融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。

t分布与螺旋黏菌搜索的混沌自适应秃鹰搜索算法

针对秃鹰搜索算法搜索精度低、收敛速度慢及易于陷入局部最优的不足,提出t分布与螺旋黏菌搜索的混沌自适应秃鹰搜索算法.首先引入混沌Bernoulli映射进行种群初始化,丰富种群多样性;然后在搜索空间猎物阶段利用螺旋黏菌搜索策略依搜索进程动态修正位置更新方式,提高算法全局搜索能力和收敛精度;在俯冲捕获猎物阶段引入自适应惯性权重策略平衡算法全局搜索与局部开发,提高算法求解精度;最后利用t分布随机扰动策略依概率对种群个体变异,增加算法跳离局部最优、找到全局最优的概率.利用基准函数对算法寻优性能进行实验评估,并引入Wilcoxon秩和检验评估算法搜索性能.结果表明:改进秃鹰搜索算法在寻优精度和收敛速度上都得到了更大提升.

基于改进INFO-Bi-LSTM模型的SO_(2)排放质量浓度预测

针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。

基于改进T分布烟花-粒子群算法的AUV全局路径规划

针对传统粒子群算法在处理自主水下机器人(Autonomous Underwater Vehicle,AUV)全局路径规划时面临的寻优时间长、能耗高的问题,本文提出一种改进的T分布烟花-粒子群算法(T-distribution Fireworks-Particle Swarm Optimization Algorithm,TFWA-PSO),该算法融合了烟花算法的高效全局搜索能力和粒子群算法的快速局部寻优特性.在变异阶段,提出自适应T分布变异来扩大搜索范围,并在理论上证明了该变异方式能够使个体在局部最优解附近增强搜索能力.在选择阶段提出了适应度选择策略,淘汰适应度差的个体,解决了传统烟花算法易丢失优秀个体的问题,并对改进的T分布烟花算法与传统烟花算法的收敛速度进行对比.将改进算法的爆炸操作、变异操作和选择策略融合到粒子群算法中,对粒子群算法的速度更新公式进行了改进,同时从理论上对所改进的算法进行了收敛性证明.仿真实验结果表明,TFWA-PSO能够有效规划出一条最短路径,同时与给定的智能优化算法相比,TFWA-PSO在寻找最优路径的时间上平均降低了24.72%,能耗平均降低了17.33%,路径长度平均降低了16.96%.

基于量子衍生涡流算法和T⁃S模糊推理模型的储层岩性识别

鉴于梯度下降法易陷入局部极值、普通群智能优化算法易早熟收敛,提出一种基于量子衍生涡流算法(Quantum Vortex Search Algorithm,QVSA)和T⁃S模糊推理模型的岩性识别方法,QVSA具有操作简单、收敛速度快、寻优能力强等优点,有助于T⁃S模糊推理模型获得最优参数配置,从而实现储层岩性的准确识别。首先利用具有全局搜索能力的QVSA优化T⁃S模糊推理模型的各种参数;然后利用主成分分析方法降低获取的地震属性维度;再利用优化的T⁃S模糊推理模型识别储层岩性。实验结果表明,利用反映储层特征的8个地震属性识别储层岩性时,所提方法的识别正确率达到92%,比普通BP网络方法高5.1%,同时查准率、查全率、F1分数等指标也较BP网络方法提升明显。

25轮T-TWINE-128的中间相遇攻击

T-TWINE-128是基于广义Feistel结构的轻量级可调分组密码,密钥长度为128比特,加密的数据块大小为64比特.由于轻量级分组密码在设计时为了追求更高的软硬件实现效率,往往会牺牲部分安全性,因此必须评估其安全强度.本文通过计算机编程得到了T-TWINE-128的轮密钥的一些线性关系,再结合调柄值生成算法的特性,利用区分器自动搜索算法,搜索出11轮T-TWINE-128的中间相遇攻击区分器,在此区分器前面接5轮,后面接9轮,形成25轮T-TWINE-128的中间相遇攻击路径,整个攻击过程共耗时652.39ms,攻击需要数据、时间和存储复杂度分别为256个选择明文、2126.41次加密、265个64比特块;最后搜索密钥编排算法的冗余性发现T-TWINE-128很难进行更高轮中间相遇攻击.

