VW-MSPC方法在变压器状态评估中的应用研究

针对变压器状态评估变量指标之间具有相关性以及重要性不同的特点,在基于马氏距离的传统多元统计控制图中引入加权马氏距离,设计一种基于变量加权的多元统计过程控制的变压器评估方法。该方法结合关联规则方法给出的变压器关键指标变量体系利用多元控制图的波动检出能力,将变压器各类故障对应的多元实时监测数据转化为一个检验统计量,进而对变压器运行状态进行评估。电流回路过热故障的实例分析表明,相对于现行的变压器状态评估标准,该方法具有更快的故障检出速度;对于已知故障的样本数据的回顾检测表明该方法具有较高的故障检出率。     

基于数据挖掘的齿轮副磨损状态评估方法

为了提高齿轮副磨损状态评估的准确率,基于数据挖掘技术提出了一种新的齿轮副磨损状态评估方法.该方法通过设计直齿圆柱齿轮副磨损实验,提取实验齿轮副全寿命周期内的油液参数和振动参数,对齿轮副磨损状态进行聚类划分,建立了监测参数与齿轮副磨损状态之间的关联规则集及齿轮副磨损状态关联规则匹配算法,用于识别齿轮副的磨损状态.研究结果表明:基于数据挖掘的齿轮副磨损状态评估方法对齿轮副磨损状态的识别率达90%,能有效地评估齿轮副磨损状态.      

基于支持向量机的励磁涌流识别算法

为提高变压器差动保护识别励磁涌流的能力,将支持向量分类机应用于励磁涌流识别,提出了一种基于支持向量分类机的变压器励磁涌流和内部故障识别新方法.基于励磁涌流和内部故障电流的特点,充分考虑电流互感器饱和的特点提取电流互感器二次侧间断角和二次谐波等特征,并对励磁涌流和内部故障电流的识别方法进行了分析;用EMTDC程序进行仿真,生成训练样本和测试样本,对支持向量机进行了训练和测试.结果表明,应用支持向量分类机对励磁涌流和内部故障进行识别,识别率平均可达99%以上.     

基于模糊灰色关联神经网络的综合故障诊断方法研究

考虑到灰色关联诊断中模式向量各参数量纲不同,数量级存在差异,且各种特征因子有各自的应用缺陷,通过将模糊理论和灰色关联度相结合.形成所提取故障特征值的模糊关联度,将模糊关联度作为神经网络的输入量进行故障种类的识别,提出了模糊灰色关联神经网络故障识别方法,实现了针对在不同工作状态下的故障识别.对舰船主动力系统故障进行实例诊断研究,诊断结果表明,该方法准确、有效.     

公路突发事件应急演练动态脚本生成方法

为了实现应急预案与应急演练脚本双向应用,形成反馈机制,提出一种基于预案解析的公路突发事件应急演练动态脚本生成方法。以应急演练脚本为研究对象,首先,通过应急预案数字化解析,提取并确定应急演练脚本关键要素;其次,构建静态应急演练脚本集,并进行结构化处理,形成应急演练数据与演练逻辑库;然后,构建相似度匹配方法,根据拟演练突发事件关键信息指标与属性值,匹配应急演练程序、具体处置方案、风险防范点;最后,关联演练突发事件状态,有序匹配演练脚本集,形成公路突发事件应急演练动态脚本生成方法,包含事件类型与级别、应急响应程序、现场处置方案、应急处置风险防范点四部分内容。以某一交通事故为例,使用该方法进行应急演练脚本动态生成的验证,结果表明该方法具备合理可行性。     

基于模糊灰色关联模型的舰船液压装置故障诊断研究

从舰船液压装置及其故障的特殊性出发,提出液压系统是个灰色系统,其故障具有灰色性质,从而为灰色系统理论应用于液压装置的故障诊断提供了前提.鉴于液压系统的状态特征参数不确定或存在区间取值,基于模糊隶属函数提出了一种模糊灰色关联诊断模型,并对舰船液压装置进行故障诊断研究.结果表明,在信息量较少的情况下,模糊灰色关联分析方法是舰船液压装置状态识别与故障诊断的一个有效工具.     

