一种海量实时序列数据指数平滑预测分割算法*

时间序列分割是时间序列挖掘的重要任务之一。实时数据快速变化,数据量巨大,所以如何对实时数据进行快速而准确的分割很具有挑战性。本文提出基于指数平滑预测的滑动时间窗分割算法可以快速有效的分割在线实时数据,该算法基于滑动窗口和平滑指数算法,分析实时数据的统计特性,推导出序列的预测误差和压缩率之间的关系,通过序列预测的误差来判断分割点。加入校验环节提高算法的健壮性。通过本课题所使用的数据集以及公共数据集验证算法结果说明,该算法能够有效地在线检测出实时数据的分割点,并且时间复杂度较低。     

基于博弈映射学习的多传感源信息融合三相电机智能故障诊断方法

利用多传感数据能够全面地诊断三相电机的各类机械或电气故障，然而现有的智能诊断方法缺乏有效的关键故障信息挖掘与跨传感源特征聚合学习机制，导致其诊断效果不佳。针对以上问题，该文提出一种基于博弈映射学习的多传感源信息融合三相电机智能故障诊断方法。首先，使用多个并行的自学习特征映射网络从各传感数据中自动地提取故障特征；然后，构建传感源鉴别器并使其与自学习特征映射网络形成博弈关系，精炼故障特征并引导其跨传感源分类聚合；之后，将样本差异度量损失函数引入到优化目标中，以确保各类故障特征之间的空间可分性；最后，利用故障模式识别器进行多传感故障特征融合诊断。实验结果表明，该方法能够基于振动、电流、声等多传感数据准确地诊断三相电机轴承故障、转子故障及电气故障，且诊断性能优于现有方法。