基于PSO-SVM算法的输电线路覆冰舞动预测模型EI北大核心CSCD

输电线路舞动往往会导致金具磨损、闪络、断线等电力事故,对电力系统的安全具有很大的负面影响。利用ANSYS软件模拟不同档距、风速等状态下覆冰四分裂导线在平均风与脉动风作用下的动态响应,进而根据模拟获得的数据集和PSO-SVM(particle swarm optimization-support vector machines)算法构建了四分裂导线覆冰舞动预警模型,将档距、风速、初始风攻角作为模型的输入,覆冰导线是否舞动作为输出。同时,为验证该预测模型的实用性及有效性,将PSO-SVM模型与其他智能算法如BP(back propagation)、支持向量机(support vector machine, SVM)、遗传算法优化支持向量机(genetic algorithm-optimization support vector, GA-SVM)模型的预测结果进行比较,结果表明PSO-SVM模型的预测结果精度更高,对输电线路覆冰舞动预警具有一定的参考意义。     

基于比例风险模型与机器学习混合方法的电梯故障预测北大核心

电梯是一种对可靠性要求极高的特种设备,其故障预测问题受到越来越多的关注。通过对此问题的研究,提出了一种基于比例风险模型与机器学习的混合方法,用于预测电梯的剩余寿命。该混合方法首先利用比例风险模型分析寿命与协变量之间的关系,得到累计风险函数,并计算得寿命预估值;再利用机器学习算法对寿命预估值与故障间隔时间序列进行建模,预测得剩余寿命。混合方法创新地将电梯参数信息与电梯维修记录两种不同类型的数据结合起来进行故障预测,在与传统机器学习方法预测效果的对比中,混合方法具有更好的预测效果,验证了混合方法的有效性。     

基于比例风险模型与机器学习混合方法的电梯故障预测

电梯是一种对可靠性要求极高的特种设备,其故障预测问题受到越来越多的关注。通过对此问题的研究,提出了一种基于比例风险模型与机器学习的混合方法,用于预测电梯的剩余寿命。该混合方法首先利用比例风险模型分析寿命与协变量之间的关系,得到累计风险函数,并计算得寿命预估值;再利用机器学习算法对寿命预估值与故障间隔时间序列进行建模,预测得剩余寿命。混合方法创新地将电梯参数信息与电梯维修记录两种不同类型的数据结合起来进行故障预测,在与传统机器学习方法预测效果的对比中,混合方法具有更好的预测效果,验证了混合方法的有效性。     

真型试验线路六分裂导线舞动模拟

采用ABAQUS有限元软件建立真型试验线路塔线耦合体系有限元模型,对安装人工D形覆冰模型的六分裂导线的舞动进行数值模拟,得到导线舞动过程中的位移响应、舞动轨迹、舞动形态和频率以及导线的张力变化等。数值模拟与现场实测结果较吻合,验证了数值模型和舞动模拟方法的正确性。所建立的数值模型可进一步用于舞动特征及防舞装置的评估及优化研究,为试验方案的确定提供依据。     

基于机器学习的热导率预测模型研究

传统的理论研究、实验研究及计算仿真已无法满足科学家对新材料的探索与设计。数据驱动的机器学习算法对材料的筛选与性能预测有着推动作用。将机器学习算法应用到材料信息学,基于现有材料热导率数据集,建立机器学习热导率预测模型,通过交叉验证来对机器学习回归模型进行评估。利用机器学习算法建立描述符与热导率属性之间的映射模型,可用于大规模的材料筛选,从而指导实验研究。     

覆冰导线气动特性及驰振风洞试验

利用风洞试验测量新月形和扇形覆冰导线在不同风速下的气动力特性,得到其阻力系数、升力系数和扭矩系数随风攻角的变化规律,结果表明在测试的风速范围内气动系数受风速的影响很小。在风洞中实现了覆冰导线节段模型的驰振模拟,得到不同风速下导线节段模型的驰振响应。进而用舞动数值模拟方法模拟驰振试验,得到与风洞试验一致的结果,验证了舞动数值模拟方法的正确性。试验结果为覆冰导线舞动研究提供了重要的参考数据。     

输电线覆冰舞动的简化分析方法

覆冰导线舞动对大跨越输电线路造成严重危害,目前对输电线舞动的研究多采用复杂的数值模拟方法.该文利用数值风洞技术对覆冰导线的气动特性进行了数值模拟,采用有限元程序ANSYS建立弹簧-输电线模型进行静力分析,在LSDYNA中采用非线性粘性阻尼器单元来模拟覆冰导线的气动特性,进行显式有限元计算,提出了输电线舞动研究的简化分析...     

