基于流形正则化半监督学习的污水处理操作工况识别方法

污水处理过程容易受外界冲激扰动影响,引发污泥上浮、老化、中毒、膨胀等故障工况,导致出水水质质量差,能源消耗高等问题,如何快速准确识别污水操作工况故障至关重要。针对污水工况识别过程中现有监督学习方法未利用大量未标记数据蕴含的丰富操作工况信息,采用基于流形正则化极限学习机的半监督学习方法,监视生化污水处理过程操作运行工况。该方法在学习过程中,在标记和未标记数据输入空间构建图拉普拉斯算子,通过随机特征映射建立隐含层,在流形正则化框架下,求解隐含层和输出层之间的权重,保留随机神经网络的计算效率和泛化性能。仿真实验结果表明,基于半监督极限学习机的污水处理工况识别在准确率与可靠性方面相对优于基本极限学习机方法。     

基于流形正则化半监督学习的污水处理操作工况识别方法

污水处理过程容易受外界冲激扰动影响,引发污泥上浮、老化、中毒、膨胀等故障工况,导致出水水质质量差,能源消耗高等问题,如何快速准确识别污水操作工况故障至关重要。针对污水工况识别过程中现有监督学习方法未利用大量未标记数据蕴含的丰富操作工况信息,采用基于流形正则化极限学习机的半监督学习方法,监视生化污水处理过程操作运行工况。该方法在学习过程中,在标记和未标记数据输入空间构建图拉普拉斯算子,通过随机特征映射建立隐含层,在流形正则化框架下,求解隐含层和输出层之间的权重,保留随机神经网络的计算效率和泛化性能。仿真实验结果表明,基于半监督极限学习机的污水处理工况识别在准确率与可靠性方面相对优于基本极限学习机方法。     

基于多模式-监督分类的SOFC系统多故障识别

针对固体氧化物燃料电池(SOFC)系统的高维、非线性及多工况等特点,提出了基于PCA-HSVM的SOFC故障识别策略。首先,利用PCA提取故障特征信息,然后在降维后的特征空间里采用层级法构建HSVM多分类模型。实验结果表明:PCA-HSVM能够更加准确、快速地识别故障类型。     

基于CEEMD和GG聚类的轴承故障识别方法

为提高复杂工况下滚动轴承故障识别率,提出一种基于互补总体平均经验模态分解(CEEMD)和GG聚类的轴承故障诊断方法。用CEEMD方法对原始采样信号进行分解,并选择包含故障特征丰富的IMF分量求解近似熵,最后将近似熵作为特征向量输入GG聚类分析器中对轴承故障类型进行分类与识别。验算分析结果证实该方法能够有效提高复杂工况下滚动轴承的故障识别精度。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明：本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明:本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法，可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题，且使用批归一化(BN)方法，可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验，并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比，进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响，最后，通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明，模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率，表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类，表明所提出的DRN模型能够对故障进行准确诊断。     

基于半监督密集阶梯网络的工业故障识别

针对工业过程故障识别的需要和实际工业数据小比例有标签、大比例无标签的特点,研究了基于深度学习的半监督故障分类方法。在半监督阶梯网络的基础上,通过对网络结构和损失函数的改进,提出了半监督密集阶梯网络算法。该算法改进了原始的网络结构,添加了各层之间的密集连接,尝试最大化阶梯网络内部的数据信息流,使得各编码解码层之间的特征得以传递和复用。针对损失函数的特点,添加了无噪声编码层的预测输出损失,确保训练目标与模型输出一致。实验结果证明了所提出的新方法能在工业过程的小比例有标签数据情况下,获得理想的分类效果。     

基于半监督密集阶梯网络的工业故障识别

针对工业过程故障识别的需要和实际工业数据小比例有标签、大比例无标签的特点,研究了基于深度学习的半监督故障分类方法。在半监督阶梯网络的基础上,通过对网络结构和损失函数的改进,提出了半监督密集阶梯网络算法。该算法改进了原始的网络结构,添加了各层之间的密集连接,尝试最大化阶梯网络内部的数据信息流,使得各编码解码层之间的特征得以传递和复用。针对损失函数的特点,添加了无噪声编码层的预测输出损失,确保训练目标与模型输出一致。实验结果证明了所提出的新方法能在工业过程的小比例有标签数据情况下,获得理想的分类效果。     

