Multi-mode process monitoring based on a novel weighted local standardization strategy and support vector data description

There are multiple operating modes in the real industrial process, and the collected data follow the complex multimodal distribution, so most traditional process monitoring methods are no longer applicable because their presumptions are that sampled-data should obey the single Gaussian distribution or non-Gaussian distribution. In order to solve these problems, a novel weighted local standardization(WLS) strategy is proposed to standardize the multimodal data, which can eliminate the multi-mode characteristics of the collected data, and normalize them into unimodal data distribution. After detailed analysis of the raised data preprocessing strategy, a new algorithm using WLS strategy with support vector data description(SVDD) is put forward to apply for multi-mode monitoring process. Unlike the strategy of building multiple local models, the developed method only contains a model without the prior knowledge of multi-mode process. To demonstrate the proposed method's validity, it is applied to a numerical example and a Tennessee Eastman(TE) process. Finally, the simulation results show that the WLS strategy is very effective to standardize multimodal data, and the WLS-SVDD monitoring method has great advantages over the traditional SVDD and PCA combined with a local standardization strategy(LNS-PCA) in multi-mode process monitoring.

Multimode Process Monitoring Based on the Density-Based Support Vector Data Description

Complex industry processes often need multiple operation modes to meet the change of production conditions. In the same mode,there are discrete samples belonging to this mode. Therefore,it is important to consider the samples which are sparse in the mode.To solve this issue,a new approach called density-based support vector data description( DBSVDD) is proposed. In this article,an algorithm using Gaussian mixture model( GMM) with the DBSVDD technique is proposed for process monitoring. The GMM method is used to obtain the center of each mode and determine the number of the modes. Considering the complexity of the data distribution and discrete samples in monitoring process,the DBSVDD is utilized for process monitoring. Finally,the validity and effectiveness of the DBSVDD method are illustrated through the Tennessee Eastman( TE) process.

面向电力设备异常检测的深度自编码支持向量数据描述模型研究

针对深度自编码支持向量数据描述模型对电力设备部分异常区分能力不足的问题,提出自监督混合专家增强的深度自编码支持向量数据描述模型,构造多种自监督变换数据集模拟潜在未知异常,引入自监督分类和掩码重构任务以学习更具区分性的表示。此外,将编码器部分改造为混合专家模型结构,将数据分配给不同专家子模块进行专业化的学习,使异常决策边界更清晰。在4个公开数据集和3个电厂设备数据集上的实验结果证实了自监督学习和混合专家模型的有效性。

基于混合高斯先验变分自编码器的深度多球支持向量数据描述

随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。

基于多核学习的单分类多示例学习算法

将多核学习引入到单分类多示例学习中,提出了一种基于多核学习的单分类多示例支持向量数据描述算法,解决了多核学习方法在实际应用中多示例数据具有比较复杂分布结构的学习问题。本文算法是将多个示例数据通过多个不同的核函数多核映射到特征空间,在特征空间中通过支持向量数据描述算法构建球形分类器。该算法采用迭代优化框架,首先,根据初始化包中的正示例来优化目标函数以此建立分类器。然后,根据上一步得到的分类器再对包中的正示例的标签进行更新。最后,在Corel、VOC 2007和Messidor数据集上的实验结果表明,所提出的算法比单核多示例方法具有更好的性能,进一步验证了算法的可行性和有效性。

轨道交通户外站台门与列车间隙背景灯带图像分割算法研究

轨道交通在发车前需要清空站台与列车间隙,否则异物入侵会对乘客与列车运行造成安全隐患,基于背景灯带的异物入侵检测需要对灯带在图像中进行图像分割、提取、识别。针对在户外站台场景下,复杂背景和日光等因素为背景灯带提取带来困难的问题,提出一种无监督的图像分割算法。首先通过卷积神经网络进行特征提取,然后将特征图输入到后续分类器中对所有像素进行类别输出。在训练过程中,使用的损失函数从三方面进行设计:考虑特征相似度和空间连续约束、基于深度支持向量描述以及基于几何与光度增强。算法能够实现单样本无监督对神经网络参数进行调优。通过对某城轨站台真实数据采集及实验结果表明,本文提出的方法在与训练样本不同光照条件、拍摄角度条件下,对背景灯带进行分割的F1分数为78.47%;在性能优于其他方法的同时,耗时最多能减少97.1%;算法为基于背景灯带的异物检测方案提供一种行之有效的图像分割方法,为后续的异物自动检测提供基础。

