基于深度学习的工程作业智能监控技术的模型优化测试

为了改善输变电工程作业人工检测效率低、人员财产安全风险频发问题，提出了一种基于神经网络模型压缩目标检测技术，结合改进的卡兹曼滤波进行目标跟踪，实现无人机对输变电工程的智能监控。通过深度可分离卷积模型，降低参数数量、提高推理速度，引入注意力机制和剪枝算法，降低神经模型复杂度和非必要参数，减少信息处理数量。同时采用欧氏距离改进的卡尔曼滤波进行目标跟踪，提升目标跟踪的实时性和准确性。实验结果表明，提出的组合模型算法与传统算法对比，可以充分提取文本的高频特征信息，对于不同颗粒度的数据集的准确率提升8%,召回率降低4%,性能更优，具有一定的科研及应用价值。     

基于人工智能的工程监理信息异常检测仿真技术研究

为降低工程监理信息系统异构感知网络的入侵攻击,建立了工程监理信息系统入侵检测模型,并将聚类协议与人工智能算法相结合,以提高系统入侵检测效率。实验结果表明,人工智能算法的准确率、F1分数、召回率均大于99.5%,可有效检测到工程监理数据信息异常获取,拒绝服务类攻击及病毒类攻击,从而保证工程监理信息系统运行正常。当误报率为0时,基于人工智能算法的入侵检测率高达97.3%;当误报率为100%,入侵检测率仍高达91.2%。研究结果可为工程监理信息系统检测提供参考依据。     

基于kNN算法的智能电网5G海量接入数据异常检测

为了更好适应智能电网高维数据异常识别,提出了一种加权kNN数据异常值检测识别方法,该方法使用Z阶曲线来识别kNN。利用Z阶曲线,提出了一种加权kNN异常数据检测方法。用信息熵衡量所有属性的重要性,用Z阶曲线对高维数据进行编码并映射为Z值。实验结果表明,智能电网集群计算节点的数量越多,算法的运行速度就越短。发电数据异常检测准确率达到最高99.2%,较随机森林算法提高8.165%。且kNN算法的运行时间均优于随机森林算法运行时间,最小算法运行时间为4 s,进一步表明kNN算法可有效检测智能电网5G海量接入数据。     

基于复杂网络的化工过程层次符号有向图模型建立及关键节点识别

针对定性符号有向图（signed directed graph,SDG）在化工过程系统中建模复杂度高、故障分辨率低、容易忽略部分变量等问题,提出一种基于复杂网络理论构建层次SDG网络模型并识别关键节点的方法。首先利用层次分析法对化工过程系统划分递阶层次结构,建立基于子系统的系统SDG网络模型,选取度中心性、接近中心性等多个节点重要性评价指标,采用主成分分析法确定各指标权重并利用逼近理想排序法（technique for order preference by similarity to an ideal solution,TOPSIS）多属性决策方法得到节点重要性的综合评价值,初步识别关键节点所在的子系统;然后建立子系统的SDG模型并细化为有向网络,采用LeaderRank算法对节点重要性进行排序,进而在子系统网络模型中确定关键节点的位置。案例计算结果表明该方法可以有效地降低建模的复杂性,提高关键节点识别的全面性和准确性,从而改善化工过程系统的安全稳定性。     

基于复杂网络控制理论的换热网络旁路位置确定

换热网络的旁路控制是增加自由度和提升系统控制性能的有效手段。为了保证控制的有效性和经济性,本文基于复杂网络理论,结合“下游路径”理论中换热网络的干扰传递规律,构建出换热网络的有向加权的复杂网络模型,然后把换热网络旁路抽象为复杂网络驱动节点集,权衡可控性与经济性两方面因素,给出两种旁路位置确定方法。在可控性要求较高时,基于复杂网络结构可控性理论,提出了换热网络全局可控的旁路位置确定法,该算法不仅通过设置最少的旁路实现了换热网络的全局可控,还实现了对换热网络控制性能的优化;当旁路数目受限时,基于复杂网络目标控制理论,提出了重要节点可控的旁路位置确定法,在保证其重要节点可控的同时,减少旁路数量从而节省投资费用。最后,以大型原油换热网络为例分别求解全局可控和重要节点可控的换热网络旁路位置,验证了该方法的可行性。     

电镀铬废水中Cr(Ⅵ)的网络远程监测系统

在监测电镀铬废水中的Cr(Ⅵ)时,系统多采用接触式检测,监测点数量多,监测准确率低,危险性强。提出基于无线传感网络(Zigbee)技术的电镀铬废水中Cr(Ⅵ)的网络远程监测系统,通过采样对电镀废水中Cr(Ⅵ)含量和内梅罗指数进行检测和分析,依据检测的结果,进行信号转换,增加Zigbee网络节点并获取节点分配地址之间的偏移量,将数据帧转发给其终端子节点,采集到的数据信息经过Zigbee网络进行汇总及处理,实现对镀铬废水中Cr(Ⅵ)的网络远程监测。测试试验证明了该系统在网络远程监测Cr(Ⅵ)的有效性。     

