基于VAE-LSTM的中低压燃气调压器异常检测无监督模型研究

燃气调压器在燃气输配过程中起降压稳压的作用。目前行业多采用人工手段对调压器进行异常检测,不能提前预警故障隐患;通过智能手段检测通常需要人工标注数据做有监督处理,消耗大量时间和人力成本;VAE-LSTM混合无监督模型,不需要人工标注,实现异常的完全检出。其中VAE模型使用卷积层结构,通过缩小样本重构误差来进行训练,检测出点异常和上下文异常;LSTM模型在VAE模型训练完成的基础上进行训练,采用滑动样本,通过缩小预测误差来训练,可以检测出集体异常。最后,将混合模型用于有标签的测试集,选择最好的阈值4.545 547预测样本的异常与否,该阈值对应的查准率、查全率和F1值分别为0.910 604、1.0和0.953 211,表明模型预测效果较好。

基于E2E Deep VAE-LSTM的轴承退化预测应用研究

针对额外提取数据特征的方法需要花费大量时间和人力成本、轴承退化的线性预测精度低等问题,以及时序数据具有时间依赖关系的特点,提出了端到端的结合长短时记忆网络的深度变分自编码器模型(E2E Deep VAE-LSTM)用于轴承退化预测。通过改进VAE的结构,并结合LSTM,该模型可以在含有异常值的数据集上直接进行训练和预测;使用系统重建误差表征轴承退化趋势,实现了轴承退化的非线性预测。在三个真实数据集上的实验结果表明,E2E Deep VAE-LSTM模型可以得到满意的预测结果,预测精度均高于现有的几种AE类模型及其他几种方法,且具有良好的泛化能力和抗过拟合能力。

基于聚类和迁移学习的火电厂控制回路异常检测

基于深度学习的故障诊断方法已在电力工业多个领域应用,但由于存在电站运行数据量巨大且实时性要求高等问题,深度学习在电站自动控制回路故障检测方面应用较少。针对上述问题,文中提出一种基于聚类和迁移学习的控制回路异常检测方法,运用基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)对控制回路工况进行划分,由变分自编码器长短期记忆网络模型(variational auto encoder-long short term memory networks,VAE-LSTM)对被控参数和设定值的差异提取差值序列的潜在特征、训练源域模型,通过最小化损失函数优化模型参数,运用迁移学习原理,根据目标领域数据训练LSTM网络的特征分布距离,微调VAE-LSTM模型的网络参数,提升故障诊断效率。实验验证结果表明,该方法在各种工况的数据集上都取得了较好的效果,可以实现自动控制回路实时故障诊断。

基于VMD和时空网络变分自编码器的负荷聚类

为了解决用户用电负荷曲线数据维度高、特征提取困难以及序列存在信号模态混叠的问题,提出了使用变分模态分解(variational modal decomposition,VMD)和改进基于时空网络的变分自编码器(variational auto-encoder,VAE)对电力负荷曲线进行特征提取。通过模态分解得到信号的固有模态,对模态重构得到时序特征较明显的序列信号。再通过长短期记忆网络(long short-term memory network,LSTM)和卷积网络(convolutional neural network,CNN)组成的时空变分自编码器进行潜在特征提取,并构建网络分类器来联合损失优化自编码器模型。最后使用Minibatchkmeans算法聚类并计算聚类中心。使用UCI数据集中葡萄牙居民用电量作为实验数据,通过实验结果表明经模态分解后通过降维再聚类的算法在戴维斯丁堡指数(Davies-Bouldin index,DBI)和轮廓系数(silhouette coefficient,SC)上表现出较好效果。