基于加权FCM算法的轴承故障诊断

提出一种基于特征评估和特征加权FCM算法的滚动轴承故障诊断方法．对原始振动信号提取时域、频域和小波包归一化能量特征,组成联合特征．然后对联合特征进行评价,计算类可分性评价指标．根据该指标大小选取敏感特征,进行特征加权模糊聚类分析,实现对轴承故障状态的自动识别．特征评估克服了传统方法在特征选择上的盲目性,特征加权提高了分类准确率．实例表明,该算法不仅可以可靠识别不同类型的滚动轴承故障,而且可以识别不同程度的故障．     

参数优化VMD对变压器声音信号的故障诊断

变压器内部局放声音信号包含了设备故障特征信息,但是局放声音信号的非线性、非平稳性使得故障特征难以提取,因此现有基于声音信号识别变压器内部故障识别率低.为此,提出模拟退火优化变分模态分解—样本熵的特征提取方法,并与支持向量机结合进行变压器内部局放故障诊断.首先,基于模拟退火算法实现变分模态分解(variational mode decomposition, VMD)的参数寻优;然后,采用最优参数设定VMD并对故障声音信号进行分解,得到包含故障特征的本征模态函数,进而求取各本征模态函数的样本熵作为对应样本的特征向量;最后,利用支持向量机实现特征向量的识别与分类.模拟实验结果表明,所提出的方法可以有效提取局放故障声音信号的特征,具有较好的故障识别率.     

基于多维关联规则和RFID的地铁施工实时动态监控研究

从地铁施工灾害风险源入手,采用多维关联规则数据挖掘方法甄选出关键警兆指标;EPC编码标签和监控看板对关键警兆指标信息进行标识;RFID射频识别技术实现信息的自动识别和远程监控.以期达到地铁施工现场各类分散风险信息的准确采集、实时监控和动态跟踪.     

一种新型变压器差动保护起动元件

在电力变压器中,励磁涌流会引起变压器差动保护误动作。针对这一问题,提出一种新型的变压器差动保护起动元件———基于小波变换的行波识别起动元件,并且通过MATLAB中的simulink和wavemenu进行仿真。仿真结果表明,该起动元件可以正确识别励磁涌流与内部故障电流,从而能有效避免差动保护误动作。     

基于扩展概念格的带约束关联分类规则挖掘方法

提出一种改进的带约束的关联分类规则挖掘方法.采用扩展概念格结构存储数据库中全部的频繁项集以保证信息不丢失,通过相关定理削减大量候选项目集,并引入差集概念加快了对类属性的支持度和置信度计算速度,从而加快格构建过程,同时减少了格结点占用空间,在之前构建完成的扩展概念格上根据给定的约束条件进行规则提取.在三种不同的数据集上对所提出的方法进行挖掘时间与内存使用测试,并与已有关联分类算法进行对比分析,实验结果表明所用方法不仅在时间和空间上性能良好,还满足重用性要求.     

基于梯度关联规则的老年行人交通事故风险识别

为构建老年行人交通事故严重程度风险关联因素识别方法体系，本文应用极限梯度提升关联规则挖掘算法(Extreme Gradient Boost-Apriori，XGB-Apriori)识别城市道路老年行人交通事故风险因子。运用机器学习优化关联规则算法结构，通过机器学习库 scikit-learn 中 XGBoost (Extreme Gradient Boost)算法与SFM(Select From Model)特征选择类功能实现变量特征值的选择。进而，对Apriori算法设置有序定向约束，得到适用于交通事故致因分析的数据挖掘技术。通过逐层迭代识别关联项，选取频繁项集，总结高置信度、高提升度的关联规则。关联因素模型评估结果表明，本文采用的SFM功能准确度可达78.31%，关联规则XGB-Apriori算法较传统算法精度提升了91%。挖掘结果显示，驾驶员与行人的自身特征、车辆特征、碰撞状态以及道路特征均对老年行人交通事故的严重程度具有重要影响。其中，男性驾驶员造成的行人死亡事故频次较高，女性驾驶员造成的受伤事故频次较高；大型、重型车辆(SUV、卡车、施工车)发生死亡事故频次相对小轿车更高；位于匝道等道路线型弯曲的坡道中，老年行人发生致死交通事故的频次相对线型缓和路段更高。本文对老年行人交通事故耦合因素全面识别并针对性提出风险防控精准预判方法，为有效保护道路弱势群体提供必要的理论支持。     

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明：笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S_SNR=-4～6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。     

基于粗糙集-模糊识别技术的交通流状态识别算法研究

构建了基于粗糙集约简的交通流状态模糊识别算法,利用粗糙集属性约简技术在多个交通流参数中获得反映交通流变化的表征变量及其重要度值,在此基础上采用模糊识别方法构建交通流状态识别算法,算法针对三种交通流状态的识别,包括正常状态、常发性拥堵状态、偶发性拥堵状态.利用实际城市快速路的数据,以识别率和误报率为衡量指标,将文中的算法与其他算法进行了对比研究,结果表明在同样的误报率水平下可以得到更高的识别率.     

