应用深度自编码网络和XGBoost的风电机组发电机故障诊断

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。     

基于自适应SA-PSO改进的XGBoost气温预测方法

提出了一种SA-PSO-XGBoost预测模型，基于2016年1月1日~2017年12月31日的ECMWF气象数据，用于预测南京地区6 h后的气温。将气象数据分为训练集和测试集，使用PCA降维方法对气象数据特征进行压缩降维，然后应用模拟退火和粒子群优化混合算法对XGBoost模型的超参数进行优化，并将测试集数据带入到SA-PSO-XGBoost、XGBoost、GRU和LSTM神经网络进行对比分析，实验结果表明：SA-PSO-XGBoost预测6 h后的温度模型有更高的准确性和鲁棒性。     

一种基于XGBoost算法的月度负荷预测方法

为向大工业提供更为精确的月度负荷预测,提出将XGBoost(极端梯度上升)算法引入电网负荷预测,对负荷及相关影响因素指标进行异常识别填补、指标转换、独热编码等数据预处理工作;结合关联分析,对相关影响因素指标进行筛选;最后采用XGBoost算法进行月度负荷建模预测。结合实例,对比XGBoost与支持向量机、神经网络模型算法在大工业用户近几年历史月度负荷数据建模预测中的应用,发现XGBoost模型应用效果较佳,具有一定的实用性。     

基于改进XGBoost模型的低误报率窃电检测方法

以降低窃电检测误报率为目标,提出一种基于贝叶斯优化和改进XGBoost模型的窃电检测方法。首先根据用电信息采集系统和营销系统数据构建了窃电检测指标,然后采用XGBoost模型作为分类器,添加Focal Loss和增加分类阈值的方式用于优化模型。在此基础上,以验证集的马修相关系数为目标函数,利用贝叶斯优化调参求出最优Focal Loss参数和分类阈值,进一步降低检测方法误判率。基于实际电力用户数据进行数值仿真,结果表明所提方法比Adaboost、BP神经网络、SVM具有更高的准确率。     

基于KNN和XGBoost的室内指纹定位算法

针对KNN算法定位精度有待提高以及定位稳定性较差的问题，本文提出了一种基于KNN算法和XGBoost算法的室内指纹定位算法。该算法首先将样本集划分为训练集和测试集，将训练集中AP的RSSI数据作为特征，坐标作为标签，使用XGBoost算法进行建模。其次，融合KNN模型，将KNN算法寻找到的近邻集合引入XGBoost模型中，再结合单独XGBoost算法的预测结果，以实现坐标定位。最后，在实际环境下研究了算法的K值、回归树数量、决策树深度和学习率对误差的影响，确定算法的相关参数。通过搭建的实际实验环境进行了测试，实验结果表明，本文提出算法的平均定位误差为1.55 m,较于KNN算法和XGBoost算法分别减少了24.76%和11.93%,并且累积分布函数曲线的收敛速度更快，具有较好的定位性能。     

基于RF-LightGBM算法在风机叶片开裂故障预测中的应用

针对SCADA系统采集的数据繁杂,难以从原始数据判别工作中风机叶片开裂状态的问题,提出了一种对风机叶片状态进行分类预测的随机森林(RF)算法与LightGBM算法结合的模型。首先对SCADA数据进行预处理,特征变换,采用RF算法对特征进行重要性排序;然后利用清洗后的数据训练该分类预测模型,利用K折交叉验证法对模型进行验证调优;最后用测试数据集对叶片状态进行预测,依靠F1-score指标对模型性能进行评价。实验结果表明,数据处理后,模型性能明显提高,较XGBoost与GBDT算法分别提高了11%、16%,与传统的叶片状态识别方法相比,该算法能够更加快速精准的在线预测出风机叶片开裂状态,为风电场对风机叶片状态监测检修提供更可靠的参考依据。     

基于惯性传感器的HAR数据采集系统设计

目前针对人体活动识别的数据采集硬件系统研究有限,且存在可参考的数据集单一和泛化性能较低的问题。本文设计一个低功耗、支持数据实时传输、模块化的数据采集系统,并提出一种具有随机性和交叉性的数据采集方法。首先搭建低功耗采集平台进行数据的采集、无线收发和预处理;其次制定全面且精确的采集方案,提高数据集的丰富度;最后用2D-CNN神经网络对不同模式下采集到的数据集进行模型训练。实验结果表明,该采集系统结构合理,具备低功耗特性,能够确保数据传输具备实时性能;该采集系统的应用极大地提高了数据集的质量;获得的数据集在深度学习模型上的准确率可达92.54%;相较于传统数据集,新数据集在人体活动识别任务中表现出更为显著的效果,该采集系统和数据集的开发为神经网络应用提供便利。     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

