基于语义识别和机器视觉的智能审核方法研究

为实现报告自动化审核，本文提出通过基于网页提取信息填充报告模板，根据脚本算法审核报告基本信息，将报告中的文字及图片内容进行特征提取以及深度学习，识别报告结论的逻辑及技术准确性。结合优化OpenCV图像识别算法，在实现图片占用最小空间特征识别的基础上，实现图片信息提取。该研究具有较好的通用性，为实验室报告审核工作提供高效解决思路。     

基于CHMM和SSA-SVM模型的高速铁路道岔设备健康状态评估方法

为更加精准地评估道岔设备健康状态，加强对设备的维护与管理，以ZDJ9型转辙机驱动的高速铁路道岔设备为研究对象，提取道岔功率曲线的时域、频域特征指标及经验模态分解奇异值熵，组成道岔特征指标向量，并采用核主成分分析法消除原始多维特征信息的冗余，构建道岔特征指标样本数据库；利用连续隐马尔可夫模型划分道岔退化状态，在此基础上，建立麻雀搜索算法优化支持向量机的健康状态综合评估模型。研究结果表明：所构建的健康状态评估模型的评估正确率高达98.75%,不仅能够实现高铁道岔设备健康状态综合评估效能，而且明显优于GridSearch-SVM、GA-SVM、PSO-SVM等组合算法，为实现道岔设备由“故障修”到“状态修”的综合智能维护提供可行途径。     

云南省通建高速公路沿线滑坡降雨阈值估计

山区高速公路沿线每年雨季常发生滑坡，严重威胁高速公路的安全运营。目前，降雨阈值估计已成为降雨诱发滑坡气象预警最常使用的方法。然而，有些研究区数据不全(如历史滑坡以及对应的降雨事件),经验统计方法往往受到限制；同时，经验统计方法通常提供的是一个区域阈值，对于高速公路这种线形工程适用性不强。针对以上问题，以云南省通建(通海县-建水县)高速公路为研究对象，利用数值模型(TRIGRS)和最小二乘支持向量机(LSSVM)开发了基于物理模型的降雨阈值计算方法；最终，获得了研究区降雨阈值的空间分布。结果表明，与简单的经验阈值相比，通过数值模型给出的降雨阈值空间分布，不仅能反映研究区不同位置地形条件、土壤厚度等关键指标的差异对降雨阈值的影响，也能给出在不同降雨强度下最容易发生滑坡的区域，可为区域滑坡气象预警提供依据。     

融合主成分分析与支持向量机的船舶异常行为识别方法

为解决船舶异常行为识别率低下的问题，综合考虑船舶属性和运动特征，提出了一种融合主成分分析和支持向量机的船舶异常行为识别方法。根据船舶作业过程对船舶行为模式进行划分，并明确船舶行为模式相关的船舶运动特征；进而以船舶自动识别系统数据为基础，运用主成分分析算法提取最具代表性的船舶运动特征；最后运用支持向量机算法对船舶异常行为进行识别。选取青岛港附近水域的船舶轨迹进行试验分析，结果表明：青岛港附近水域最具代表性的船舶运动特征共10个，总贡献率为84.40%;船舶异常行为识别结果的平均精确率和平均召回率分别为83%和84%,均优于对比模型。研究成果可以为船舶位置异常、轨迹异常、航速异常、航向异常等异常情况的智能发现和海事监管提供支撑。     

基于ICEEMDAN-FE和支持向量机的三电平逆变器的故障诊断技术

为了提高三电平逆变器复杂开路故障诊断的准确率，提出了一种应用“改进自适应噪声完备集合经验模态分解-模糊熵（ICEEMDAN-FE）”和“支持向量机（SVM）”结合的三电平逆变器故障诊断方法。首先，检测信号选取三相负载电压，为降低特征向量的维数，对三相负载电压进行Concordia变换，转换为α-β相电压；然后，通过ICEEMDAN算法提取α-β相电压的特征，得到不同尺度的内禀模态函数（IMF），再利用主成分分析（PCA）降维剔除IMF虚假分量；最后，计算优选的IMF的模糊熵均值作为特征向量，输入到多分类SVM中进行训练分类，进而实现对二极管中点箝位型（NPC）三电平逆变器的故障诊断。仿真试验结果表明，该方法能够有效识别多种开路故障模式，具有抗噪性能强，诊断速度快，诊断精度高等优点。     

基于混合模型的道岔综合监测系统研究

道岔作为关键的铁路信号设备，也是铁路线路三大薄弱环节之一，其工作质量直接影响列车的运行安全。传统的道岔检测方法过分依赖人工经验，检测效率低下，难以应对现有铁路运行中行车速度快、发车密度高等对道岔维护所带来的严峻挑战，并且现有道岔监测也存在监测项目不全面等问题。为满足工电融合需要，开发了一套基于混合模型的道岔综合监测系统，使用卷积神经网络自动进行特征提取，以获取道岔状态，充分发挥深度学习的自动特征提取优势；采用支持向量机和向量域的混合算法，对正常/故障数据进行分类和异常检测，从而提高故障检测的准确率。测试结果表明：与现有人工巡检方法相比，该系统能够为相关人员提供精准、实时的道岔故障预警，提高维护效率，有效减少人力成本且降低道岔病害的发生概率。     

基于DCNN-SVM的道岔智能故障诊断方法研究

针对道岔故障难检测、难分类、时效差等难题，以S700型转辙机道岔为研究对象，提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手，总结故障类型、故障原因和故障信号形态特征，并对道岔转换动作曲线进行预处理，即数据统一维度和归一化。然后计算标准电流曲线和功率曲线，根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选，选取对故障分类具有明显效果的时域特征，以及根据深度学习算法获取的图像特征，形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练，并基于诊断模型实现道岔故障的实时诊断。实验表明：在样本数据量足够大的情况下，DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。     

基于蚱蜢算法优化变分模态分解的滚动轴承故障诊断

针对变分模态分解(VMD)在处理实际信号无法预先掌握其分解参数(K,α)而限制其使用，以及包含故障信息的特征参数的选取问题，提出了自适应变分模态分解(AVMD)算法。该算法首先以所分解模态的平均包络信息熵和包络峭度两种指标融合作为目标函数，利用蚱蜢算法(GOA)寻优，获取VMD的分解参数(K_op,α_op),接着对原始振动信号进行VMD分解，通过能量百分比的计算，选取能量90%及以上的敏感模态，对其多域联合的特征参数构建特征向量，最后利用支持向量机(SVM)对滚动轴承的四种状态进行识别。通过滚动轴承数据集分析表明，采用AVMD方法提取的故障特征比EMD、EEMD、传统VMD以及PSO-VMD等方法提取的故障诊断特征的故障模式识别准确率更高，在测试数据集上的准确率达到99.166 7%。