采用改进多尺度符号动力学熵的铁路机车轴承故障诊断

针对铁路机车轴承在真实复杂环境下故障特征难以提取而导致故障诊断困难的问题，提出一种改进多尺度符号动力学熵（IMSDE）的铁路机车轴承故障诊断方法。首先，通过邻域滑移均值化的方式改进多尺度符号动力学熵，克服了传统粗粒化造成的熵值偏差缺陷；然后，利用IMSDE充分提取振动信号在不同尺度下的关键故障特征；最后，结合极限学习机（ELM）实现铁路轴承不同故障类型与程度的识别。在此基础上，分别进行了3组试验分析。结果表明，对人为构造的轴承故障和工程实际产生的轴承故障，该方法都具有精准的故障识别效果，对比其他4种方法故障识别率更高，验证了该方法具有一定的工程实际应用价值。     

基于时空自相关的道路交通状态聚类方法

城市道路交通状态的识别对交通管理部门进行交通管理控制、出行诱导,以及 道路设施改造具有重要意义.本文运用时空Moran 散点图探索城市道路交通的时空关联 性,并据此构建一种基于时空自相关预分类的道路交通状态层次聚类方法.运用本文所提 出的聚类算法,以北京市二环快速路外环方向的路段为例,进行聚类研究,并分析了各类 型路段的交通状态时空特性.案例研究表明,所提出聚类算法能对道路交通状态进行有效 判断,充分反映交通需求与路网结构之间的内在匹配关系.特别是畅通异质和拥堵异质两 种交通状态的提出,为识别高峰时段路网中的瓶颈路段和能力富余路段提供了一种新的 思路和方法,进而可为完善路网、缓解拥堵及制定交通管理措施提供依据.     

基于MK变点检测和加权HMM算法的NILM研究

为了更可靠的提升居民用户非侵入式负荷的分解能力,将整个识别过程分为负荷事件识别和状态识别两个过程。分别提出一种基于双滑动窗的MK变点检测算法以及加权双参量隐马尔可夫模型进行负荷事件识别和状态识别。并在状态识别中将每个设备各内部状态在每个时间段的出现概率作为权值带入到算法。通过数据验证以及对比实验,表明NILM算法能够较为有效地对居民负荷进行识别。     

城市轨道交通关键设备识别与运行状态评价

为了科学把握城市轨道交通系统关键设备运行状态，保障城市轨道交通设备运行安全，研究提出了城市轨道交通关键设备识别与运行状态评价体系。首先，通过人员访谈和现场踏勘检查的方式对深圳地铁集团有限公司、厦门轨道交通集团有限公司等企业进行了实地调研，建立了多层次城市轨道交通系统设备评价体系；其次，以设备发生事故的频次程度（Frequency, F）、发生事故的严重程度（Severity, S）和运营单位对风险设备的管控程度（Control, C）作为评估指标，采用层次分析法（Analytic Hierarchy Process, AHP）确定指标权重，建立了AHP-模糊FSC综合评价模型，识别城市轨道交通关键设备；再次，借鉴欧洲RAMS（Reliability, Availability, Maintainability, Safety）标准，以可用性指标判断设备运行状态，并将其划分为健康、良好、危险以及严重4个等级。最后，以深圳地铁1号线通信信号系统为例进行验证。结果表明，该研究成果可以识别城市轨道交通关键设备和判断设备运行状态，为城市轨道交通关键设备运行状态评价提供了一种切实可行的操作方法。     

基于多源数据的城市群枢纽间多模式交通系统异常状态影响研究

为探究城市群多模式交通系统异常状态的影响范围,从需求端非常态客流变化和供给端运输能力下降两方面对多模式交通系统异常环境进行分类,提出了基于手机信令数据、意向出行调查及客票信息等多源数据的异常状态影响范围识别流程和分析方法;以京津冀城市群为例,确定强链接枢纽间通道客流动态安全阈值,提出了基于贝叶斯预测的通道客流异常检测方法;利用提升度、余弦相似度及其标准化值来区分枢纽关联规则的有效性,提出了基于强关联规则确定异常状态影响范围的方法。研究表明：基于贝叶斯预测的通道客流异常检测方法具有实时性,提高了客流安全阈值精度;基于实际手机数据和假定异常情况下的意向调查数据并结合关联规则确定枢纽影响范围,可为利用数据挖掘技术分析突发异常状态的影响和对策提供借鉴。     

基于模糊神经网络的驾驶警觉度识别方法研究

为了有效识别驾驶警觉度,构建了一种基于脑电信号的驾驶警觉度识别方法。首先,以主观疲劳测评、驾驶行为绩效作为量化指标,验证驾驶警觉度等级划分的合理性。在此基础上,对脑电信号数据进行小波变换提取特征参数,作为驾驶警觉度的识别特征指标,结合模糊神经网络构建了驾驶警觉度识别模型。最后,采用该模型对20名驾驶员连续驾驶3h的脑电数据进行试算。结果表明:通过对前后时段的主观疲劳与行为数据进行对比分析,两时段数据存在着显著差异性,说明驾驶警觉度等级划分具有合理性;采用模糊神经网络的识别结果优于BP神经网络,其模型识别正确率为81.29%～84.95%,且平均正确率为83.12%,该方法可用于驾驶警觉度的识别。