基于斜率加权的最小二乘RAIM算法研究

为解决某些卫星在故障检测算法中不敏感的问题,提出了卫星斜率加权的最小二乘算法。该方法从理论上推导出卫星特征斜率的表达式,根据特征斜率大小构建斜率加权矩阵,对特征斜率较小的卫星加以更大的权重。构造出斜率加权的检验统计量,通过比较新的检验统计量与检测门限,实现对卫星的故障检测。结合真实数据对该方法进行验证,结果表明:基于斜率加权的最小二乘RAIM算法的故障检测率优于最小二乘RAIM算法。     

基于随机森林的机载设备异常振动故障检测方法

机载设备异常振动故障检测对于系统安全运行具有重要意义。为此,该研究基于随机森林算法设计了一种机载设备异常振动故障检测方法。安装振动信号收集装置,利用机载设备发射振动信号并传输至故障调节中心,通过匹配故障编码分类故障原因。利用随机森林算法,在决策树训练的过程中完成样本分类。模拟故障检测程序,加强内部数据运算管理性能,获取精准程度较高的检测数据,连接主系统与检测系统,减少数据检测所需时间。实验结果表明,该方法能够精准地确定故障样本,与传统检测方法相比,其准确率提高了20%以上,更适合应用到实际异常振动故障检测工作中。     

基于决策树算法的工业光纤网络通信故障检测系统

针对工业光纤网络通信故障检测过程繁琐、效率低的问题,设计了一种基于优化的决策树数据挖掘算法的光纤网络通信故障检测系统。系统以减少检测器重复工作和准确定位为目标,引入以决策树为核心的故障数据挖掘模块,降低了对非己空间的故障挖掘时间。将第一阶光纤网络故障分类时仅以IP地址作为参量变成第二阶分类时使用指定的网络指标为基础构建决策树,进一步提高故障检测精度。对某车辆制造企业现有的光纤网络应用结果表明,与标准决策树方法相比,该算法将精度从69.0%提升到99.9%,将误报率从3.14%降低到0.48%,优化效果明显。     

基于强跟踪滤波的多模卫星容错导航算法

针对多模卫星系统可能存在故障卫星,而故障卫星的种类和数量往往无法灵活确定,导致系统定位失效的问题,提出了一种基于强跟踪滤波的多模卫星容错组合导航算法.设计了一种基于单元级融合方式的容错系统结构,即为每颗卫星分别设计基于强跟踪滤波技术的子滤波器和故障检测与隔离器,并提出了一种改进的残差故障检测方法,全局算法采用联邦滤波算法,最终完成了一种北斗/GPS/GLONASS容错组合导航算法的设计.实验结果表明,该算法能充分利用多个卫星系统的卫星进行定位,同时能够同步检测和隔离多个不同卫星系统的故障卫星,有效提高了系统的定位精度和可靠性.     

基于数据挖掘的含UPFC输电线路纵差保护方案

统一潮流控制器和风电接入输电线路导致传统纵差保护不能适应新的电网形态。本文针对含有UPFC和风电场的输电线路设计了基于数据挖掘的纵差保护方案。首先通过Kalman滤波相量量测单元进行相量估计,梳理出了21项可能的故障特征,并进行相应计算。当故障特征出现在线路两端时,则得到相应的差分特征。通过决策树对得到的差分特征量进行处理,得到最终保护动作决策。利用仿真模型对本文所提出的方法进行了仿真分析,首先分析了决策树对故障的分类结果的正确性,然后研究了不同故障参数下的可靠性指标,说明了本文所提方法的适用性。     

基于决策树算法的网络入侵检测系统设计与评估

实时网络数据包含大量冗余术语和噪声，而现有入侵检测技术准确度较低，特征提取能力不足。针对NSL-KDD数据集，提出了一种基于决策树的网络入侵检测系统。采用相关特征选择子集评价方法进行特征选择并减小维数，消除冗余数据，提高资源利用率并降低时间复杂度，通过特征选择可提高入侵检测方法预测性能。在特征选择之前和特征选择之后，对五类分类和二类分类进行性能评估。结果表明，该系统具有较高检出率和精度，数据集二类分类总体结果高于五类分类，可为网络安全检测工作提供借鉴。     

基于集成小波神经网络的卫星电源系统故障识别

针对卫星电源系统发生致命故障时故障信息不完备的问题,在分析卫星电源系统故障特征数据的基础上,提出了一种基于集成小波神经网络的故障识别方法。该方法首先利用卫星电源系统的决策数据识别出可能的故障组合,然后根据不同故障组合的特点构造并利用相对应的小波神经网络进行故障识别,最后结合某型卫星电源系统进行仿真验证,结果表明了该方法的有效性。     

