一种涡轮泵故障阈值检测算法

涡轮泵是火箭发动机的心脏,是火箭发动机中的高速旋转组件,也是故障率较高的部件之一。涡轮泵的可靠性在整个发动机的可靠性中占有重要地位。传统的故障检测有时会出现虚警或漏警的现象,而且主要用于试车后的状态分析与评估;在实时故障检测中存在很大的不足。涡轮泵发生故障的主要原因是由于振动,因此振动加速信号研究对涡轮泵的故障检测显得尤为重要。通过一种阈值检测算法对振动加速信号进行研究,并结合已有涡轮泵故障信息对该算法进行验证,验证了该算法的准确性、实时性等要求。     

基于K近邻算法的钢筋混凝土柱地震破坏模式判别方法

钢筋混凝土（RC）柱在地震力的作用下会发生不同的破坏模式,不同的破坏模式会有不同的损伤特点。所以,有必要针对不同地震破坏模式提出有效的判别方法。首先基于SMOTE算法使数据样本达到均衡,其次根据ENN算法,筛选了判别弯曲破坏和非弯曲破坏、弯剪破坏和剪切破坏的最佳参数;再次通过TomekLinks算法合理剔除噪音样本重构均衡数据,最后基于kNN算法建立了两阶段kNN模型,达到了准确判别RC柱地震破坏模式的目的,并通过与传统kNN模型、传统经验方法进行对比分析,验证了模型的优异性。研究结果表明：该方法通过选取筛选最佳参数,在提高判别准确率的同时简化了传统机器学习判别模型;本模型提出的两阶段kNN模型对三种破坏模式的判别准确率均可达90%以上,比传统kNN模型高10%左右,比传统经验判别方法高20%左右。     

采用数据降维的固态硬盘故障检测方法

针对固态硬盘SMART数据包含大量高维数据特征导致故障检测准确率不理想的问题,结合固态硬盘SMART数据的时序特点,基于门控循环单元对传统自动编码器的结构做了改进,提出了一种基于门控循环单元稀疏自动编码器降维的固态硬盘故障检测方法(GAL)。首先利用固态硬盘SMART数据训练GRUAE模型,然后利用GRUAE模型中的编码器作为降维的工具,对固态硬盘的原始高维SMART数据进行降维,减少固态硬盘原始SAMRT数据中噪声特征的影响并突出与数据特点更加相关的特征,以提高故障检测的准确率,最后基于降维过的低维SMART数据利用长短时记忆网络进行故障检测。选取阿里巴巴固态硬盘数据集,对多种人工智能算法在准确率、召回率和F_0.5方面进行了比较。实验结果表明：相比于没有采用任何降维手段,采用GAL方法可使两种闪存类型的固态硬盘的故障检测准确率、召回率和F_0.5分别提高4%、5%、4%和4%、8%、5%,分别达到97%、95%、97%和97%、96%、97%;GAL方法的故障检测准确率、召回率和F_0.5分别超出WEFR对比方法53%、2...     

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。     

基于KPCA与SVM的混合核交通流数据检测

目的针对当前交通流数据识别问题,提出基于KPCA与SVM的混合核交通流数据识别算法,以提高交通流数据识别准确率.方法运用KPCA对数据进行预处理,采用SVM训练分类模型,利用所训练的模型进行识别;以多轿厢电梯交通状态为对象,分别从交通流数据识别分析和仿真实验两方面对所提方法的可行性与精确性进行验证.结果通过与SVM算法、BP神经网络算法进行对比,表明所提方法具有很强的通用性,能有效地预测出交通流,交通流数据识别的准确率达到97. 2%.结论笔者提出的基于KPCA与SVM的混合核交通流数据识别算法可以提高交通流数据识别的准确率,通用性较高,可以实现对目标的实时检测.     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

神经网络与弱学习机制算法在单相接地故障判断中的对比分析

为了进一步提高单相接地故障识别准确率,对比研究了基于BP神经网络与弱学习机制的单相接地故障分类算法在判断单相接地故障准确率方面的问题。根据10 kV架空线路中所采集到的监测数据,使用‘相应电场下降百分比与电流上升突变值构建的向量空间’作为训练样本。采用‘基于终端吸引子的改进的全局寻优自适应快速BP学习算法’与‘基于决策树的弱学习机制算法’,对单相接地故障识别问题进行研究,并对比了两种算法之间的性能。结论为:相比于神经网络算法,弱学习机制算法能够更好地弱化向量识别时阈值问题,从而在进行单相接地故障分类时能将准确率提高到99%以上。     