A Dual-Task Learning Approach for Bearing Anomaly Detection and State Evaluation of Safe Region

Predictive maintenance has emerged as an effective tool for curbing maintenance costs,yet prevailing research predominantly concentrates on the abnormal phases.Within the ostensibly stable healthy phase,the reliance on anomaly detection to preempt equipment malfunctions faces the challenge of sudden anomaly discernment.To address this challenge,this paper proposes a dual-task learning approach for bearing anomaly detection and state evaluation of safe regions.The proposed method transforms the execution of the two tasks into an optimization issue of the hypersphere center.By leveraging the monotonicity and distinguishability pertinent to the tasks as the foundation for optimization,it reconstructs the SVDD model to ensure equilibrium in the model’s performance across the two tasks.Subsequent experiments verify the proposed method’s effectiveness,which is interpreted from the perspectives of parameter adjustment and enveloping trade-offs.In the meantime,experimental results also show two deficiencies in anomaly detection accuracy and state evaluation metrics.Their theoretical analysis inspires us to focus on feature extraction and data collection to achieve improvements.The proposed method lays the foundation for realizing predictive maintenance in a healthy stage by improving condition awareness in safe regions.

基于SVDD和改进K-Means的变压器故障诊断模型

变压器状态对于智能配电房的安全稳定运行具有重要意义。为实现对变压器故障的准确诊断,在变压器油中溶解气体分析(DGA)的基础上,提出了一种联合使用支持向量数据描述(SVDD)和改进K-Means聚类的变压器故障诊断方法。首先利用SVDD构造闭合分类曲面实现“正常”和“故障”两类判断,然后对“故障”类样本进行K-Means聚类分析,自动将其划分为低能放电、中低温过热、高能放电、高温过热和局部放电5种故障类型,同时针对K-Means初始聚类中心选取难题,提出局部密度概念自动确定K-Means初始聚类中心,提升聚类性能。最后利用变压器故障真实数据开展实验,结果表明,相较于支持向量机(SVM)和BP神经网络模型,所提方法的故障诊断准确率分别提升9.8%和8%。

基于MKMCC-DSVDD的航空发动机异常检测方法

为解决传统航空发动机异常检测方法准确率和泛化性能较低的问题,提出一种混合核最大相关熵的深度支持向量数据描述(mixed kernel maximum correntropy criterion-deep support vector data description,MKMCC-DSVDD)方法。首先,采用合成少数类过采样技术扩充异常样本规模,提高对非均衡样本的泛化性能;其次,建立基于混合核改进的最大相关熵损失函数,可以在无须数据分布假设的前提下提升准确率;最后,构建基于MKMCC-DSVDD的航空发动机异常检测方法。在航空发动机气路系统和滑油系统异常检测实验中,所提方法平均曲线下的面积(area under curve,AUC)达到98.53%,表明其具有较高的实用性和泛化性能。

基于图滤波器和SVDD算法的分布式光伏集群发电异常检测研究

由于电网企业不断加快数字化转型,利用北斗定位技术将自动获取区域内光伏计量装置经纬度这一关键技术参数。文章充分利用分布式光伏集群内光伏发电装机位置空间相关性,提出一种在弱监督下基于图滤波与支持向量数据描述(support vector data description,SVDD)的分布式光伏集群发电异常检测方法。首先建立分布式光伏集群发电图数据结构模型,通过加权邻接矩阵描述分布式光伏发电点空间耦合性,其次构造图高通滤波器将时域参数转化为频域参数,然后通过SVDD算法优化图滤波结果,进一步挖掘图高通滤波器阈值与输出功率数据之间的关系。结果表明,采用图滤波器和SVDD算法模型方法在分布式光伏发电异常检测精度上有显著提高。

基于风电机组叶片哨声异响声学检测方法

针对风电机组叶片排水孔堵塞或被雷击穿孔等问题,提出一种非接触式的声学检测方法。该方法首先对采集到的信号转化为时频图,利用中值滤波和自适应阈值的方法将时频图二值化,根据二值化时频图中哨音轮廓特点,提取轮廓信号时域和频域等9个参数作为特征向量,提出了动态半径的支持向量数据描述异常检测模型(dynamic radius support vector data description,DR-SVDD)。将DR-SVDD和SVDD的异常检测模型用于风机叶片哨声诊断,验证了该方法的有效性。