基于改进决策树的电网配电线路故障自动辨识研究

为精准识别电网配电线路故障,文中设计了一种基于改进决策树的电网配电线路故障自动辨识方法。该方法引进了HHT技术,根据电网运行需求,处理电网配电线路故障数据,提取线路故障数据中的特征量数据;利用粗糙集进行电网配电线路故障数据的属性约简处理,消除冗余的特征数据,将其他具有代表性的特征数据录入终端,生成故障决策树,并根据决策树上的属性条件,提取决策规则;提取电网配电故障线路报警信号中的数据属性条件,按照决策表提取的决策规格对属性条件进行熵值排序,并以此为依据,完成电网配电故障线路的搜索与诊断。实验结果证明,该方法可以精准辨识电网中的故障线路,精准排查配电线路中的异常线路。     

一种惯导辅助下的多模卫星导航系统故障卫星识别方法

随着多模卫星导航系统的广泛应用,多星故障(包含跳变故障和慢变故障)同时发生的概率也伴随着卫星数增多而增大。目前常用的完好性检测方法难以实现多星故障的同时检测与识别,其中慢变故障的检测更是一大难点。针对此,本文研究了一种由惯导系统提供位置基准、基于量测量不一致性的卫星故障识别法。仿真结果表明,该方法可以简单有效地实现多星故障包括慢变故障的同时识别,具有较高的实用价值。     

基于无人机技术的输电线路检测和故障定位方法

针对现有技术中输电线路检测故障系统图像处理效率低、故障定位误差大等诸多问题,提出了一种新的基于无人机技术的输电线路检测与故障定位方法。在无人机中应用单目摄像头获取输电线路的视觉图像,并将每个图像发送到地面工作站,使用纹理过滤和图像校正方法来解决图像处理中摄像镜头畸变和噪声直接干扰的问题,大大提高了输电线路故障检测的精度,该研究还在无人机中增加了卫星导航与惯性测量单元附加传感器,通过不同概率密度函数提高无人机空间定位估计,即使在黑夜与大雾天气中,也能够实现输电线路检测和故障定位。仿真结果表明,该研究拟用方法实用性强,多次实验故障定位的准确性均在90%以上。     

基于多尺度引导滤波和决策融合的电力设备热故障诊断方法研究

本文提出一种基于多尺度引导滤波和决策融合（multi-scale guided filter and decision fusion, MGDF）的电力设备热故障诊断方法,联合多尺度引导滤波和决策融合技术,充分挖掘红外图像的空间结构信息和温度信息。该方法有3个主要步骤。首先,基于热故障区域与环境背景在红外图像上的温度差异特性,逐像素计算热故障区域与环境背景的马氏距离,获取初始的热故障诊断结果。然后,采用不同参数设置的引导滤波器对初始诊断结果进行滤波处理,并将生成的若干引导滤波特征图堆叠在一起。不同参数下的滤波特征图包含着互补的空间结构信息。最后,为充分挖掘不同尺度特征图的空间结构信息和温度差异信息,利用主成分分析法对引导滤波特征图进行决策融合,提升热故障的诊断精度,生成最终的热故障诊断结果图。实验测试结果表明,本文方法在热故障诊断精度上有明显优势,满足电力设备红外巡检的应用需求。     

基于随机森林算法的模拟电路故障诊断

为提高模拟电路参变故障的诊断率,提出基于多特征向量提取和随机森林(RF)算法的模拟电路故障诊断新方法。采用时域和频域特征向量组合的多维特征向量以反映不同故障特征,经RF算法进行决策,并对决策树棵数及候选特征向量个数进行优化。故障诊断实验结果表明,所提方法能较好地实现容差模拟电路故障诊断,与支持向量机(SVM)方法相比,表现出更好的分类性能;与小波(包)特征提取方法相比,简化了多维数据特征提取步骤,易于实现在线故障诊断。     

静止轨道遥感卫星海面运动舰船快速检测方法

面向静止轨道光学遥感卫星,该文提出一种海上运动舰船目标快速检测方法。该方法首先利用多结构多尺度形态学滤波对海洋背景遥感图像进行背景抑制;然后采用自适应阈值分割和自组织聚类获得候选目标;再根据目标运动特征,利用静止轨道卫星凝视序列图像对候选目标进行多目标移动式邻域判决,剔除虚假目标;最后关联舰船目标以及融合卫星平台数据,可快速计算舰船状态等深层次动态信息。实验结果与分析表明,所提方法能有效检测海洋背景遥感图像中的多个运动舰船目标,准确获取各个舰船位置、航速、航向、运动轨迹等信息,具有算法简单,目标检测率高、虚警率低,稳定性好等优点。该方法为我国静止轨道光学遥感卫星在轨数据处理与应用提供了技术支撑。     

