基于滑动窗和多块卷积自编码器的故障检测

为了进一步提升故障检测性能,充分挖掘时序和隐含特征信息,提出一种基于卷积自编码器的故障检测方法。在对原始信息集进行建模的基础上增加了对累计信息与变化率信息的建模,以增强对隐含信息的挖掘;对重构的3个信息集进行滑动窗采样,基于卷积自编码器进行时序特征提取和建模;将卷积自编码器的决策结果进行贝叶斯融合得到统计量,并用核密度估计的方法确定控制限从而进行故障检测。将该方法进行数值仿真并应用于TE过程,仿真结果验证了所提方法的有效性和检测性能。

基于滑动窗双边CUSUM算法的风电爬坡事件检测方法

随着新能源并网进程的推进,风电装机规模逐年扩大。受区域内天气变化影响,风机出力的间歇性和波动性特征对电网的威胁亦越发显著。极端天气所引发的风电出力异常爬坡事件,易导致电网功率失衡,对电力系统机组调度、源荷平衡造成了极大压力。合理的风电爬坡事件检测以及精准的风电功率预测能为风电场运维及电力系统调度提供先验指导,有力缓解风电不确定性带来的危害。首先讨论了目前主流风电爬坡事件定义的盲点,分类并分析了3种风电爬坡场景的功率变化特性,据此提出基于滑动窗双边累计和(cumulative sum, CUSUM)算法的风电爬坡事件检测方法,提取时序耦合信息,捕捉短时间窗口内风电功率数据的异常波动,提高风电爬坡事件检测精度。其次,采用贝叶斯优化的长短期记忆(long short term memory, LSTM)神经网络,最优化模型超参数,提高模型对于爬坡事件发生时风机出力的预测性能。进一步应用所提风电爬坡事件检测方法,对模型预测区间内的风电爬坡事件进行检测实验,验证了所提方法的有效性。

基于多子空间加权移动窗主成分分析的全厂流程早期故障检测

早期故障的特征不明显,在全厂流程中比常规故障难检测.为了提高全厂流程中早期故障的检测率和灵敏度,将检测视角由全局转移至局部,提出基于多子空间加权移动窗主成分分析(PCA)的早期故障检测方法.使用结合过程知识和数据驱动的双层子空间划分方法,将过程变量划分到不同子空间中.使用加权的移动窗口增大早期故障的偏移量,将局部离群因子(LOF)算法引入PCA,以便进一步关注数据的局部特征,在每个子空间中建立故障检测模型.通过贝叶斯推理融合法对各子空间的监测结果进行信息融合,获得分布式监测结果.通过工业实例验证所提方法的性能.结果表明,所提方法在全厂流程中有效提升了早期故障检测的准确率和灵敏度.

基于校准窗口集成与耦合市场特征的可解释双层日前电价预测

随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。

视觉注意模型的低照度图像感兴趣区域检测

针对低照度图像质量较低导致的检测困难问题,提出一种基于视觉注意模型的低照度图像感兴趣区域检测方法。将图像由RGB色彩空间转换至HSV色彩空间,通过NSST获取图像的多个高通子带和一个低通子带;在高通子带中利用自适应阈值去噪法去噪V分量,在低通子带中采用多尺度Retinex增强V分量,再修正增强后图像S分量,将处理后图像转换回RGB色彩空间;依据视觉注意模型分别获取图像亮度显著值、色彩显著值和方向显著值,联合构建图像像素点特征向量,采用过渡滑动窗贝叶斯方法实现图像感兴趣区域检测。实验结果表明,所提方法的预处理效果更理想、错分率和误分率更低。

基于BO-BiLSTM的超级电容器剩余寿命预测

为了提高超级电容器剩余使用寿命的预测精度,本文提出了一种贝叶斯优化与双向长短时记忆神经网络结合的预测模型(BO-BiLSTM),利用长滑动窗口处理容量数据来提高模型对容量衰退趋势的学习能力,达到对超级电容器剩余寿命精确预测的目的。通过对输入特征的研究和对比,选定了容量和循环数作为模型的输入,随后对滑窗大小、模型步长进行研究,发现长滑窗是模型成功的关键因素。实验模型的精度可以达到AEP=1.02%、RMSE=2.57%。在使用贝叶斯优化算法优化模型参数后,最终预测精度可以达到AEP=0.59%、RMSE=2.16%,具有较高的预测精度。

基于概率分布特征库与贝叶斯推断的负荷识别方法

目的:为解决在家庭用电环境中,由于存在负荷数量多、工况复杂且未知情况,导致负荷识别准确率低的问题。方法:提出三点改进方法:(1)一是基于稳态判定缓冲区的CUSUM窗口算法,可解决对运行波动趋势复杂的开事件错检问题;(2)二是基于概率分布特征库与贝叶斯决策的负荷识别方法,在负荷工况未知前提下构建特征库并应用于负荷辨识,添加负荷频次特征使用贝叶斯分类器解决模糊样本的识别问题,可用于负荷数量多的用电环境;(3)三是暂态尖峰向量提取方法,并将该特征有效解决特征相似负荷识别问题,增加分类维度。结果:经REDD数据集中12个功率大于80 W电器验证,平均F1分数93.72%。结论:这三种方法可以有效提高负荷识别精度,更适用于家庭用电场景。

