行的重要基础,本文建立了一种基于数据清洗和知识迁移的变压器故障诊断模型,用于解决变压器单体故障数据少、总体数据繁杂导致诊断器泛化能力低的问题。首先,采用Tanimoto系数计算待诊断变压器与其他变压器故障的综合相似度,对辅助故障数据进行一次清洗;其次,通过剔除奇异边缘附近故障数据,对目标和辅助故障数据进行二次清洗;在两次数据清洗的基础上,以支持向量机作为迁移学习算法TrAdaBoost的基本分类算法,通过迭代不断调整目标故障数据和辅助故障数据的权重,将辅助故障数据中的有效知识迁移至故障诊断器,得到基于迁移学习的变压器故障诊断器模型。测试结果表明数据清洗和知识迁移能够有效提高诊断效率以及故障识别的准确性。

电力计量数据驱动的电力故障预测方法研究

传统的电力计量故障诊断方法过度依赖于人工判断,工作效率偏低。针对此问题,提出一种基于LR优化的Tradaboost算法,并将其应用在电力的故障诊断领域,提升故障预测模型的样本容量及预测准确率。由实验结果可知,LR-Tradaboost算法预测误差相对SVR、Tradaboost-R2均降低了误差率。LR-Tradaboost在迭代次数为50时已经收敛,而Tradaboost-R2在迭代次数100次后才收敛,所以LR-Tradaboost算法的预测性能更好。

基于TrAdaBoost算法为内核的行人航迹推算技术

行人航迹推算(PDR)由于误差发散速度快,导致PDR定位可信时间短、累计误差大,因此,提出了基于TrAdaBoost算法为内核的行人航迹推算技术。该方法通过全球定位系统(GPS)离线收集行人室外运动信息,利用迁移学习中的TrAdaBoost算法筛选出最合适的行人运动特征,将其迁移到室内PDR定位中,纠正行人步长,实现行人航迹推算。实验结果表明:行人步长大致分布在65~75 cm内,而且经过纠正后的定位轨迹与真实定位轨迹吻合度高,不会因为惯性传感器的积累误差而出现严重偏离,平均水平误差与纯PDR定位算法相比大幅度下降,位置精度在2 m以内的概率达到了80%。因此,该方法降低了PDR发散的速度,延长了PDR定位的可信时间,提高了短距离内的定位结果的可信度。

基于样本平衡策略的多源迁移学习方法及其在乙烯精馏塔质量指标预测的应用

基于数据驱动的工业过程建模需要依赖大量的标记良好的数据集,但与目标任务直接相关的标注数据往往是有限的。因此,可以利用与其具有相关性的辅助训练数据进行建模以实现任务迁移。然而,样本的不平衡问题一定程度上影响了迁移学习的性能表现。因此,提出了一种基于样本平衡策略的多源迁移学习方法,首先,对于同一源域内样本,采用最小二乘方法融合多个候选预测器得到单个源预测器,以协同利用域内不同样本包含的可迁移信息。此外,对于不同源域间样本,基于误差函数将多个源预测器加权组合得到多源预测模型。最后以乙烯精馏塔为对象进行案例分析,验证了所提出方法的有效性。