三参数威布尔分布参数估计方法

现有的三参数威布尔分布参数估计方法大都需要复杂的计算机编程,因而限制了它的应用.本文对确定威布尔分布三参数的相关系数法做了重要改进,使得计算量大为简化.提出了曲线拟合法,并引入了适用于小样本的灰度法.采用不同样本的数据进行参数估计,并进行K-S检验,得到很好的效果.     

基于核偏最小二乘法的动态预测模型在铜转炉吹炼中的应用

为实现铜转炉吹炼过程中的关键操作参数的准确预测,构造一种基于核偏最小二乘法的动态预测模型,并提出一种适用于动态建模的在线式异常样本剔除方法。该动态预测模型使用滑动窗方法不断更新建模数据,再利用核偏最小二乘法对动态模型的参数进行辨识,最后根据反馈的前次计算误差对本次预测值进行修正。仿真研究结果表明：该动态预估模型具有较好的泛化能力和较强的鲁棒性,并具有较好预测精度（风量预测的相对均方根误差小于10%,氧量预测的相对均方根误差小于19%）。目前,该预测模型被用于某转炉的吹炼辅助决策系统中。     

小样本条件下基于卷积孪生网络的变压器故障诊断

为提高小样本条件下变压器故障诊断的准确率,提出了一种小样本条件下基于卷积孪生网络CSNN(con-volutional Siamese neural network)的变压器故障诊断方法.利用具有强大特征提取能力的卷积层和池化层来构建孪生网络将原始数据映射到低维空间.并基于欧式距离进行相似度的对比,从而实现故障的分类.仿真结果表明,CSNN比传统方法更加适合小样本条件下的变压器故障诊断,利用卷积层和池化层来构建孪生网络比仅用全连接层来构建孪生网络会收获更高的准确率.     

基于VMD和PSO-SVM模型的和应涌流识别

针对目前和应涌流识别方法较少的情况,使用VMD对励磁涌流与和应涌流电流信号进行分解.对VMD分解后的各本征模态分量求样本熵值组成特征向量,将特征向量输入PSO-SVM识别模型进行分类.通过实验验证,涌流信号样本熵值组成特征向量能很好地反映两种涌流的区别,使用PSO优化参数后的SVM模型能对两种涌流进行高效准确的识别,为保护装置下一步针对性动作提供了重要依据.     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.     

基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法

当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法（CEEMD）去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。      

小样本条件下某机载设备挂架结构的可靠性研究

某机载设备挂架结构的工作应力属于小样本事件，本文针对该结构利用有限元进行应力分析，以分析结果为样本，分别建立了结构工作应力与外载荷及结构尺寸的非线性映射关系。在此基础上形成了应力-强度干涉模型，并对结构进行了可靠性分析，得出了载荷波动对可靠性的影响大于尺寸波动的影响，为挂架结构的可靠性优化设计奠定了基础。     

基于TW-SVM预测模型的某堆石坝变形预测分析

为提高监测资料有缺失的大坝变形预测模型精度,采用支持向量机方法建立一种具有小样本、高维、非线性的预测模型,并结合对其重要组成部分核函数的分析应用,提出一种根据结构风险最小化的TW-SVM预测模型。以某堆石坝为例进行研究,利用坝坡垂直位移和水平位移的监测数据,分别采用TW-SVM方法和BP神经网络(NET)方法建立相应预测模型进行比较分析。结果表明:采用TW-SVM方法和NET方法预测的垂直位移最大绝对误差分别为0.58 mm和6.18 mm,最大相对误差分别为270.00%和1 286.22%;采用TW-SVM方法和NET方法预测的水平位移最大绝对误差分别为0.25 mm和14.91 mm,最大相对误差分别为31.25%和1 189.85%;TW-SVM预测模型比NET预测模型更适合于影响因素为时间、水位的小样本预测分析。研究结果为堆石坝变形预测与分析提供参考。     

FCM预选取样本的半监督SVM图像分类方法

针对基于拉普拉斯支持向量机(LapSVM)的半监督分类方法需要将全部无标记样本加入训练样本集中训练得到分类器,算法需要的时间和空间复杂度高,不能有效处理大规模图像分类的问题,提出了模糊C-均值聚类(FCM)预选取样本的LapSVM图像分类方法。该方法利用FCM算法对无标记样本聚类,根据聚类结果选择可能在最优分类超平面附近的无标记样本点加入训练样本集,这些样本可能是支持向量,携带对分类有用的信息,其数量只是无标记样本的一少部分,因此使训练样本集减小。计算机仿真结果表明该方法充分利用了无标记样本所蕴含的判别信息,有效地提高了分类器的分类精度,降低了算法的时间和空间复杂度。