基于三维凹包学习算法的海面小目标检测方法

对于特征类的海面小目标检测方法,现有3特征检测器通常采用凸包分类算法完成检测。在实际应用时发现,该分类算法生成的判决区域在某些情况下不能很好地反映海杂波样本集合在特征空间中的分布情况,进而对检测器性能造成一定程度的损失。相比之下,使用凹包算法生成的判决区域是由凸包内剖得到的,它能更加贴合海杂波样本的分布,因此该文将判决区域的形式由凸包转化为凹包,并在此基础之上提出一种基于3维凹包学习算法的海面小目标检测方法。同时,针对现有3维凹包算法存在的内剖效率低、无法实现恒虚警检测的缺点,该文通过优化内剖点选择方法、增加“外补”环节的方式对算法进行改进。最后,经实测CSIR数据及X波段试验雷达数据共同验证,在其他参数均相同时,该文方法的检测性能要优于已有的多特征检测方法,并且通过对凹包算法的复杂度分析证明了所提方法的应用潜力。     

Synergistic use of soft computing technologies for fault detection in gas turbine engines

In this paper, we present a synergistic approach to startup fault detection and diagnosis (FDD) in gas turbine engines. The method employs statistics, signal processing, and soft computing techniques in a complementary manner to address fault detection at transient conditions. Traditional turbine engine FDD methods are based on engine data collected at steady-state conditions. However, incipient faults are difficult to diagnose using steady-state engine data; only engine faults that are fairly developed can be detected using conventional methods. Because incipient engine component faults are often manifest in the engine startup characteristics, we present a method to characterize the engine transient startup. Engine sensor data during engine startup are recorded in time series format. The sensor profiles corresponding to "good" and "bad" engine startups are sampled using the bootstrap technique. A feature vector is extracted in two steps, and signal processing is followed by the feature vector selection. In the signal processing step, principal component analysis (PCA) is applied to reduce the samples consisting of sensor profiles into a smaller set. In the feature vector selection step, a cost function is defined, and important discriminating features for fault diagnosis are distilled from the PCA output vector. The features obtained from this step are then classified using neural-network-based methods. The "leave-one-out" approach to cross validation is applied to obtain an objective evaluation of the neural network training. The proposed FDD method is evaluated using actual engine startup data, and the results are presented.     

基于热点位置分类的电流互感器发热故障判别方法

针对变电设备故障发热特征选择、提取和故障类型判别问题,提出一种基于热点位置分类的电流互感器发热故障判别方法。首先运用CNN神经网络和YOLO融合算法完成电流互感器零部件检测为基础,建立二维坐标参考基准;然后采用PCNN分层聚类迭代方法分割出故障区域,并利用灰度质心法获取故障区域的热点等效中心;最后选择并提取热点等效中心到坐标原点的距离、角度等参数,应用这些参数判别热点位置的故障类别属性,从而实现电流互感器故障类型判别。结果表明,该判别方法准确率高达92,具有较好的实用性和推广性。     

基于递归和SVM的特征选择方法研究

特征选择是模式识别领域的一个重要的研究方向,它可以提高分类的效率与效果。本文将递归特征排除算法与SVM决策树结合起来运用于特征选择,首先利用递归特征排除算法对所选择的特征进行初排序,然后依次将特征送入SVM决策树中进行优化评估,对数据中起显著作用的特征进行筛选,除去冗余和次要特征,得到特征子集。最后,通过对Linux主机和相关网络的27个入侵特征数据进行特征选择实验,实验结果表明,特征个数降至21个,而测试精度仍然能达到94%,从而证明本文所提出的递归和SVM相结合的方法是解决特征选择问题的一种有效方法。     

Hot spot detection based on feature space representation of visual search

This paper presents a new framework for capturing intrinsic visual search behavior of different observers in image understanding by analysing saccadic eye movements in feature space. The method is based on the information theory for identifying salient image features based on which visual search is performed. We demonstrate how to obtain feature space fixation density functions that are normalized to the image content along the scan paths. This allows a reliable identification of salient image features that can be mapped back to spatial space for highlighting regions of interest and attention selection. A two-color conjunction search experiment has been implemented to illustrate the theoretical framework of the proposed method including feature selection, hot spot detection, and back-projection. The practical value of the method is demonstrated with computed tomography image of centrilobular emphysema, and we discuss how the proposed framework can be used as a basis for decision support in medical image understanding.