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

基于改进SCSO算法的光伏MPPT研究

在解决光伏阵列在局部遮挡时发电效率降低的问题时,传统最大功率点追踪(MPPT)方法容易追踪失败。为此,提出一种改进沙猫群优化算法的最大功率点追踪方法。该算法在标准沙猫群算法的基础上,引入了精英反向学习和自适应t分布,同时优化沙猫群算法(SCSO)的局部搜索并融合Jaya算法。通过对4种典型单峰、多峰函数的测试,证明该算法具有极高的收敛速度,容易跳出局部最优值。将算法应用于MPPT控制中,仿真结果表明:在静态遮荫情况下,所提方法的搜索最大功率点的时间更少;在动态遮荫条件下,重新搜寻到最大功率点的响应时间平均为0.2 s。实验表明所提算法可以适应动态变化的天气,解决了传统算法收敛速度和防止陷入局部最优等问题。

融合T-分布小波变异的混沌鲸鱼优化算法

针对鲸鱼优化算法难以跳出局部最优导致收敛精度不足的问题,提出一种融合了T-分布小波变异和多项式差分学习策略的鲸鱼优化算法.该算法首先引入Circle混沌扩大搜索范围,提高收敛速度;然后采用T-分布小波变异策略平衡全局和局部搜索能力;最后采用多项式差分学习策略改进算法的优化精度.对3种改进策略作单一引入的仿真对比分析,并将改进的鲸鱼优化算法在12个可变维度的基准测试函数上进行仿真,对本文改进的鲸鱼优化算法与其他改进策略的鲸鱼优化算法以及其他几种智能算法进行比较.结果表明,基于T-分布小波变异和多项式差分学习策略的改进鲸鱼优化算法具有较好的稳定性,收敛速度和精度更好.

基于人工神经网络的PV/T热电联供系统性能预测

为研究太阳能PV/T热电联供系统的性能和针对太阳能PV/T系统复杂的能量平衡方程,搭建了太阳能PV/T系统试验台,同时建立了基于改进灰狼优化的BP神经网络(back propagation neural network model based on improved grey wolf algorithm,IGWO-BP)预测模型,在晴朗天气下进行试验,并采用该模型对系统电功率以及蓄热水箱内水温进行预测。结果显示,晴朗日系统的电效率8.7%~12.2%、热效率51.7%;预测结果与BP神经网络预测模型、基于粒子群优化的BP神经网络(back propagation neural network based on particle swarm optimization,PSO-BP)预测模型和卷积神经网络(convolutional neural network,CNN)预测模型预测结果进行比较,结果显示IGWO-BP预测模型电效率预测模型的绝对百分比误差(mean absolute percentage error,MAPE)、决定系数(determination coefficient,R^(2))、均方根误差(root mean square error,RMSE)、效率因子(efficient factor,EF)和Pearson相关系数(pearson related coefficient,r)分别为4.5E-05、0.99、0.24、0.99和1.00,在储热罐温度预测中,上述指标分别为8.90E-04、0.98、0.07、0.98、0.99,均优于其他预测模型,IGWO-BP神经网络预测模型具有更好的预测性能。研究结果可为太阳能PV/T热电联供系统性能预测与优化控制提供参考。

基于T值映射的双能X射线透射识别矿石算法与分选技术研究

将与矿石原子序数相关的R值图像映射方法运用在矿物识别中能够较准确的识别矿石,但是由于R值的推导直接忽略了矿石厚度的影响,这必然会导致R值识别结果受厚度的影响较大,所以由R值算法为基础的图像映射方法必然存在一定的缺陷。而与矿石厚度及密度相关的T值算法保留了厚度和密度两个重要参数,因此使用T值识别算法得到的图像信息量将会更多。使用T值图像映射方法对采集到的双能X射线透射矿石的图像进行验证。首先,对铝和铜试件进行T值与R值曲线拟合识别算法的优劣对比,经过试验可知,R值曲线拟合的相关系数分别为0.900 24和0.880 31,而T值曲线拟合的相关系数则分别达到了0.998 4和0.991 16,因此可得出T值识别算法相对减小了厚度对物质识别的影响且T值算法相比R值算法更优。本文在此研究的基础上提出一种基于T值的图像映射方法。该方法首先利用灰度值来代替信号强度值计算出T值,得到由T值作为等大小的灰度图像,然后再先后使用数学形态学图像处理以及中值滤波技术对图像进行清晰化处理,最后使用RGB伪彩色处理得到最终的图像。经过试验对比可知,T值图像映射方法相较于R值图像映射方法不仅在运行速度上得到了提高,而且在图像清晰度以及矿石识别的准确率上都得到了较好的提升。

