基于长短时记忆循环网络的塑料编织机故障诊断研究

长短时记忆(LSTM)循环神经网络的塑料编织机故障诊断法通过提取振动信号的能量矩,突出信号在时间轴上的分布特征,降低输入模型的向量维度。从多个特征向量构成的样本集中选择80%作为训练样本,训练LSTM循环神经网络模型,并利用剩余样本验证模型的检测精度;以准确率、查准率和查全率作为评价指标,利用多组不同的振动数据样本,对BP神经网络模型、卷积神经网络(CNN)模型和LSTM循环神经网络模型进行比较分析。结果表明:LSTM循环神经网络模型在不同样本中能够同时达到较高的准确率、查准率和查全率,其平均值分别可达95.69%、86.96%、96.89%,证明LSTM循环神经网络能充分学习具有时序特性的故障信息,对塑料编织机的故障诊断具有可行性和有效性。     

基于主成分分析和随机森林的DDoS攻击检测模型研究

提出基于主成分分析（PCA）和随机森林（Random Forest）的分布式拒绝服务（DDoS）攻击检测模型PCA-RF。对数据进行预处理操作后进行PCA降维，以保留数据的最大特征分量，然后将降维处理的数据放入随机森林模型进行训练得到分类结果。与其他5类机器学习算法对比的结果显示，所提出的PCARF算法的识别准确率达到了99.92%，训练时间在对比实验中也是最短的。     

竹纤维改性合成混凝材料表面缺陷检测技术优化

以黄麻纤维混凝土为研究对象，提出用卷积神经网络识别混凝土材料中的竹纤维，进而提高混凝土材料表面裂缝的准确率。首先，将采集到的黄麻纤维混凝土材料扫描图片进行数据增强，然后搭建DeepLabV3+的竹纤维快速识别网络，并对网络进行训练，最后输入采集的原始图片，对网络模型进行识别测试。结果表明，通过训练后得到的网络对竹纤维混凝土识别的ACC=81.7%,F1=78.3%,证明DeepLabV3+深度学习网络模型对竹纤维混凝土材料具有较高的识别精准度，可用于实际的化工工业和工程缺陷检测中。     

基于LSTM时间序列重建的生产装置异常检测

工业生产装置通常设置传感器报警阈值进行报警，但是对处于报警阈值以下的时间序列异常难以及时捕捉。基于统计的传统检测方法在解决时间序列异常检测上存在很大挑战，因此提出基于long short term memory (LSTM)时间序列重建的方法进行生产装置的异常检测。该算法首先引入一层LSTM网络对传感器数据的时间序列进行向量表示，采用另一层LSTM网络对时间序列进行逆序重建，然后利用重建值与实际值之间的误差，通过极大似然估计方法对该段序列进行异常概率估计，最终通过学习异常报警阈值实现时间序列异常检测。采用ECG测试数据、能源数据与危险品储罐传感器数据进行了仿真实验，验证了所提方法在不同长度的数据上的有效性。     

SDN架构下基于LSTM的低速端口扫描检测模块研究

攻击者通过低速端口扫描攻击能够获取相关的重要信息，从而对用户造成严重威胁，因此通过低速端口扫描检测来抵御相应的攻击是十分必要的。现有的低速端口扫描检测模型，只能基于增量过滤算法进行检测，需要训练大量的数据才能检测出此类攻击，存在耗费大量人力、运行时间长等问题。本文针对低速端口扫描的时间持续性和特征分散性的特点，提出了一种在软件定义网络（software define network,SDN）的架构下采用长短期记忆网络（long shortterm memory,LSTM）的低速端口扫描攻击检测模型。实验结果表明，该算法能够在SDN环境中检测网络行为，并且准确率达到了99.49%，因此能够有效检测出低速端口扫描攻击。     

基于时空特征融合的SQL注入检测研究

针对深度学习方法检测SQL注入时特征提取效果欠佳的问题，提出一种基于时空特征融合的检测模型SFFM。首先使用BERT预训练模型进行词嵌入，使用TextCNN提取SQL样本中不同粒度下的局部空间特征，同时使用BiGRU在保证训练效率的同时提取SQL样本的时序特征；再把提取到的特征送入Attention层进行全局语义信息提取；最后将提取到的特征进行融合，连接全连接层后送入softmax分类器进行分类检测。对比实验结果表明：SFFM模型获得了高达99.95%的准确率和99.90%的召回率，相较于CNN、LSTM和BERT-base模型，具有更好的检测效果。     

一种基于深度学习的网络新闻分类模型

在文本分类任务中,针对卷积神经网络（ConvolutionalNeuralNetwork,CNN）只能提取局部信息,不能更好地表达上下文信息,在提取文本特征时会出现特征丢失的问题。本文提出了一种基于卷积神经网络和长短时记忆网络(Long Short-Term Memory,LSTM)的混合模型,使得两者优点相结合,利用CNN可以通过卷积操作获取数据的局部特征,LSTM可以有效地提取文本的上下文依赖关系,最后使用Softmax分类器进行分类。在清华大学自然语言处理研究室提供的中文文本分析资料集上的测试表明,混合模型的准确率可以达到96.2%。     