多感官线索整合的理论模型

日常生活中,人脑能联合来自不同感官通道的线索对外部世界中的物体和事件进行感知。这些感官通道采用不同的参照系来表征物体的特征和位置;而且各种线索的可靠性也不恒定,根据环境而改变。但是人脑依然能够有效地整合这些线索,对物体和事件进行正确的感知。在以往研究的基础上,总结评述了多感官线索整合的几种理论模型及其验证结果,其中重点介绍了近年来引起广泛关注的贝叶斯统计优化模型。未来的研究应结合虚拟现实技术和脑成像技术对多感官线索整合进行探讨。

一种改进的BIC说话人改变检测算法

针对贝叶斯信息准则（BIC）算法在说话人改变检测中计算量大、检测精度低的问题,文中提出了一种改进的BIC说话人改变检测算法.该算法通过限制分析窗内第一个数据窗的最大长度来降低计算量,并通过增加分析窗内第二个数据窗的有效长度（提高可测度）来提高检测精度;同时,该算法只在新增区间内寻找潜在说话人改变点,从而解决了长时间无说话人改变时计算量不断增大的问题.实验结果表明,该算法和传统的BIC算法相比,偏移误差范围由0.10-0.80降低到0.03-0.20;当分析窗长为40s时,计算时间节省了约75%.

贝叶斯树算法在异常入侵检测中的应用

研究了Windows平台下异常检测方法,提出了一种利用Windows Native API调用序列和基于贝叶斯树算法的主机服务进程规则与对应概率分布生成算法。根据长为N-1的Windows Native API调用序列预测第N个调用的概率分布,对生成的概率序列用U检验方法作为异常检测算法。以贝叶斯树作为弱分类算法,利用AdaBoost-M1方法构造多个基于贝叶斯树的概率分布序列,并按一定方式把它们组合成一个加强的概率分布序列进行入侵检测。实验结果表明这种方法能明显提高模型预测能力。

基于Parzen窗的Vague集理论用于油液原子光谱特征优选

油液原子光谱信息量大且具有模糊性,严重影响了在故障诊断中的应用效率和精度。为选择数量少、效率高的光谱特征,提出了一种光谱特征选择的新方法。基于齿轮箱实验台架,模拟了齿轮正常磨损状态和两种典型故障,并采集了油液样本。将三种磨损状态视为三个Vague集,光谱特征值视为Vague集上的Vague值。基于Vague值之间的相似度量,定义了平均Vague敏感度(mean vague sensitivity,MVS),用来描述光谱特征对不同磨损状态的敏感程度,并据此选择出对磨损状态敏感度高的光谱特征。此外,针对Vague集隶属度的确定严重依赖人为经验的问题,利用Parzen窗法分别估计出三种状态光谱数据的概率密度分布后,结合贝叶斯公式确定出Vague集的隶属度上、下限。实验表明,此方法可以有效地从大量光谱特征中选择出对故障敏感程度较高的特征。

结合自助抽样的动态数据流贝叶斯分类算法

动态数据流具有数据量大、变化快、随机存取代价高、详细数据难以存储等特点,挖掘动态数据流对计算能力与存储能力要求非常高。针对动态数据流的以上特点,设计了一种基于自助抽样的动态数据流贝叶斯分类算法,算法运用滑动窗口模型对动态数据流进行处理分析。该模型以每个窗口的数据为基本单位,对窗口内的数据进行处理分析;算法采用自助抽样技术对待分类数据中的属性进行裁剪和优化,解决了数据属性间的多重线性相关问题;算法结合贝叶斯算法的特点,采用动态增量存储树来解决动态样本数据流的存储问题,实现了无限动态数据流无信息失真的静态有限存储,解决了动态数据流挖掘最大的难题——数据存储;对优化的待分类数据使用all-贝叶斯分类器和k-贝叶斯分类器进行分类,结合数据流的特性对两个分类器进行实时更新。该算法有效克服了贝叶斯分类属性独立性的约束和传统贝叶斯只对静态数据分类的缺点,克服了动态数据流最大的难题——数据存储问题。通过实验测试证明,基于自助抽样的贝叶斯分类具有很高的时效性和精确性。

基于贝叶斯理论的自适应显著性检测

针对传统基于贝叶斯的显著性算法通常采用固定窗口的形式,适应性较差的特点,提出了一种基于贝叶斯理论的自适应显著性检测算法,该算法能够考虑到不同图像显著物体大小不同。首先采用Canny算法提取图像边缘,并利用阈值算法确定图像的自适应窗口,然后采用基于贝叶斯的滑动窗口算法计算显著图。给定的自适应窗口能够更好地契合显著物体,实验结果表明相比其他传统贝叶斯算法与经典算法,该算法具有更高的精确率和更好的召回率。