应用PSO-RBF神经网络预测太阳能PV/T系统的热、电性能

为准确预测太阳能光伏光热(Solar Photovoltaic/Thermal,PV/T)系统的热、电性能,文章利用PSO(Particle Swarm Optimization)算法优化了RBF(Radial Basis Function)神经网络,并基于此方法建立了太阳能PV/T系统性能的仿真预测模型,与基于未优化RBF神经网络建立的预测模型进行了对比分析。同时,搭建了太阳能PV/T实验平台,通过云平台采集实验数据用于上述模型。研究结果表明:使用PSO算法优化后的RBF神经网络模型相较于未优化模型预测精度提高了20%,预测稳定性提高了30%,拟合优度R值有所提升。基于PSO-RBF神经网络建立的预测模型可精确预测太阳能PV/T系统的热、电性能。

基于厚尾双学生氏t分布的非线性状态空间系统鲁棒辨识方法

状态空间模型作为一种常见且重要的模型结构在自动化领域有着广泛的应用,本文针对异常值干扰下的非线性状态空间系统辨识问题开展研究.与现有的辨识方法不同,本文充分考虑了状态转移过程和输出量测过程均受到异常值干扰的情况,提出了一种更加全面的鲁棒辨识算法.首先利用两个相互独立的学生氏t分布分别对状态噪声和输出噪声进行建模以保障算法的鲁棒性;其次利用粒子平滑算法估计状态变量的后验概率分布以解决状态未知问题;最后利用期望最大化算法实现未知参数估计.在算法实现过程中使用了学生氏t分布表达式的数学分解,这样做的好处是:(1)更加有利于算法的推导和实现;(2)更清晰地解释了算法的鲁棒性能.并且本文通过数值算例和应用算例验证了该方法的有效性.

基于多目标分析的F-T柴油机SOOT和NO_(X)排放物优化研究

为充分发挥F-T煤制油的优良理化特性,改善柴油机SOOT和NO_(X)之间的“Trade-off”关系,以一台四缸柴油机为研究对象,将SOOT和NO_(X)作为优化目标。通过台架试验获得柴油机燃用F-T煤制油时SOOT和NO_(X)随喷油参数变化的性能试验数据,采用支持向量机SVM建立喷油参数与SOOT、NO_(X)间的预测模型,并将其作为带精英策略的非支配排序遗传算法的适应度评价模型,在样本空间内获得SOOT和NO_(X)的Pareto前沿。赋予SOOT和NO_(X)不同的权重,通过Topsis对Pareto前沿进行决策分析,与原机工况点相比,SOOT下降幅度为3.7%~7.1%,NO_(X)下降幅度为1.2%~2.6%。经试验验证,SOOT的Pareto前沿与试验验证值之间的相对误差不超过8%,NO_(X)不超过5%,各工况下的R2均大于0.95。该方法改善了柴油机SOOT和NO_(X)之间的“Trade-off”关系,使柴油机排放性能得到提高。

基于t-SNE的多参数岩体结构面分步聚类方法

结构面聚类是进行岩体稳定性评价的重要步骤。常用聚类方法多以产状作为分组依据,忽略了结构面物理特性指标对岩体稳定性的影响。针对分组依据单一化的不足,综合考虑结构面倾向、倾角、迹长、张开度、填充状态和粗糙度的影响,提出一种基于学生分布随机邻近嵌入(student-distributed stochastic neighbor embedding,简称t-SNE)的多参数岩体结构面分步聚类方法。首先,利用t-SNE算法对除产状外的结构面特征进行数据降维;进而利用模拟退火算法搜索K-means算法的全局最优初始值,并采用分步聚类思想完成聚类。研究表明:所提方法有效地解决了高维空间样本稀疏的问题,同时保留了数据的局部结构与全局结构。新方法相比于传统方法能对空间分布相似区内结构面的物理特性进行精确划分,分组精度更高,且在避免复杂权重值计算的条件下,能有效区分产状与物理特性参数对岩体稳定性的影响差异。最后,将所提方法应用于中国新疆某露天矿坡结构面实测数据分析中,所得分组结果合理可靠,进一步证明该方法在实际工程中的有效性。研究方法可为多参数岩体结构面的分步聚类提供参考。