利用跟踪轨迹特征和SVDD-SVM联合分类器的水下慢速小目标分类方法

针对蛙人、无人水下航行器(UUV)等慢速小目标分类识别所面临的小样本、类不平衡问题,提出了利用轨迹特征、支持向量数据描述(SVDD)与支持向量机(SVM)的联合分类方法。该方法将水下慢速小目标类型简化为蛙人、UUV、其他3类,利用跟踪轨迹特征设计多维特征量,构建SVDD-SVM联合分类器获得分类结果。具体为,针对小样本问题,采用参数维度小、训练数据量要求低的SVDD、SVM作为分类器的基本单元。针对类不平衡问题,使用2个并联的单分类SVDD和1个与两者串联的二分类SVM设计联合分类器,同时为联合分类器的输出设计投票机制保证分类结果的稳健性。实测数据处理结果表明,所提SVDD-SVM联合分类器对蛙人目标的平均召回率可达86%,平均精确率可达87%;对UUV目标的平均召回率可达85%,平均精确率可达86%。所提方法在小样本、类不平衡条件下具有优于传统方法的分类准确性和稳健性。

面向ICS不平衡数据的重叠区混合采样方法

工业控制系统异常检测面临着数据不平衡问题,其中,不平衡数据存在的类重叠现象加剧了分类器的检测难度。基于数据类别平衡或数据重叠检测的应对策略较常被采用,但这些策略方法存在着模型稳定性差或重叠识别率低等问题。对此,提出了一种面向重叠区域的混合采样方法:OverlapRHS。该方法利用支持向量数据描述分别在多数类和少数类样本上构建重叠检测模型,并通过将合成少数类与邻域清洗进行组合,对重叠数据区域内的样本施以混合采样。最后该方法与4种经典分类器结合,在4个公开的不平衡数据集上进行了测试,并与其他4种处理不平衡问题的采样方法进行了比较。实验结果表明,所提方法能够有效检测出不平衡数据集中的重叠数据,并通过高效且针对性强的数据混合采样改善了分类器的训练效果,提高了分类器对不平衡数据的异常检测性能,展现了较之于其他采样方法在不平衡数据处理上的显著优势。

基于DK-SVDD的轮毂电机轴承状态识别方法

为了进一步提高电动汽车轮毂电机轴承状态识别技术的高效可靠性,提出一种基于双核支持向量数据描述(double kernel based support vector data description,简称DK-SVDD)的轮毂电机轴承状态识别方法。首先,针对轮毂电机轴承样本数据结构混杂致使SVDD识别率较低问题,通过一定的比例权重将径向基(radial basis function,简称RBF)核函数和高斯差分(difference of Gaussians,简称DOG)核函数结合构建DK核函数;其次,根据最优二叉树原理逐层设计状态识别分类器,并搭建DK-SVDD轮毂电机轴承状态识别模型,同时使用粒子群优化算法对模型参数寻优以提高DK-SVDD的学习能力和泛化能力;最后,基于轮毂电机轴承台架试验数据,验证所提方法的有效性和优越性。结果表明:针对轮毂电机轴承目标状态识别,DK-SVDD方法平均训练时间为0.0655 s,平均状态识别率为97.06%;与采用RBF或DOG核函数相比,DK-SVDD方法在多种工况下可以有效提高状态识别率并降低训练时间。