基于机器学习的开放创新社区创意识别方法研究

目的 探索基于机器学习的开放创新创意识别方法,解决创意识别过程中存在的耗时长、效率低、成本高等问题。方法 从用户特征、用户参与度和创意内容特征三个方面构建评估模型,以OpenIDEO社区为研究对象,采集数据并进行数据清洗和数据转化映射,最后进行多种机器学习算法的参数优化,并以F1值为选择标准,选择分类效果最佳的算法作为分类模型。结果 运用KNN、SVM、决策树、随机森林四种机器学习算法分析OpenIDEO数据,随机森林算法通过参数优化取得了最大的F1值（0.919 09）,同时对于验证数据,该算法同样可以取得较好的分类效果。结论 应用机器学习方法对开放式创新社区中的创意进行识别,具有较高的可行性和有效性,可以大大降低社区在创意筛选中的投入,提高创新效率,优化社区生态。     

基于机器学习的风机叶片开裂预测研究

为了预测风机叶片开裂的状态,使用机器学习的方法对风机叶片状态进行分类预测.首先对SCADA采集的原始数据进行预处理,然后采用逻辑回归与XGBoost集成学习算法对预处理后的数据进行建模,并通过性能度量的评价指标比较两种算法的效果与泛化能力.结果表明,XGBoost在风机叶片开裂的分类预测上有更好的效果,其预测准确率达到了97.31％,而逻辑回归预测的准确率只为69.05％,从而将XG-Boost集成学习算法用于精准预测风机叶片开裂的状态,为风电场对风机叶片状态检测提供了参考依据.另外为了提高模型训练的效率,使用嵌入式特征选择方法将430维数据降到100维,训练时间从67.06s降到13.50s,准确度从97.04％提升到97.65％.     

考虑导线偏心覆冰对四分裂导线舞动的影响

采用风洞试验获得典型新月形覆冰四分裂导线的升力、阻力和扭矩系数随风攻角的变化规律。基于ABAQUS有限元软件提出一种考虑偏心覆冰作用的导线数值模拟方法,并利用算例验证了该方法的正确性。在此基础上,利用ABAQUS用户自定义子程序UEL编写气动载荷单元,实现考虑偏心覆冰作用的导线舞动数值模拟方法。采用该方法与传统数值模拟方法对典型新月形覆冰四分裂导线的舞动特征进行对比分析。结果表明,该方法能准确反映覆冰导线运动过程的扭转特性。考虑偏心覆冰作用后,覆冰四分裂导线的位移和扭转角幅值明显增大,振动形态更为复杂。因此,在研究覆冰导线舞动时,有必要考虑偏心覆冰作用的影响。     

基于最大相关熵准则的多尺度高斯核极端学习机

针对传统的多尺度核极端学习机对噪声敏感且计算量大的问题,提出一种适用于高斯噪声环境的多尺度核极端学习机。首先,利用最大相关熵准则代替多尺度核极端学习机中传统的最小均方差准则构造目标函数;其次,将1种按训练样本数随机生成尺度因子的多尺度化方法应用于高斯核函数;最后引入拉格朗日乘子法对目标函数进行求解,推导出基于最大相关熵准则的多尺度高斯核极端学习机。实验表明,该算法具有更高的学习效率,与传统多尺度核极端学习机相比,在3个UCI基准数据集上预测精度平均提升30.30%,在对水泥熟料f-CaO含量进行预测的应用实验中预测精度提升23.8%。     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法。首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习机及并行感知器改进极限学习机算法进行比较,结果表明,提出的MO-PLP-ELM算法其辨识率明显高于其它算法,平均辨识率达96.1%。     

基于改进DBN的回转支承寿命状态识别

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。     

基于在线半监督学习的故障诊断方法研究

针对机械故障诊断中准确、完备的故障训练样本获取困难,而现有分类方法难以有效地发掘大量未标记故障样本中蕴含的有用信息,提出了一种基于在线半监督学习的故障诊断方法.该方法基于Tri-training算法将在线贯序极限学习机从监督学习模式扩展到半监督学习模式,利用少量不精确的标记样本构建初始分类器,并从大量未标记样本中在线扩充标记样本,对分类器进行增量式更新以提高其泛化性能.半监督基准数据试验结果表明,训练样本总数相同但标记样本数与未标记样本数比例不同时,所提算法得到的分类准确率相当且训练时间相差小于1.2倍.以柴油机8种工况的故障模式为对象进行试验验证,结果表明标记故障样本较少时,未标记故障样本的加入可使故障分类准确率提高5％～8％.     