基于Parzen核估计的最大后验概率分类方法

从概率密度函数的角度出发,利用Parzen窗法估计总体样本的概率密度分布,将核方法和Parzen窗法引入最大后验概率方法中,提出一种基于Parzen核估计的最大后验概率的高性能多分类方法。该方法不需要考虑样本数据的具体分布情况,能够得到分类的可信度,给出推理的不确定性依据。在3个国际标准UCI数据集和3个人脸数据集上的实验结果表明,该方法具有较好的分类效果。

滑动数据窗口驱动动的的贝叶斯-高斯网络及其在非线性系统辨识中的应用

工业控制场合中,需要获取非线性被控对象的结构特性,而系统动态响应的数据直接从外部特征上反映了非线性系统结构关系.为了充分利用非线性动态系统响应过程中的数据,本文提出了一种基于滑动数据窗口(sliding data window)的贝叶斯-高斯神经网络(SW-BGNN)模型.该模型将数据融合于网络模型结构中,借助于贝叶斯推理和高斯假设,利用滑动窗口数据,实现非线性动态系统的辨识和预测.整个SW-BGNN本身需要确定的参数很少,因此运算的时间很短,适合于非线性动态系统的在线辨识.将SW-BGNN应用于几个非线性动态系统的辨识和预测,仿真试验结果表明了SW--BGNN模型的有效性.

基于贝叶斯优化的SWDAE-LSTM滚动轴承早期故障预测方法研究

针对滚动轴承的早期故障特征较弱,在强噪声背景下难以有效提取以致生命周期很难准确预测的问题,提出了一种基于贝叶斯优化(BO)的滑动窗堆叠去噪自编码器(SWDAE)和长短期记忆(LSTM)网络的早期故障预测模型。使用滑动窗算法保留具有非线性特征和时序特征的历史正常数据,输入到模型中进行训练,使模型学习滚动轴承的正常运行状态趋势。将滚动轴承运行的数据输入到训练好的SWDAE-LSTM模型中进行实时在线监控,利用模型的预测值与真实值的残差检测滚动轴承早期故障。针对模型超参数组合选择困难的问题,使用贝叶斯优化算法对模型的超参数进行调优。最后,使用美国辛辛那提大学智能维护中心(IMSCenter)的轴承全生命周期数据以及机械故障综合模拟实验装置获取的数据进行仿真实验验证。结果表明,使用贝叶斯优化算法进行智能调参的模型和基于时域指标的方法对比,可以更早的有效检测出滚动轴承的早期故障并具有很强的鲁棒性。与其余深度学习方法比较,其模型的诊断准确率高于其他方法,进一步证明了其有效性和可靠性。

基于主成分分析的改进贝叶斯网络入侵检测研究

传统的贝叶斯网络入侵检测技术中,未考虑到入侵检测数据集中属性数量过多的问题,导致贝叶斯网络构造过程中计算量过大,严重影响了检测效率;传统的贝叶斯网络入侵检测技术,在检测的过程中也没有考虑到当前网络受到的攻击行为和安全状态,仅仅根据原始训练数据集生成的贝叶斯网络进行测试,对检测精度造成一定的影响。针对上述两个问题,提出结合主成分分析和滑动窗口的贝叶斯网络入侵检测技术,仿真实验表明,改进后的技术能够大大降低数据维数,提高运算效率和检测精度。

基于过渡滑动窗贝叶斯分析的视觉注意模型

依据显著目标是显眼、紧凑和完整的思路,提出基于过渡滑动窗特征分布贝叶斯分析的显著目标检测模型。首先根据局部区域与其多个尺度邻域的对比得到亮度显著映射图;然后利用颜色信息的空间紧凑性、同质性和孤立性得到颜色显著映射图;同时通过多尺度多方向的Gabor滤波器组模拟人类视觉系统提取图像块的方向显著映射图。最后将这些显著特征一起输入单尺度的贝叶斯结构模型,通过对比贝叶斯结构模型中窗内和过渡窗外的特征值计算出该像素是显著像素的概率值,最后通过取最大化映射规则计算出输入图像的显著图,从而得到显著目标。将此算法应用于不同图像进行仿真实验,得到较好的显著性检测结果,表明该方法是切实可行的。

基于贝叶斯频谱估计的频率分辨率研究

研究了贝叶斯频谱估计的基本理论和基本方法,分别对频率扫描法和频差扫描法进行了研究和计算。仿真结果显示,采用加窗方法可有效提高频率扫描法的频率识别精度。在采样信号相同的条件下,频率扫描法的频率采样点数为1000,得到的频率分辨率为1%。差频扫描法的采样点数为100,得到的频率分辨率为0.1%。贝叶斯频谱分析中模型的选取是决定性的因素。

基于可信推断的流数据序列模式分析算法

序列模式在基因分析、金融预测等方面有着重要的应用,是数据挖掘的一个主要分支.鉴于数据流应用的日益增多,本文在研究传统序列模式挖掘算法的基础上,提出了一种基于可扩展滑动窗口和贝叶斯概率过滤的面向数据流的序列模式挖掘算法(BM SP-DS算法),目的是简化序列模式发现的中间结果,提高挖掘效率,以便在小的存储空间和低的运算时间内快速发现流数据的频繁序列模式,同时算法也减少了因主观支持度取值不当对模式发现造成的负面影响.实验结果表明,该算法是可行、较优的.