基于动态规整与改进变分自编码器的异常电池在线检测方法

针对电池生产成组过程中,传统异常检测方法对混入的容量及压差异常电池检测精度低及生产结束后离线异常检测方法效率低等问题,该文提出一种集合长短期记忆变分自编码器与动态时间规整评价的锂电池异常在线检测方法(VAE-LSTM-DTW),实现了异常电池的在线检测,避免了离线异常检测所造成的时间和能源的浪费。该方法首先将长短期记忆网络(LSTM)引入变分自编码器(VAE)模型,训练电池时序数据重构模型;其次,在电池异常检测的度量标准中引入动态时间规整值(DTW),并基于贝叶斯寻优获得最优检测阈值,对每个单体电池重构数据的动态规整值进行异常辨别。实验结果表明,相较该领域传统异常检测方法,VAE-LSTM-DTW模型性能优越,查准率和F1值都得到了较大的提升,具有较高的有效性和实用性。

储罐自动化仪表计量误差在线识别方法研究

针对站场油气储罐计量仪表的检测误差,以现场366座储罐正常计量数据为基础,设置0.5%~2.5%的误差率,构建数据驱动方法数据集,综合考虑误报率和窗口大小(25~125),针对7类算法(WIN-G、WIN-M、WIN-L、RuLSIF、KL-CPD、VAE和LSTM-VAE)进行综合性能评价,用现场检测的误差数据和正常数据进行算法验证,结果表明:在窗口大小100的条件下,LSTM-VAE算法性能最佳,正确报警率高于0.95。

基于变分自编码器的谣言立场分类算法

针对当前谣言检测任务中社交媒体推特平台的推文数据分布复杂且不均衡的特点,提出基于变分自编码器(VAE)的谣言立场分类算法VAE-LSTM。对数据进行预处理后,利用word2vec模型提取推文词向量并输入VAE中进行训练,得到符合简单概率分布的深度特征序列再从中采样获取有效特征,以避免数据量较大的推文类别影响特征向量。在此基础上,使用长短时记忆(LSTM)网络处理向量序列数据进而实现分类。理论分析和实验结果表明,VAE-LSTM算法无须手动提取或添加特征,训练过程简单高效,同时能缓解类间不平衡问题,其应用于实际场景准确率和F1得分分别为0.800和0.494,与时序注意力机制算法、Turing算法、霍克斯过程算法等相比分类性能更好,且较SVM等早期机器学习方法节省了大量数据预处理时间。

VAE_LSTM算法在时间序列预测模型中的研究

针对长短期记忆网络(LSTM)算法对时间序列预测存在的不足,考虑到样本序列如果包含线性关系或含有噪音时LSTM算法预测将不准确,同时分析了变分自编码器(VAE)对异常样本修复的原理,提出了一种改进的LSTM时间序列预测算法VAE_LSTM,将VAE网络修复样本的思想加入到传统的LSTM网络,对样本序列进行修复后再输入LSTM神经网络训练,最终建立了时间序列预测模型.阐述了模型建立的方法与步骤,详细分析了模型的原理.使用长江汉口历史水文数据序列进行仿真实验,结果表明:VAE_LSTM算法预测模型在时间序列预测方面有较好表现,满足预测精度要求,比传统LSTM时间序列预测模型的预测准确性高,尤其中短期预测更为准确;对比实验同时表明此模型准确性高于ARIMA,RNN等预测模型.

基于CNN-LSTM-VAE混合模型的储层参数预测方法

利用测井资料预测储层参数是油气田开发的重要内容.针对现有储层参数预测模型精度低,不能很好的提取测井曲线和储层参数之间潜在关系的问题,本文将卷积神经网络(CNN)和长短期记忆网络(LSTM)结合,提出基于变分自编码器(VAE)的CNN-LSTM混合模型.首先,提出了测井数据的分析方法,包括参数相关性分析和井间的相似度分析.其次,利用CNN提取每条测井曲线的空间相关特征向量,并使用LSTM网络提取测井曲线相邻深度之间的时间特征.最后,采用VAE结构,根据训练数据的深层特征再次对CNN-LSTM模型生成的泥质含量初步预测值进行修正.以大庆油田地区某井场数据验证该模型.仿真结果表明:与LSTM神经网络模型、CNN-LSTM网络模型相比,本文CNN-LSTM-VAE模型具有更好的时空特征提取能力,能够更准确地预测储层参数,可为储层参数预测提供新思路.