判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。     

SFSR-Age:一种基于人脸强语义的年龄识别算法

针对因光照、拍摄角度及图片质量等因素导致的经典深度学习算法难以有效提取人脸特征、人物身份识别准确率难以达到理想精度的问题,提出一种基于人脸强语义的年龄识别算法.首先,通过注意力矩阵增强人脸区域的特征权重,达到提取特征区域的目的;其次,使用级联双向长短期记忆(Bi-LSTM)网络学习时序帧之间的特征依赖关系,弥补部分特征缺失对识别精度的影响.在人脸数据集IMDB-WIKI和数据集Adience上进行测试,该算法的年龄识别准确率分别达到78.34%和77.89%.实验结果表明,相比于其他基于深度学习算法的方法,该算法在基于图片数据集的人物年龄识别任务上具有更高的准确率.     

非接触式身份识别的深度学习算法

针对传统基于Wi-Fi的身份识别方法手工编码特征效率低、准确率不高的问题,提出一种基于深度学习的非接触式身份识别(WiID)算法。该算法通过分析子载波中信道状态信息数据的空间相关性,建立了用于深度学习的输入矩阵;采用二维卷积运算从相邻子载波中提取局部空间特征;构建门限循环单元层,从时间维度对空间特征进行时序建模,完成空间与时间两个维度的步态特征提取,实现端到端的非接触式身份识别,有效减少了数据预处理工作量。实验结果表明,与卷积神经网络和循环神经网络算法相比,该算法识别准确率得到了有效提高;在6种不同的实验场景下,该算法的身份识别准确率介于92.9%～95.6%之间,具有良好的身份识别效果及算法鲁棒性。     

一种基于InsightFace算法的课堂人脸识别方法研究

采用人脸识别算法可以快速识别出教室中每个学生的身份,以掌握学生的出勤率信息,从而达到提升教学管理效率,促进教学质量提高的目的.为了克服人脸识别算法应用在课堂环境中识别准确率低的问题,本文提出了一种改进的InsightFace人脸识别算法.该算法基于MobileNet V2网络结构,将带有卷积注意力模块的CBAM-MobileNet网络结构代替InsightFace算法的ResNet人脸嵌入网络,同时采用限制对比度自适应直方图均衡化方法对待识别数据进行预处理,从而提高人脸图像的质量,提升了人脸识别准确率.改进后的算法在LFW和AgeDB-30数据集上测试准确率分别达到98.75%和88.60%,并且使用采集自课堂环境的Smart-Classroom数据集分别对教室中前后排学生的大、中、小三种尺寸人脸进行测试,分别较原算法准确率提高0.1%、2.6%、8.0%.     

一种基于肤色模型的人脸检测方法及DSP实现

针对静态的人脸图片,采用一种新的肤色模型YCh'Cr',判别人脸大致区域,然后再用椭圆形模型来匹配,把人脸和其它的肤色区域判别出来.基于该肤色模型的算法运算速度快,识别准确率高,能够实现快速的人脸检测.     

贝叶斯网络分类器的基于改进粒子群参数学习方法

研究了贝叶斯网络分类器的高效参数学习方法。生成方法解决联合分布的参数估计问题,而判别方法解决后验分布的参数估计问题。对判别参数学习方法的研究,首先通过建立类条件贝叶斯网络模型;在此基础上,对该模型以对数形式参数化,得到判别类条件贝叶斯网络模型;最后,通过改进粒子群算法对该模型进行最优化求解,得到各节点的概率。将贝叶斯网络分类器的判别参数学习方法与TAN分类器相结合,可用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的两次仿真数据进行故障诊断与分类,与其他方法相比,改进的分类器需要的数据量小,准确率和学习效率更高。     

基于GAN改进的人脸表情识别算法及应用

针对传统人脸表情识别算法存在的特征提取能力差、 识别率低和误分类率较高等问题, 提出一种基于生成对抗网络(GAN)改进的人脸表情识别算法. 利用生成对抗网络的博弈思想, 分别设计特征提取器、 特征合成器和判别器, 通过判别器与特征提取器之间的对抗训练, 不断增强特征提取器提取特征的能力和分类器对人脸表情识别的准确率, 并将其应用在工作人员工作状态智能监测中, 根据表情识别结果判断工作状态, 从而合理分配实验室资源, 提高实验室资源利用率. 改进算法在CK+数据集上多次实验的结果表明： 该算法有较高的鲁棒性, 能有效提高人脸表情识别率.     