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响，因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据，结合变分模态分解算法(VMD)对其进行分解，通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型，对分解后的形变分量进行综合预测；以云南省玉溪市大红山矿区为例，利用该模型对其地表形变进行了预测，结果表明：VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题；SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数，有效减少了人为因素对模型预测效果的干扰，模型预测结果的决定系数R²均大于0.96;同时，该模型采用“多维输入”的方式训练模型，提高了训练效率；该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变，可为矿山安全生产管理提供参考。     

基于ISSA-GRU的混凝土抗压强度预测

考虑到抗压强度对混凝土设计的重要影响，本文提出了改进麻雀搜索算法(ISSA)和门控循环单元(GRU)结合的ISSA-GRU预测模型，实现对高性能混凝土抗压强度的精准预测。对收集的数据集进行归一化处理后，利用基于光谱-理化值共生距离(SPXY)法对数据集进行训练集和测试集划分，采用GRU对高性能混凝土抗压强度进行回归预测，并通过引入动态惯性权重的ISSA,加强对GRU网络参数的寻优效率。结果表明，在使用相同数据样本的情况下，将ISSA-GRU模型与长短期记忆(LSTM)网络、核极限学习机(KELM)和支持向量回归(SVR)模型进行比较，其均方根误差RMSE分别降低了9.3%、37.5%、33.5%,平均绝对误差MAE分别降低了13.5%、38.5%、41.7%。同时，研究了训练集数据量和输入变量对模型预测性能的影响，研究结果表明，所提出的模型能高效寻找超参数，具有较高的预测精度和较好的适应性，为多样化原材料和混凝土特定性能的发展提供可行参考。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法(CFS)进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明，经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型，平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

双向门控循环神经网络的SO_2排放浓度预测模型

火力发电站脱硫系统数据具有大惯性和延时性等特点,且影响SO_2排放浓度的因素众多。为此,建立了基于双向门控循环神经网络(biGRU)的SO_2排放浓度预测模型。以分析得到的主成分为输入变量,SO_2排放浓度为输出变量,通过训练对脱硫系统SO_2排放浓度数据进行预测,并进行比较。结果表明,与传统的RNN以及LSTM模型相比,biGRU模型能够获得较高的预测精度,其对称平均绝对百分比误差相较于RNN和LSTM分别下降了4.235%,0.718%,其均方根误差分别下降了1.942,0.443 mg/Nm³。该模型预测误差较低,泛化能力较好,具有较高的实际应用价值,有利于实现排放控制和节能减排。     

基于MacBERT的互联网新闻情感分析

随着互联网的发展，各种社交平台不断涌现，用户生成内容愈加普遍，网络上产生了大量的文本信息，如果能精确识别蕴藏其中的情感倾向，对于政府或企业的舆情监控、预警有着重要价值。通过Hugging Face提供的预训练模型库Transformers调用基于BERT的中文模型，选择其中微调结果较好的模型MacBERT，并在数据集和长文本处理上进行优化，最终在CCF BDCI的新闻情感分析经典赛的评测任务上，F1分值达0.820 787 07，目前排名第三。     

基于并行子网的塑料光纤通信故障识别模型

应用长短期记忆递归神经网络(LSTM)和卷积神经网络(CNN)设计3个并行子网塑料光纤通信故障识别模型。仿真结果表明:模型3具备更高的故障识别准确率,对塑料光纤控制板故障、电源系统故障、光端机模块故障、尾部纤维故障和单盘故障的识别准确率分别为0.85、0.74、0.82、0.77和0.80,高于模型1和模型2约2%～7%;模型3在500代达到收敛状态,损失值为0.02。研究结果可为当前塑料光纤通信故障的检测识别工作提供一定的参考。     

油田污水含油量光谱预测研究

回注水含油量不达标回注会使储层物性遭到破坏，实现油田污水含油量的快速分析对油田生产具有重要意义。测量了油田含油污水的紫外透射光谱，并建立了卷积神经网络（CNN）模型对油田污水含油量进行预测，研究了基于透射光谱和折射率建立模型对CNN含油量识别模型的影响，分析了含油量定量识别模型的模型稳定性。结果表明：基于透射光谱数据建立的T-CNN模型的预测能力优于基于折射率建立的n-CNN模型；增加训练集样本数量可以提高模型的预测精度和模型稳定性。     

基于LSTM时间序列重建的生产装置异常检测

工业生产装置通常设置传感器报警阈值进行报警,但是对处于报警阈值以下的时间序列异常难以及时捕捉。基于统计的传统检测方法在解决时间序列异常检测上存在很大挑战,因此提出基于long short term memory(LSTM)时间序列重建的方法进行生产装置的异常检测。该算法首先引入一层LSTM网络对传感器数据的时间序列进行向量表示,采用另一层LSTM网络对时间序列进行逆序重建,然后利用重建值与实际值之间的误差,通过极大似然估计方法对该段序列进行异常概率估计,最终通过学习异常报警阈值实现时间序列异常检测。采用ECG测试数据、能源数据与危险品储罐传感器数据进行了仿真实验,验证了所提方法在不同长度的数据上的有效性。     