基于DMFA与深度学习的化工过程多工况异常识别

为了解决动态变化过程数据随设备参数变化而服从不同分布的问题,提出了一种基于深层化工机理和自适应方法的多工况深层机理特征自适应(deep mechanism feature adaptation, DMFA)与深度学习的异常识别方法。首先,建立了工艺的物料衡算和热量衡算方程。其次,卷积操作抽取了工艺的机理特征表示。然后,自适应了源域(训练数据)和目标域(测试数据)的深层机理特征分布。最后,基于深度学习实现了无监督目标域的异常识别。由于DMFA在学习工艺机理时,使模型得到了紧致的机理特征表示,适配了工艺过程的设备参数变化,所以DMFA可以有效解决欠拟合、过拟合以及欠适配问题。脱丙烷精馏过程的应用表明,该方法能够有效识别精馏过程多工况,其异常识别的平均F1分数达到了99.87%。     

基于双层DAE-SOM的多指标工况识别方法

由于工业过程常常受到扰动等因素影响导致工作点发生偏移,所以及时准确地掌握过程运行状况的变化显得尤为重要。目前的工况识别主要针对是否发生故障或者发生何种故障,很少有文献能够从安全、经济、故障等多方面考虑过程工况。针对这一问题,结合过程的历史数据和相关操作要求,获取不同安全状况、经济状况等的评判标准。基于这些判断准则,使用双层降噪自编码(denoising autoencoder,DAE)方法提取数据特征,并用自组织映射神经网络(self-organizing map,SOM)方法对特征提取后的数据聚类,将过程的状况可视化到二维映射图上。在该方法中,DAE方法可以降低工业过程扰动对数据的影响,而SOM方法能够更好地实现过程性能的可视化监控。通过实验可以发现,基于DAE-SOM的双层映射方法可以很好地判断系统的安全级别以及发生的故障类型、当前系统的经济效益状况等。     

基于主成分分析与支持向量机的热泵系统制冷剂泄漏识别研究

为了研究热泵系统制冷剂泄漏识别的数据挖掘理论方法和实验验证，首先建立空气源热泵系统制冷剂泄漏实验台，进行热泵系统正常工况、干扰工况、泄漏工况的实验参数测试；其次，采用主成分分析法对测试数据进行特征提取处理，采用支持向量机对数据进行分类识别，建立了用于热泵系统的制冷剂泄漏识别的主成分分析-支持向量机模型，在二分类和多分类模式下验证了模型的性能，并研究了泄漏速率和不同故障工况对模型的影响。采用RefliefF特征选择算法对原始特征参数进行筛选，简化了识别模型的特征参数。研究结果表明：对于空气源热泵热水系统，PCA-SVM泄漏识别模型在多种验证集中对泄漏工况的识别准确度达100%，缓慢泄漏的诊断识别性能弱于快速泄漏，同一模型在不同故障诊断识别中性能不同，对系统运行影响轻微的故障诊断识别性能弱于其他故障。RefliefF特征选择方法将原始41个系统特征参数精简至10个特征参数，参数筛选优化后的泄漏识别模型识别精度也维持在较高水平，优化的泄漏识别模型更利于实际应用。     

基于改进VMD算法的水轮机组空化状态仿真实验

为提高水电站水轮机组空化状态识别准确率,提出一种基于振动信号的水轮机组空化状态识别方法。通过利用差分优化算法获取变分模态分解(VMD)最佳分解层数与惩罚因子参数组合改进VMD算法,并利用改进的VMD算法提取水电站水轮机组峰值、偏度、均方根频率等时频特征,然后将提取的时频特征输入BP神经网络中进行分类识别,实现了水电站水轮机组空化状态识别。仿真结果表明,所提方法实现了不同工况下水轮机组水轮和尾水管严重空化、空化加速、空化初生、无空化4种状态的识别,平均识别准确率达到98.88%。相较于基于SVM模型的识别方法,所提方法识别准确率提高了8.76%。     

