浅析基于网格划分电梯振动异常数据快速检测算法

针对现有的异常数据检测算法存在的问题,本文在网格划分的基础上,提出了基于网格划分电梯振动异常数据快速检测算法。在进行数据预处理后,对振动数据进行中心区域聚类,从而获取其电梯运行期间电梯振动的整体表现,通过实验表明,本文算法还能快速有效地检测出电梯运行过程中的异常数据,为快速判断电梯运行安全情况提供了数据支撑。     

基于高维空间聚类的集中供热末端数据异常检测

因集中供热建筑结构、住户行为习惯等差异,末端住户供暖数据具有特征差异大、非线性强、数据量大、响应时间长等特征,在原数据空间中利用聚类分析进行异常检测造成类间数据交叉,精确性无法保证。本文提出高维高斯混合聚类算法,将数据集映射到高维空间进行聚类,利用核函数映射、内积运算与高维特征空间分解等计算方法,提高精确度,规避维数灾难。搭建工业大数据分析平台,对比K-Means、高斯混合、恒虚警率、高维高斯混合算法聚类结果与异常检测精确度,本文所提算法将准确性提高到90.72%,误报率降低到5.92%,结合该算法完成4类异常用热数据集的解释与辨识。高维高斯混合聚类可以有效分析用户用热特征、检测异常数据,辅助降低采暖能耗,实现建筑节能。     

基于聚类和距离的大数据集离群点检测算法

针对已有的基于距离的离群点检测算法在大数据集上扩展性差的问题,提出了基于聚类和距离混合的大数据集离群检测算法.算法第一阶段采用层次聚类和k-means混合的层次k-means算法对数据进行聚类,并按照一个启发式规则对其进行排序.第二阶段在聚类的结果上采用嵌套循环算法进行离群检测,并通过两个剪枝规则进行高效舅枝,减少了离群检测时数据点之间距离计算的次数.理论分析和实验结果证明了算法的可行性和效率.     

基于大数据分析的变频器异常检测方法

变频器设备机理复杂、设备监测数据异常样本少,导致在实际应用中基于经验和基于模型的异常检测方法操作性难、常规的数据驱动方法可行性差。针对上述问题,结合密度峰值聚类与时序运行数据的转移特点,提出一种基于大数据分析的变频器异常检测方法。该方法首先通过密度峰值聚类将运行数据聚类,然后将时序过程数据在不同类簇间的动态变化规律用概率表示,并基于聚类结果和转移概率提出异常检测体系框架,最后通过异常案例验证该方法的有效性,表明该方法能够正确识别变频器异常行为。     

复杂工况下综合传动装置状态监测数据异常检测方法

针对综合传动装置运行过程中,工况变化及装置故障状态引起的数据异常、难以有效区分这一问题,提出了一种适用于复杂工况下综合传动装置状态监测数据异常检测的方法。首先,采用基于密度的聚类方法(DBSCAN)对状态监测数据进行了关联变量聚类,以排除非关联数据对数据重构准确度的干扰;然后,利用深度降噪自编码网络构建了状态监测数据重构模型,获取了对异常数据敏感的偏差特征;最后,利用支持向量数据描述(SVDD)算法构建了正常状态监测数据偏差特征的超球体,完成了复杂工况下对综合传动装置状态监测数据异常的检测;为了验证该方法对综合传动装置状态监测数据异常检测的有效性,以某型综合传动装置为研究对象,在多组综合传动装置漏油实验数据上进行异常检测验证分析。实验结果表明：该方法实现了在综合传动装置不同程度漏油故障条件下对状态监测数据异常进行检测的目的,且其准确度整体高于92%。研究结果表明：该方法可以有效检测出综合传动装置早期异常运行状态,为综合传动装置健康管理与劣化评估奠定基础。     

基于耦合自适应距离的高维异常检测算法

距离聚类方法是航天器等复杂系统实现遥测参数异常检测的常用方法之一,但在面对高维遥测数据进行异常检测任务时,往往会暴露出效率低下、精度劣化等严重问题。针对基于高维遥测数据的航天器异常检测难题,提出了一种基于耦合自适应的改进距离定义,并针对归纳监视系统(IMS)算法这一经典距离聚类算法进行了改进。该方法利用历史数据的分布特征,在进行聚类的同时,对于参数耦合性进行动态挖掘,并将挖掘到的知识高效地投入到异常检测任务。最后,采用运载火箭电源系统的真实高维遥测数据对所提方法进行了应用验证。在与多种传统基于IMS的异常检测方法的对比实验中,该改进算法检测效率与准确率较另两类IMS算法中的最优方法分别提升了41.83%和69.03%,验证了运用该距离定义的检测方法在效率与精确率上的优越性。     