面向炼化场景的烟雾火焰识别技术

本文基于计算机视觉技术通过视频自动识别石油炼化企业内的烟雾和火焰。常见的烟雾火焰识别模型多数基于公开的数据集,训练的模型适用于森林、日常常见的火焰,而石油炼化企业的烟雾火焰需要在刚发生时就能及早发现,另外受光照、水蒸气、遮挡等多因素的制约,常见模型难以实现即时、准确的检测炼化厂内的烟雾火焰。本文基于更快的区域卷积神经网络（FasterR-CNN）模型,采集石油炼化厂内的真实数据,充分进行模型训练,实现了对炼化厂内烟雾火焰的高效准确识别,准确率达到90%以上,可辅助提升石油炼化企业的安全水平。     

基于深度学习的复杂化工过程软测量模型研究与应用

针对复杂化工生产过程中的一些原材料消耗量难以直接测量的问题，提出了一种基于深度学习的软测量方法。该方法基于一段时间的历史数据，利用平稳小波变换提取历史数据中的多尺度信息，然后与每一个时间点的可观测数据进行合并得到完整的数据集，再划分出训练集和测试集，用带有注意力机制的深度学习算法进行训练和泛化，进而建立软测量模型。最后将提出的方法应用到对苯二甲酸（PTA）生产装置乙酸消耗的软测量中。通过与极限学习机 (extreme learning machine，ELM)、多层感知器 (multi-layer perceptron，MLP)以及普通长短期记忆网络(long short-term memory，LSTM)方法比较，结果表明，该模型的预测准确度较高，具有一定的有效性和适用性，同时对PTA生产装置的乙酸消耗量进行预测分析，从而提高产能和降低能耗。     

融合自注意力机制的入侵检测数据生成方法

针对传统入侵检测领域由于数据不平衡而出现少数类检测率低的问题，设计了一种基于条件生成对抗网络和CatBoost算法的数据生成模型（SA-WCGAN）。首先，采用CatBoost算法对原始数据集进行特征选择，减少模型训练时间。之后，利用SA-WCGAN生成模型进行数据扩充，解决数据不平衡问题，该生成模型引入自注意力机制（SA），提取攻击样本的全局特征，提高少数类攻击样本生成的质量；同时，引入Wasserstein距离和梯度惩罚，提高模型训练过程的收敛速度和稳定性。实验结果表明：在公开基准数据集NSL-KDD上，SA-WCGAN生成模型在只有少数样本的攻击类型上具有较高的精确率、召回率和F1分数。同时，与现有5种方法的比较分析也证实了该模型的优越性。     

基于深度学习的高延性水泥基复合材料单轴拉伸裂缝检查与特征定量化识别

对高延性水泥基材料(ECC)的裂缝特征进行准确识别和测量是研究ECC力学性能与耐久性的重要手段。针对ECC裂缝数量多且细密，纤维噪声干扰重等问题，基于深度学习方法，采用适合于小样本数量生物图像识别的U-Net模型，加上部分Res Net网络层结构进行优化，结合新增制作的适用于ECC的数据集，训练神经网络模型，进行语义分割获取裂缝像素。针对裂纹参数提取问题，使用骨骼提取方法，结合数字图像处理流程，运用CLAHE滤镜和半峰全宽概念获取裂缝宽度，实现了混杂纤维ECC狗骨试件和ECC连接板的裂缝识别与参数提取。结果表明：采用深度学习方法建立的ECC裂缝识别与智能检测方法与实际手工测量误差范围在0.6 mm以内。研究成果可为ECC裂缝检查与特征定量化识别提供准确有效和高通量的分析方法。     

基于改进WOA-LSTM的焦炭质量预测

“双碳”背景下，提升焦炭质量是保证钢铁行业高质量发展的研究重点之一，而炼焦行业存在着在线实时监测难、焦炭质量预测模型泛化能力差等问题。为此，提出一种通过自适应全局搜索算法，即改进鲸鱼优化算法（WOA）与长短期记忆（LSTM）循环神经网络综合建模的方法来解决这一问题。首先选取出配合煤中可反映焦炭质量的可测参数，再运用主成分分析（PCA）去除变异性小的冗余因子后，得到预测因子，将其作为LSTM网络的外部输入；通过加入自适应惯性权重以及最佳扰动更新改进WOA，从而训练LSTM网络的超参数，采用均方根误差（RMSE）和R-squared 进行算法检验；最后将改进后的AGWOA-LSTM模型与典型的LSTM、WOA-LSTM模型进行对比，以验证本方法的优越性。结果表明AGWOA-LSTM模型预测焦炭质量具有精度高、运行速度快等特点。研究对焦炭生产具有一定的理论指导意义。