基于Circle映射和自适应t分布变异改进的鹈鹕优化算法

针对传统鹈鹕优化算法(POA)存在收敛速度慢、易陷入局部最优解等缺陷,提出一种基于Circle映射初始化和自适应t分布变异的改进的鹈鹕优化算法(IPOA)。首先,在种群初始化阶段,采用Circle映射生成具有高度多样性的初始解,并结合反向学习策略,提高种群多样性,增强种群的探索能力。其次,在迭代过程中,采用自适应t分布变异操作对个体进行扰动,有助于鹈鹕优化算法跳出局部最优解并提高收敛速度。另外,在鹈鹕优化算法的探索阶段引入自适应因子和改进惯性权重,更好地平衡算法全局探索能力和局部开发能力。最后,在多个测试函数上将IPOA与其他4种经典算法进行比较。实验结果表明,IPOA在收敛速度、全局搜索能力和收敛鲁棒性方面均有显著提升。

基于T-分布扰动的自适应鲸鱼算法

针对鲸鱼算法存在初始种群多样性差、迭代中后期种群呈趋同化易陷入局部最优解的问题,提出一种基于T-分布扰动的自适应鲸鱼算法(CWOA),通过Tent混沌映射优化初始种群使搜索范围具有遍历性,引入正弦变化因子平衡算法全局搜索与局部开发能力以提高算法的搜索精度,通过T-分布函数对趋同种群进行扰动提高算法跳出局部最优解的能力。实验表明,CWOA算法与传统鲸鱼算法与其他经典算法相比具有更高的寻优精度,能更快地跳出局部最优解。

制冷站系统负荷和能效比改进T-S模糊模型构建

制冷站具有非线性、强耦合等特点,导致传统机理的建模面临困难。为实现系统节能优化控制,并改善模型在线修正和移植性能,提出一种基于改进Takagi-Sugeno(T-S)模糊模型的制冷站负荷和能效比动态建模方法,前件结构辨识设计改进天牛须搜索算法,以改善模糊C-均值聚类方法对初值敏感和易陷入局部最优的问题;为实现非线性模型辨识,并降低现场测试数据噪声的影响,设计自适应扩展卡尔曼滤波算法实现模型后件参数辨识和在线修正。实验结果表明,所建立的负荷和能效比预测模型在广州某建筑上运行时,相对误差分别为0.63%和1.49%;使用广州市另一座建筑的数据进行模型可移植性验证,经过500步在线训练,新模型成功收敛,证明所构建模型具备良好的可移植性和适应性。

融合自适应t分布和随机游走策略的松鼠优化算法的研究

针对松鼠优化算法在后期寻优能力不足、容易陷入局部最优以及种群多样性损失较大的问题,提出了一种融合自适应t分布和随机游走策略的松鼠优化算法(TRWSSA)。该算法利用折射反向学习策略进行种群初始化,增强了种群的整体多样性;引入非线性搜索因子并且在每一次松鼠位置更新中加入自适应t分布扰动位置,减少算法陷入局部最优的概率,增强全局寻优能力;在最后的位置更新中加入随机游走策略对最优松鼠位置进行扰动更新,提高算法后期的收敛精度和速度。通过在8个基准函数上的仿真实验,对比其他智能算法以及改进算法,实验结果和分析表明TRWSSA在收敛速度、收敛精度上有明显提升,且能较好地解决寻优不足问题。

基于T-GCN的4G/5G基站节能减排智能决策系统

随着4G/5G移动互联网的快速发展,为了满足不断增长的流量需求并提升蜂窝网络的覆盖率,基站的流量负荷呈爆炸式增长。在全球能源短缺的背景下,要实现碳达峰、碳中和的目标,在不降低用户通信质量的前提下,如何对基站进行精准开关控制,使其能耗减小到最低是一个重要问题。为此,在栅格模型和基站能耗计算模型的基础上,提出了一种基于时间图卷积网络(Temporal-Graph Convolutional Network, T-GCN)预测和自设计启发式算法关断决策的基站智能决策系统,实现了基站的智能开启和关闭。同时保证符合实际约束,从而得以提高网络资源管理的效率并优化网络能耗性能。通过仿真实验,流量预测效果良好,在一定范围内得到了理想的基站开关决策结果。