基于MATLAB与C#联合仿真的电力数据离群点检测研究

在开发和利用电力设备运行数据时,需要对其进行清洗,从中检测并剔除离群点样本。针对电力设备运行数据特性,利用K-means聚类算法实现离群样本的检测与处理,并利用MATLAB和C#联合编程技术,开发了电力设备离群点检测系统,不仅能快速准确地检测离群样本,而且还获得友好的可视化界面,给离群样本的检测和处理带来了便利。     

基于聚类离群因子和相互密度的离群点检测算法

针对大多基于聚类的离群点检测算法往往需要人工输入参数,对于不同的数据集很难选择一个合适参数的问题,将无参数的基于自然邻居的离群点检测算法的自然邻居搜索算法和密度峰值聚类算法相结合,提出一种基于聚类离群因子和相互密度的离群点检测算法。该算法使用相互密度和γ密度构造决策图,将γ密度异常大的样本点作为聚类中心进行聚类,最后根据聚类的离群因子找出离群聚类边界检测离群点,该算法不需要人工输入参数。在模拟数据集和真实数据集下进行了实验,证明了所提算法能很好地进行聚类和离群数据的挖掘。     

基于支持向量机的农田水利灌溉分流机械运行异常检测

农田水利灌溉分流机械运行中未对运行数据进行处理,导致其存在检测性能差和检测率低等问题。为此,提出基于支持向量机的农田水利灌溉分流机械运行异常检测方法。采用组织映射算法聚类处理灌溉分流机械的运行数据,通过尺度不变特征变换 SIFT 方法获取运行数据特征,把免疫算法引入支持向量机中,将获取的运行数据特征输入支持向量机中,完成农田水利灌溉分流机械运行的异常检测。实验结果表明,该方法提升了农田水利灌溉分流机械检测的有效性。     

基于运行规律和TICC算法的风电SCADA高维时序数据聚类方法

针对大型风力发电机组高维SCADA时序数据的工况识别问题,结合风电机组运行规律和TICC算法,提出一种自动分割聚类方法。从高维的SCADA数据中选取风速、转速和桨距角等少量特定参数作为初始分割聚类对象,分析特定参数的运行规律,确定风电机组理论的运行工况。选取一段特定参数的历史数据,利用TICC算法进行离线聚类分割,获得聚类的最优特征参数。将最优特征参数作为TICC算法的输入,对新的特定参数时间序列数据进行分类。最后根据特定参数时间序列的聚类结果,对未进行分割的SCADA时序数据进行聚类处理。选取某2.5 MW双馈风电机组的SCADA时间序列数据对方法进行验证,同时将所提出的方法与FCM算法、GMM算法、K-Means算法进行对比研究。实例验证和对比研究表明,所提的聚类方法充分融合理论知识和TICC算法的优点,可高效处理高维SCADA聚类分割问题,同时保证聚类结果与理论分析结果一致性。     

基于历史数据聚类的火电机组工况划分

针对调峰背景下火电机组非稳态工况增多,以及常见运行工况偏离设计工况等问题,提出了基于历史运行数据聚类的工况划分模型。首先,考虑到运行数据中非稳态工况与稳态工况并存的情况,以功率作为特征变量,提出基于功率差值期望区间估计的稳态判别算法,筛选出历史数据中的非稳态工况;其次,由于稳态工况下外部边界条件变量的分布差异性,提出改进的多步K-均值聚类算法进行稳态工况的划分,并利用silhouette评价准则确定每步条件下的最佳聚类数;最后,采用某实际发电用重型燃气轮机的历史运行数据进行模型验证。通过与传统K-均值聚类算法比较,所提出的模型能够有效解决工况分类数目较少以及样本分布不均的问题。     

基于CA算法的模糊关联规则在锅炉低NOx排放中的应用

针对火电厂锅炉的NOx排放控制问题,采用CA(competitive agglomeration)算法对影响锅炉NOx排放的主要相关参数进行模糊聚类,得到符合数据分布特征的优化聚类个数和相应的模糊划分矩阵,在此基础上,挖掘出可以指导锅炉低NOx排放运行的模糊关联规则。CA算法克服了FCM(fuzzy c-means)算法聚类个数人为固定的缺点,聚类结果更符合数据的分布特征,特别适合对具有高偏态分布特征的数据进行聚类。通过对挖掘结果分析并进行效果验证,结果表明:本方案挖掘出的模糊关联规则可以有效指导锅炉NOx排放运行在一个较低的水平。     

基于Dirichlet过程混合模型的滚动轴承运行状态识别

针对滚动轴承的运行状态识别问题,利用典型DP混合模型良好的聚类特性,提出了基于DPMM的滚动轴承运行状态识别算法,并推导了算法聚类的详细步骤。利用轴承状态监测数据进行了验证和分析,结果表明:DPMM算法不依赖于训练样本,模型结构能够随着观测数据的变化实现自适应变化和动态调整,自动识别轴承的运行状态数;同时,识别结果不依赖于DPMM算法初始参数的选择,具有较强的稳定性和适应性。     