基于节点配置策略的有分流换热网络优化性能探析

应用节点非结构模型（nodes-based non-structural model,NNM）优化换热网络时,合理地配置节点参数（分流组数和分支数）可辅助算法以更高的效率获得更优的结果。然而,NNM模型的设置中,所有热流股共用一组节点参数,所有冷流股共用一组节点参数,因此无法定制化地满足每一个流股对分流的需求。为提高网络中节点的利用率,本文提出了节点配置策略。该策略可根据流股热容流率对流股上的分支数及其组数进行调整,减少无效结构对优化的阻碍,使算法在优化初期快速获得潜在优势结构,提升优化质量。通过10SP和15SP算例验证策略的有效性,所获结果比文献最优结果分别低340USD/a和2285USD/a,且低于同参数下无该节点配置策略的NNM模型所获结果,从算例分析可知该策略可有效辅助提升算法的优化性能,以获取更优的优化结果。     

基于轻量化网络的陶瓷辊道窑火焰图像识别方法

针对热电偶在陶瓷辊道窑高温环境下容易腐蚀老化，导致其温度检测精度下降的问题，提出采用计算机视觉火焰检测代替热电偶的陶瓷辊道窑温度智能检测方法。该方法是一种基于新型轻量化卷积神经网络，通过减少网络深度，以及采用大卷积核的设计，避免模型的过拟合现象，减少了模型的复杂度和推算时间，使模型实现了检测准确性的提升。实验结果表明：该新型轻量化卷积神经网络相比原始MobelinetV2模型，识别特征平均准确率提升了4.58%、平均相对误差减少了0.0918%、运算时间减少了41.89%。显然，该新型网络模型使运算速度和分类性能大大提高。     

复杂非线性系统的子系统分解方法

利用社区发现算法研究了一种复杂非线性化工系统的子系统分解方法,并进行了分布式模型预测控制设计。引入信息图论的节点表示系统的状态、输入和输出变量,构建非线性过程系统的加权有向图,节点通过加权边连接,加权反映了节点间连接的强度,因而能够同时反映系统内部的连通性和连接强度。利用社区结构发现算法将所有变量分成子系统的群组,使得每个组内的关联比不同组间的相互作用强,从而得到复杂化工过程系统的子系统分解。针对连续搅拌反应釜过程,实施子系统分解,并设计分布式模型预测控制算法,结果表明,所提出的子系统分解方法更能考虑子系统之间的连接权重,得到更有利于分布式模型预测控制的子系统划分,提升系统控制的性能。     

基于DNN的活性炭吸附预测及性能评价

传统机器学习在处理有限样本数据时,容易出现过拟合和梯度消失等问题。为解决该类问题,文中以生物质活性炭亚甲基蓝吸附作为研究对象,构建了一种基于深度学习的DNN预测模型。使用Adam算法动态调整学习率、加速网络收敛;采用Dropout函数缓解过拟合;使用ReLU函数作为激活函数解决梯度消失问题。所搭建的DNN模型预测精度和稳健性均显著高于传统的人工神经网络模型,在面对单一来源数据时,预测平均准确率达到99.9%,面对来自不同实验室的多重来源数据时,依然拥有99.8%的平均预测准确率。搭建好的DNN模型以较强的鲁棒性保证了自身的安全性和容错能力,符合数据庞杂且复杂多变的实际应用情况,同时可进行关键影响因子的非线性定量关系预测,从而辅助制备工艺的决策优化。     

基于EfficientNet模型的智能图像识别系统设计

为了实现农业害虫信息的准确获取和害虫图像的智能识别，本文提出了一种基于EfficientNet模型的农业害虫智能图像识别模型，该模型引入SE通道注意力机制，引入标签平滑的数据处理策略来提高模型的鲁棒性，采用迁移学习策略和改进后的EfficientNet-B0网络来训练模型，并将模型部署至基于Android平台的客户端系统。在IP102害虫数据集上进行大规模试验，系统的识别准确率达到了90.76%，较改进前的EfficientNet网络相比有了大幅提升。试验结果表明，本文所提出的模型系统有效提高了作物害虫图像的识别准确率，在农业应用方面有着广泛的前景。     