基于无人船视觉的水域人员类别识别算法

针对水域环境下人员识别,提出了一种基于水面无人船(unmanned surface ship,USV)视觉传感器的水域人员类别识别 算法。 依照数据采集与模型更新流程,将采集到的视频数据进行数据清洗与标记后,创建人员类别数据集 39 959 张图片,7 个 类别;实践了基于深度学习方法下主流目标检测网络 YOLO v5,并针对水域环境场景特点,提出基于 YOLO v5 的人员类别识别 算法;将人员类别识别算法部署到边缘计算平台,实现算法在无人船上的实时应用。 算法在人员类别识别数据集上达到了平均 精度 86%,在无人船实测中实现了每秒处理 38 帧的人员类别识别实时性表现。     

基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计

为了准确估计锂离子电池的健康状态（SOH）,提出了一种基于粒子群算法与极限梯度提升算法相结合的方法。首先利用主成分分析法（PCA）对电池数据进行预处理,提取并组成最佳健康因子数据组;在此数据的基础上,运用XGBoost算法建立锂离子电池退化过程模型,利用同类已有电池历史数据进行训练,通过粒子群算法优化XGBoost算法中五个主要参数,构建基于PSO-XGBoost的SOH预测模型;最后采用美国国家航空航天局电池数据集进行分析验证,并与现有的预测方法对比。结果表明,该方法平均绝对误差为0.003 922、均方根误差为0.005 553、最大误差为0.021 84,具有较高的预测精度。     

人体步态数据测量系统的设计与实现

下肢外骨骼机器人和下肢康复机器人是当前的研究热点,人体运动的步态数据对其完成步态识别与控制有重要意义.为了获取人体行走过程中的步态信息,本文设计并实现了一套测量足底压力与关节角度数据的数据采集系统.该系统包含微处理器、足底压力传感器、角度传感器、信号调理模块以及数据存储模块,能实现步态数据的自动解算、采集和存储.利用该系统成功采集了不同实验对象在不同速率下足底压力数据和关节的角度数据,结果显示出一定的步态特性,为进一步的步态分析与识别提供参考.     

结合残差网络与多级分块结构的步态识别方法

针对步态识别中由于衣着与背包的遮挡造成不能提取有鉴别性的步态特征,从而导致识别准确率不高的问题,提出一 种结合残差网络和多级分块结构的步态识别方法。 首先在水平方向上对步态能量图进行不同尺度的多级分块,以提取不同区 域的细粒度特征,减少局部遮挡对于其他区域的影响,同时为了更好地学习在步态中运动频率最高区域的特征,在腿部加入 Inception 模块;其次为了提升网络模型的识别精度,结合交叉熵损失、三元组损失、L2 正则化对残差网络的权值进行约束。 最 后在公开的步态数据集 CASIA-B 和 OU-ISIR Treadmill B 上进行实验,在携带背包或不同衣着条件下的识别率分别达到了 87. 5%、82. 6%,表明该模型对于衣着与携带背包的条件具有鲁棒性。     

Control of the Lower Leg During Walking: A Versatile Model of the Foot

An improved biomechanical model has been implemented for use in gait simulations and functional electrical stimulation (FES). The novelty includes longitudinal bending of the foot which implements geometrical changes that appear “healthy-like” during the stance phase of gait. The simulation uses optimal control which minimizes the activation of flexor and extensor muscles, as well as the tracking error. Correspondingly, the results of the bending foot model, contrasted against a rigid foot biomechanical model, show that torques in the knee during foot contact were as much as 36.9 Nm (46.1%) lower, while muscle excitation was on average 6.1% lower. The simulation also shows that the shank angle of the bending foot model was virtually identical to that of the rigid foot model. However, this model's worth is most prevalent in its use for stance phase control in individuals who use multichannel FES. Notably, it can also be used for simulating the gait of individuals who lack ankle articulation and use an active transfemoral prosthesis.      