基于增量学习的数控机床故障诊断系统

针对数控机床中主轴轴承和刀具同时出现故障或机床主轴转速改变时的故障诊断问题,提出了基于增量学习的深度卷积诊断模型。首先,将常用转速下的主轴轴承和刀具振动数据集,输入结合了批量归一化算法的一维卷积神经网络,实现单一转速下故障诊断;然后,人工判断跨转速诊断时的未知故障类型,对其打标签后重新输入网络,通过增量学习实现知识迁移并使模型学习新数据特征;最后模型在跨转速故障诊断领域的准确率为76.49%~86.09%,且与Fine Tuning和Joint Training两种经典跨领域算法相比,基于增量学习的深度卷积诊断模型提高了准确率,缩短了训练用时。     

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法EI北大核心CSCD

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。     

KAEA: A Novel Three-Stage Ensemble Model for Software Defect Prediction

Software defect prediction is a research hotspot in the field of software engineering. However, due to the limitations of current machine learning algorithms, we can’t achieve good effect for defect prediction by only using machine learning algorithms. In previous studies, some researchers used extreme learning machine (ELM) to conduct defect prediction. However, the initial weights and biases of the ELM are determined randomly, which reduces the prediction performance of ELM. Motivated by the idea of search based software engineering, we propose a novel software defect prediction model named KAEA based on kernel principal component analysis (KPCA), adaptive genetic algorithm, extreme learning machine and Adaboost algorithm, which has three main advantages: (1) KPCA can extract optimal representative features by leveraging a nonlinear mapping function; (2) We leverage adaptive genetic algorithm to optimize the initial weights and biases of ELM, so as to improve the generalization ability and prediction capacity of ELM; (3) We use the Adaboost algorithm to integrate multiple ELM basic predictors optimized by adaptive genetic algorithm into a strong predictor, which can further improve the effect of defect prediction. To effectively evaluate the performance of KAEA, we use eleven datasets from large open source projects, and compare the KAEA with four machine learning basic classifiers, ELM and its three variants. The experimental results show that KAEA is superior to these baseline models in most cases.     

基于CSSE-OSELM算法的软测量建模及其工业应用

针对软测量建模样本的特性,提出一种基于布谷鸟选择性集成学习的在线贯序极限学习机(CSSE-OSELML)软测量建模方法。首先,以多个OSELM组合成集成学习的框架,并给每个OSELM赋予权重并设定阈值,借助于布谷鸟算法(CS)从中选择出满足阈值条件的OSELM个体,重新组合成集成学习的子集。最终以该子集建立软测量模型,进行集成学习并做加权处理。以UCI标准数据集进行测试,同时对加氢裂化反应分馏塔航煤干点进行验证,仿真结果表明,该算法优于传统的方法,具有更高的预测精度和稳定性能。     

基于机器学习的钛合金弹性模量预测方法研究

目的 探索一种高效可行的预测方法以提高钛合金弹性模量的预测精度,采用第一性原理计算方法与机器学习相结合的方式建立高精度的预测模型。方法 通过数据挖掘获取材料数据库中钛合金的力学性质微观结构参数,结合第一性原理计算方法构建初始数据集,并对其进行预处理,包括噪音消除、归一化及标准化,以得到高质量的数据集。同时,采用随机森林特征重要性分析法对输入参数进行筛选,去除弱相关变量以降低预测模型的复杂度。在此基础上,构建随机森林模型、支持向量机模型、BP神经网络模型及优化后的GA-BP神经网络模型,综合对比各模型的回归能力,分析误差后选出最优的算法模型。结果 最终建立了钛合金弹性模量预测模型,其中随机森林模型、支持向量机模型、BP神经网络模型、GA-BP神经网络模型的预测相关系数R分别为0.836、0.943、0.917、0.986。结论 GA-BP模型对弹性模量的预测误差基本保持在5%～7%。遗传算法可以优化BP神经网络的权值和阈值,使预测精度大幅提升。说明通过该方法可以实现钛合金弹性模量的预测,大大节省研发和实验成本,加快高性能材料的筛选。