基于深度神经网络的材料粘接裂缝识别

针对传统裂缝识别方法准确率低的问题，研究基于深度神经网络，设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构，利用CNN的特征提取和学习能力特性，将CNN应用于材料粘接裂缝识别中，然后将裂缝定位和CNN网络相结合，构建Crack-CNN模型，将裂缝图像输入至该模型中，通过CNN网络提取裂缝特征，并进行卷积、池化操作，再利用激活函数和全连接层进行特征分类，最终输出裂缝分类结果。结果表明，相较于传统裂缝识别模型，模型的训练和测试精度均保持在95%以上，模型的训练时间为3 825 s，远远低于VGG-13和ResNet模型。由此证明该模型性能好，可在材料粘接裂缝中取得较好的识别效果。     

基于状态空间主成分分析网络的故障检测方法

作为一种经典的方法,主成分分析(PCA)在多元统计过程监控领域得到了广泛的应用。然而,主成分分析及其各种改进方法仅从原始数据中提取了一层特征,缺乏对深层次特征的提取。计算机领域深度学习技术的发展表明了深层次的网络结构有利于数据特征的提取,因此,将主成分分析网络(PCANet)这种深度学习网络结构引入到故障诊断领域,与多元统计过程监控方法进行结合,以增强故障检测效果。在PCANet框架下,针对工业过程数据的动态特征,在网络结构中增加了状态空间模型作为动态层以解决动态性问题。此外,还以故障检测为目标重新设计了输出层。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

基于紫外–可见–近红外光谱特征映射矩阵的古陶瓷分类方法

为有效实现古陶瓷无损分类识别,提出了一种基于光谱特征映射矩阵古陶瓷分类方法。基于采集的紫外–可见–近红外反射光谱数据,采用Sigmoid映射将其变换为可在二维特征空间反映古陶瓷纹理及其结构关系的光谱特征映射矩阵。利用Sigmoid函数良好的非线性特性,平滑光谱数据中存在的异常值,以提高二维光谱特征映射矩阵的区分度。采用滑动窗口检测机制,通过扫描光谱特征映射矩阵,检测并定位异常光谱数据。为避免因直接剔除异常光谱数据易导致光谱信息丢失,采用邻域矩阵插值法计算近似正常值并修正异常光谱数据。在此基础上,基于卷积神经网络对二维光谱特征映射矩阵数据进行分类,实现对古陶瓷的无损识别。通过与同类古陶瓷分类方法的客观定量对比,实验结果表明所提方法有效、可行。     

基于系统聚类-神经网络的塑料饮料瓶差分拉曼光谱检验

建立塑料饮料瓶物证快速准确检验鉴别方法。利用差分拉曼光谱法检验42个塑料饮料瓶样品，优化积分时间并进行重现性检验。在40 s最优积分时间条件下采集光谱，任选41个样品作为建立模型的数据集，剩余样品作为盲样，对41个样品材质初步定性分为聚对苯二甲酸乙二醇酯(PET)和聚乙烯(PE)两类。建立基于系统聚类(HCA)、多层感知器神经网络和径向基神经网络的PET样品鉴别模型，确定最优鉴别模型及样品最佳分类。结果表明，系统聚类-多层感知器神经网络为最优鉴别模型，PET样品最佳分类为2类。差分拉曼光谱法结合系统聚类和神经网络可实现塑料饮料瓶有效鉴别。     

基于KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。     

基于BP神经网络的人体特征预测

近年来,神经网络发展迅猛,在人工智能、分类识别、预测分析,图像处理等方面都取得了不错的进展。目前应用最广泛的神经网络是BP神经网络,其是按照误差逆向传播来训练多层前馈网络,调整权值和阈值。本文以人的步幅特征(左右步长、步宽,步角)为输入,人体特征(身高,体重)为输出来训练神经网络,最终用matlab神经网络工具箱实现。结果表明,在正负10的误差范围内,该神经网络对人的身高、体重,年龄的预测准确率分别为96.67%,56.67%,70%。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。