关键核网络及其在发酵过程在线建模中的应用

发酵过程通常采用流加补料操作,无稳态工作点、非线性强,且重要生物量往往无法在线测量。本文提出了一种适用于非线性多输入多输出的发酵过程在线建模方法：关键核网络（key kernel network,KKN）。结合过程的先验知识给出控制模型关键节点加入的准则,使其能自适应调整模型的复杂度,以提高建模的精度和速度,并给出了关键节点增加时KKN模型的在线递推形式。将KKN应用于青霉素发酵过程的在线建模,研究表明,KKN能同时快速、准确地预报菌体和产物浓度,且随着批次的增加,过程信息不断得到积累,模型精度逐渐提高。     

基于语义分析文本查询系统的设计与实现

在深入分析和研究了多种文本信息查询模型和算法后,提出了基于内容分析的文本查询系统的设计思想和实现策略。该系统主要综合了基于概率统计模型简单且易于实现的优点,借鉴了基于语义分析模型中的查询结果准确率高、查询过程具有一定智能性的特点。文章最后分析了该系统的运行复杂度,并给出了算法的总体性能评估。     

储罐底板腐蚀状况的贝叶斯网络智能评价方法

以贝叶斯网络为基础,利用与储罐底板腐蚀相关的外部表征因素,结合领域专家经验,采用随机重启爬山算法等5种启发式算法,构建储罐底板腐蚀状况贝叶斯网络智能评价模型。对比样本预测结果可知:随机重启爬山算法构建的网络模型预测能力优于其他4种算法学习的网络结构,平均准确率为92%。预测结果表明,该预测模型可解决储罐底板腐蚀状况的预测问题,具有一定的工程应用价值。     

一种非线性系统在线辨识的选择性递推方法

针对非线性系统的在线辨识, 提出了一种选择性递推岭参数极限学习机方法。首先, 推导了岭参数极限学习机模型节点增加的递推算法, 以有效地更新在线模型。其次, 结合训练模型的相对误差, 提出模型节点递推增加的选择性策略, 以限制模型的复杂度, 获得更简单的递推辨识模型。通过一个典型非线性化工过程的在线辨识, 从多方面比较验证了所提出方法的简单有效, 更适合非线性过程的在线辨识。     

基于决策树的实民用建筑供电可靠性智能评估算法

针对民用建筑供电不稳定,评估结果的适应度和准确性较低的问题,基于决策树,设计民用建筑供电可靠性智能评估算法。提取民用建筑供电故障节点信息熵,结合信息源输出平均信息熵与系统内的总信息熵,得到成功与失败节点的信息熵;基于决策树修正可靠性评估数据,对训练样本进行梯度排序与预测,引入随机变量,获取不同时段的数据组统计量;建立民用建筑供电可靠性评估模型,完成民用建筑供电可靠性智能评估算法设计。试验结果表明,在获取网络模型中的最佳节点数量后,最小均方差和平均适应度较优,保证评估算法的精度。     

特征空间递归更新的ICA算法及发酵过程监测应用

及时更新监测模型以适应过程的时变特性,对准确检测出化工过程异常和设备故障具有重要意义。针对普通独立元分析（ICA）算法在更新计算监测模型时计算复杂度高、效率低的缺点,提出了一种基于特征空间递归更新的在线独立元分析（RUFS-ICA）算法。将算法应用于青霉素发酵过程的在线建模与监测中,与普通ICA方法相比,仿真统计结果表明,平均误警率降低至1.67%,基本克服了漏报现象;与其他在线更新算法相比,复杂度明显降低,计算时间减少54.1%,节省了存储量。     

有向网络自适应多平衡点控制

提出了一种新型的分布式控制策略,使得有向网络能够达到多个平衡点,同时网络中节点之间的耦合强度仅根据局部信息进行自适应调整.将网络中需要达到同一个平衡点的节点划为一个小组,发现当某个小组中存在根节点时,则对根节点增加反馈控制器;当某个小组中没有根节点时,则从该组中随机选择一个节点增加反馈控制器,网络就能达到需要的多个平衡...     

基于行为模型的电力用户异常检测应用

由于电力用户系统的脆弱性和高风险，为保护电力用户系统不受全天候的网络攻击，提出了一种基于行为模型的电力用户异常检测方法。该方法从信息系统网络流量中提取行为数据序列，构建控制器和入侵系统受控过程的正常行为模型，并将测试行为数据和预测行为数据进行比较以检测电力用户系统异常。结果表明，基于行为模型的异常检测，可以有效检测异常行为数据。当电力用户信息数据被篡改时，入侵检测系统可检测出行为序列异常。3种不同的入侵攻击假阴性率均小于6.4%,且入侵检测系统准确率均值为0.91,误差率达到最低，可满足实际电力用户系统检测应用。     

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。