基于支持向量数据描述的往复式注水泵健康度评价方法

往复式注水泵作为油田注水作业的关键装备,由于恶劣的工作环境,易导致轴瓦、缸体和电机等部件故障,对其进行健康监测及健康度评价,以及时发现异常状态,保障安全可靠的注水作业十分必要。本文提出了一种基于支持向量数据描述的往复式注水泵健康度量化评价方法。首先,考虑到注水泵振动信号非线性、非平稳的特点,在有限条件下提取注水泵振动信号中的特征信息。针对注水泵核心部件多且间距小的问题分析振动信号的测点位置,以搭建数据采集系统。针对振动信号频率成分复杂的特点,利用变分模态分解提取振动数据的变分模态分量,在所有模态分量排列熵的基础上构建高维多域特征集,以描述注水泵的健康状态。其次,针对注水泵实际采集数据过程中,大多数设备处于健康工作状态,故障数据较少,容易造成样本不均衡的问题,利用单值分类方法支持向量数据描述在单值分类问题上的优势,仅使用健康状态运行下注水泵数据样本的特征向量进行支持向量数据描述的超球体模型构建,并引入粒子群优化算法对模型参数进行优化;通过计算注水泵不同健康状态的数据到超球体球心的距离,参考隶属度函数进行公式拟合,实现注水泵的健康度定量评价。最终,为验证该评价方法的适用性,对长庆油田现场注水泵的振动数据进行健康度评价计算,粒子群优化后模型准确率能达到95%,本文所提出的方法具有较好的准确性。

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群(PSO)优化变分模态分解(VMD),结合支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。

利用证据理论的多分类支持向量数据描述算法

针对原始多分类支持向量数据描述(SVDD)算法及其拓展算法忽略超球体之间的差异,且未能充分利用超球体的输出信息等问题,提出一种利用证据理论的多分类支持向量数据描述(证据SVDD多分类)算法。首先,为每一类样本训练一个超球体,并计算每个超球体的正确率与紧密程度;接着使用上一步得到的正确率与紧密程度计算每个超球体的可靠程度;然后,根据超球体的输出信息与可靠程度计算样本的信度函数,信度函数的生成方式采用三焦元法和基于评价矩阵的方法;最后,根据Dempster组合规则融合上一步得到的信度函数,使用Pignistic法将融合后的信度函数转换为概率做出最终的判决。在两个人工数据集和多个UCI数据集上进行实验,结果表明,证据SVDD多分类算法相较传统算法可以获得更好的分类性能;在多个数据集上的仿真结果表明,证据SVDD多分类算法比传统的SVDD多分类算法有3%的精度提升。

结合VMD符号熵与SVDD的滚动轴承性能退化评估

针对滚动轴承的早期故障难以检测的问题,提出了一种基于变模态分解(Variable mode decomposition,VMD)符号熵和支持向量数据描述(Support vector data description,SVDD)的滚动轴承性能退化评估模型。首先对振动信号进行VMD分解并提取各个分量符号熵,并采用双样本Z值对各个分量符号熵进行评价,选取双样本Z值最大的特征作为特征向量。特征提取完毕后,采用SVDD模型进行性能退化评估,使用全寿命数据进行模型的验证。实验结果表明,相比于排列熵特征提取方法以及模糊C均值聚类(Fuzzy c-means clustering,FCM)方法,该模型可以更好显示出滚动轴承性能退化规律。

采用单分类方法的行星滚柱丝杠故障检测

针对行星滚柱丝杠(planetary roller screw mechanism,PRSM)在实际应用中故障机理不明和故障种类少,难以有效进行故障决策这一现存问题,提出采用单分类模型——深度支持向量数据描述(deep support vector data description,deep SVDD)进行故障检测,判断PRSM是否处于正常状态。首先,在PRSM试验台上采集正常状态、润滑失效和滚柱一侧断齿3种状态的振动信号;其次,对数据进行归一化并通过窗口裁剪的方式进行数据增强,以扩充样本数量;然后,通过小波包变换对信号进行分解,以初步提取数据的特征;最后,利用deep SVDD实现PRSM故障检测,同时与单分类支持向量机(one-class support vector machine,OCSVM)和支持向量数据描述(support vector data description,SVDD)方法进行对比,结果表明,deep SVDD具有更好的分类能力和较高的训练效率,较为适合实现PRSM故障检测。

用于铸造生产过程异常检测的加权超球核主元分析

针对铸造过程数据维度高、非线性和非高斯性的特点,导致主元分析法存在易漏检、检测效率低等问题,提出了加权超球核主元分析的生产过程异常检测方法。首先使用指数加权移动平均对数据平滑处理,然后通过核主元分析法对数据核映射获得主元空间和残差空间,最后将两个子空间信息分别输入到样本加权的支持向量数据描述建立统计模型,并利用建立的模型对数据进行异常检测。使用田纳西-伊斯曼过程数据和铸造的砂处理过程数据进行验证,结果表明该方法比主元分析法具有更高的检测率。