基于改进型对抗网络的步态特征提取方研究

针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。     

基于 FOA 优化的 CSSVM 管道堵塞状态识别研究

针对城市排水管道正常与堵塞故障状态在数据获取上的不平衡性造成的运行状态识别准确率下降的问题,提出了一种基于果蝇优化算法的代价敏感支持向量机的管道堵塞状态识别方法。根据排水管道内各运行状态下采集到的不平衡数据集,首先对不平衡数据集进行小波包分解,其次,提取各个分解系数的能量熵、近似熵指标构建特征向量集合;采用果蝇优化算法(FOA)对不同类样本惩罚因子C_m和核函数参数g进行优化选取,即对代价敏感支持向量机(CS-SVM)模型优化,将特征集合输入优化后的CS-SVM模型中,对排水管道的正常和堵塞状态识别,通过增大对少数类样本错分的惩罚代价,结果表明,提升了少数类的识别准确率。     

基于 DBN-MPA-LSSVM 的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度 置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。 首先,将集中监测数据和状态 标签输入到 DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用 MPA 智能算法对 LSSVM 的惩罚因子和核函数参数进行寻优并建立最优 MPA-LSSVM 诊断模型;最后,将 DBN 提取的特征样本导入诊断模型进 行轨道电路的故障分类识别。 DBN-MPA-LSSVM 诊断模型充分利用了 DBN 在特征提取过程中的逐层提取优势以及 LSSVM 在 解决小样本情况下高维模式识别的优势。 实验验证与对比分析表明,DBN-MPA-LSSVM 模型测试集准确率为 98. 33%,MPA 优 化算法较 PSO、GWO、GA 算法模型诊断准确率分别提高了 6. 11%、3. 89%、3. 33%,平均准确率为 97. 98%,为基于数据驱动的轨 道电路故障诊断技术提供了一种新的方法。     

融合轮廓增强和注意力机制的改进 GaitSet步态识别方法

针对传统基于轮廓的步态识别方法受限于输入特征及模型特征提取的能力,从而导致识别准确率不高的问题,提出一种融合轮廓增强和注意力机制的改进GaitSet步态识别方法。首先通过预处理获取行人的轮廓图,求得其均值,合成步态GEI能量图,将其作为神经网络模型的输入特征,增强了人体外观的表示。其次在提取特征的过程中引入注意力机制,增强模型的特征提取能力,从而提高步态识别的精度。最后在CASIA-B和OU-MVLP数据集上进行实验,所提方法的平均Rank-1准确率分别为87.7%和88.1%。特别是在最复杂的穿大衣行走条件下,相较于GaitSetv2算法,准确率提升了6.7%,表明所提出方法具有更强的准确性。此外,所提方法几乎没有增加额外的参数量、计算复杂度和推理时间,说明其各模块的快速性。     

基于多尺度特征融合的跨视角步态识别

在跨视角步态识别中,针对衣着遮挡情况下难以提取具有可辨别性和多样性的步态特征,导致识别准确率下降的问题,提出了一种基于多尺度特征融合网络的跨视角步态识别方法。该方法能够有效利用步态特征间的互补性,获得具有可辨别性和多样性的步态特征,从而解决因衣着遮挡造成可辨别性差以及单一性的问题,进而提升跨视角步态识别的准确性。为验证所提方法的有效性,在公共数据集CASIA-B上进行了验证,实验结果表明所提方法在处理具有遮挡条件下的跨视角步态识别问题的识别性能达到了73.4%,同时在正常和背包两种行走条件下的识别性能分别达到了95.5%和88.0%。此外,我们的方法在处理遮挡条件下的识别性能优于同类典型的步态识别方法。     

A reliable gait phase detection system

A new highly reliable gait phase detection system, which can be used in gait analysis applications and to control the gait cycle of a neuroprosthesis for walking, is described. The system was designed to detect in real-time the following gait phases: stance, heel-off, swing, and heel-strike. The gait phase detection system employed a gyroscope to measure the angular velocity of the foot and three force sensitive resistors to assess the forces exerted by the foot on the shoe sole during walking. A rule-based detection algorithm, which was running on a portable microprocessor board, processed the sensor signals. In the presented experimental study ten able bodied subjects and six subjects with impaired gait tested the device in both indoor and outdoor environments (0-25°C). The subjects were asked to walk on flat and irregular surfaces, to step over small obstacles, to walk on inclined surfaces, and to ascend and descend stairs. Despite the significant variation in the individual walking styles the system achieved an overall detection reliability above 99% for both subject groups for the tasks involving walking on flat, irregular, and inclined surfaces. In the case of stair climbing and descending tasks the success rate of the system was above 99% for the able body subjects and above 96% for the subjects with impaired gait. The experiments also showed that the gait phase detection system, unlike other similar devices, was insensitive to perturbations caused by nonwalking activities such as weight shifting between legs during standing, feet sliding, sitting down, and standing up     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。