基于双网格校正小波聚类的转子故障诊断

针对网格聚类算法不可避免产生的网格量化问题,提出一种基于双网格校正小波聚类算法。该算法以最大密集网格规则下获得的网格划分k值进行原始网格小波聚类,以均匀分布假设规则下获得的网格划分k值进行校正网格小波聚类,通过校正算法得到最佳聚类结果。通过基于双网格校正小波聚类的转子故障诊断实例表明:双网格小波聚类降低了网格划分和网格密度阈值对聚类质量的影响,提高了精度;双网格聚类的并行校正处理缓和了一种尺寸下网格均匀划分与数据对象非均匀分布之间的矛盾,为网格量化问题提供了一种解决思路。     

基于时间序列和聚类的挤压机能耗异常检测研究

挤压机能耗数据异常分为点异常和模式异常,传统的异常检测方法往往只能检测出其中一种。基于此,使用一种基于时间序列和聚类的能耗异常检测方法。针对点异常,提出一种基于K-Means和LOF的算法(K-MLS);而对于模式异常,设计K-异常因子(K-MLOF)检测算法。为验证方法的有效性,利用某铝型材企业能耗数据对其进行验证和对比分析,结果表明该方法具有较高的精度。     

基于改进FCM模糊神经网络的水处理过程建模

本文结合改进的FCM聚类分析算法,提出了一种自适应T-S模糊神经网络用于建立水处理过程的模型.该方法通过减法聚类初始化FCM聚类算法,加快了FCM聚类收敛速度,利用改进后的FCM算法对数据集聚类,从而产生输入空间的模糊划分和模糊规则;并用混合BP和递推最小二乘学习算法对前件和后件参数进行优化.最后,将本文的方法用于建立水处理过程的模型,仿真实验的结果表明该方法具有收敛快、精度较高、泛化能力好的优点.     

结合模糊(C+P)均值聚类和SP-V-支持向量机的TSK分类器

为获得具有模糊规则自适应约简性能和较好的泛化性能的TSK分类器,本文提出了一种结合模糊(C+P)均值聚类(FCPM)算法和SP-V-支持向量机(SVM)分类算法来构建TSK(Takagi-Sugeno-Kang)分类器的方法。该方法首先用FCPM聚类算法对训练数据进行聚类;然后根据聚类结果确定TSK分类器的模糊规则前件中的高斯隶属度函数的中心和宽度参数;最后采用成组稀疏约束SP-V-SVM算法对模糊规则后件参数进行学习,该算法不仅改善了系统的泛化性能,还使系统具有模糊规则自适应约简功能,使得系统更为紧凑。与相关算法在UCI和IDA标准数据集分类实验中的模糊规则数和分类性能对比表明:用提出的分类算法所构造的TSK分类器不仅具有较好的分类性能,而且模糊规则数少,有利于构建更为紧凑的模糊分类系统。     

基于改进关联规则的卸船机故障预测模型

为使桥式抓斗卸船机安全稳定运行,针对大量监测数据利用率低、故障诊断不及时等问题,提出了基于兴趣度关联规则的卸船机故障预测模型方法。采用传感器监测和时域分析方法获取卸船机运行参数空间,利用聚类离散算法将监测数据根据其属性值域离散为非线性聚类区间,获取卸船机关联规则组,提取状态数据关联维的权重系数,构建状态监测数据关联规则指向性特征约束函数模型,通过预测模型中关联规则状态的改变实现故障预测。实验结果表明,该方法能有效表征卸船机运行状态监测的关联内部特征信息,实现对卸船机故障类别的预测,降低卸船机故障发生的频率。     

基于聚类算法在车辆检测中特征选择的应用技术研究

随着传感技术和智能交通的快速发展,利用机器学习、人工智能的先进算法对高速公路的车辆通过视频采集进行车辆检测的应用成为研究的热点,通过利用谱聚类算法对车辆检测进行特征选择,探讨了谱聚类算法与K-means聚类算法和LSVM聚类算法的区别,并通过实验数据进行了对比分析。经实践证明,该方法在车辆检测中特征选择时具有较好的效果,能满足实际的要求。     

基于异构值差度量的SOM混合属性数据聚类算法

针对传统聚类算法处理混合属性数据聚类质量不高且聚类结果可视化差的问题,提出了基于异构值差度量的自组织映射混合属性数据聚类算法。该算法以自组织映射神经网络为框架,采用基于样本概率的异构值差度量混合属性数据的相异性。利用分类特征项在Voronoi集合中出现频率作为分类属性数据参考向量更新规则的基础,通过混合更新规则实现数值属性和分类属性数据规则的更新。利用UCI公共数据库中的分类属性和混合属性数据集来测试所提出的聚类算法,并与SOM算法和kprototypes、SBAC、KL-FCM-GM算法进行比较。最后将所提出的聚类算法应用于轮式移动机器人的运动状态分析,获得了较好的聚类效果。