基于单导肺音信号的呼吸气相识别

为进行不用测量气流的自动肺音识别,提出了一种基于单导肺音信号的呼吸气相检测算法。在肺音平均功率谱上定位出吸气顶点和呼吸气相切换点。通过吸气顶点,来判断气相模式,为肺音特征分析提供时域定位标准。经37例实验数据验证,结果表明:全自动模式下正常肺音分相准确率为85.7%,半自动模式下的准确率达92.3%。该算法可有效地识别呼吸气相,可简化肺音研究。     

基于选择性集成神经网络的电路板故障智能诊断

针对基于红外图像的电路板故障诊断准确率较低、检测灵敏度差等缺陷,分析了基于神经网络的智能诊断方法。该方法结合多分类器转化为二分类器思想,设计了一种基于BP神经网络的集成神经网络诊断模型,并且对于同一类故障采取范围化样本进行训练,每组被测故障数据根据特征阈值选择相关几个子网络进行诊断。最后利用Matlab软件进行实例仿真和测试。结果表明:该网络对于电路板多故障模式的识别准确率较高,检测灵敏度可以提高1.74倍,而预测误差可以降低到原来的17.6%,为电路板故障诊断的实用化提供了理论依据。     

基于随机森林算法的制冷剂充注量故障诊断

制冷剂充注量异常是一种高风险故障,直接影响制冷系统的性能,且其表征参数诸多,难以有效、快速、准确地在线识别。针对上述问题,文中提出了一种基于随机森林(RF)算法的制冷剂充注量故障监测与诊断方法。使用ASHRAE 1999年提供的制冷主机故障数据库,对制冷剂充注量相关的直接测量特征数据进行分析,在保持各特征变量物理意义的前提下,利用随机森林算法研究各故障特征量的贡献率,并在不同样本规模和故障特征量维度的条件下,比较了基于RF、基于支持向量机(SVM)、基于决策树(DT)算法的制冷剂充注量故障诊断效果。结果表明:RF算法具有比较好的识别效率以及较高的分类准确率,平均诊断准确率分别比DT算法、SVM算法提高约3. 3%和2. 9%。此外,文中还分析了充注量异常诊断贡献率较高的前3个故障特征量,为保证制冷系统运行性能与安全运行提供了理论依据。     

基于深度自编码网络的电弧故障检测与负载类型识别

针对有监督学习的电弧故障检测方法需要大量带标签数据且大多只检测电弧故障而未对负载类型进行识别的问题,提出一种基于深度自编码网络的电弧故障检测与负载类型识别方法;采用小波包分解的节点系数作为自编码网络的无标签输入特征量,并运用逐层训练方法对自编码网络进行预训练;为了使所提出方法的权重系数达到全局最优,采用少量有标签数据对所得权重进行微调,通过Softmax多分类器输出电弧故障检测结果,并根据负载类别最大概率识别电弧故障可能的负载类型。结果表明,所提出的方法对电弧故障检测与负载类型识别准确率达到98.56%,高于相同层数和参数规模的有监督学习网络的准确率。     

基于特征融合的金属铸造工件表面裂纹检测算法研究

针对复杂结构的金属铸造工件表面因成像复杂引发干扰,裂纹提取判别困难的检测问题,本文提出一种结合了颜色形态特征融合图像分割和纹理特征裂纹判定的金属铸造工件表面裂纹检测算法。算法通过GAMMA变换增强裂纹并弱化背景,根据裂纹目标的颜色特征与几何形状特征相融合,量化特征并滤波特征值分割提取裂纹目标,基于灰度共生矩阵对候选裂纹区域提取纹理特征,使用支持向量机分类器进行训练并识别裂纹。金属工件表面裂纹检测实验表明,该算法在图像分割方面能更加完整准确的提取裂纹,在真伪裂纹的识别中准确率、精确率、召回率和F1得分分别为94.47%、92.51%、96.67%和93.74%。相较于传统检测算法,该算法克服了上述干扰影响,在准确率等方面具有优势,且具有较快的识别速度。     

基于改进谷形检测增强和Canny边缘修正的手指静脉识别方法

手指静脉识别作为新型的生物特征识别技术,未来可广泛应用于身份识别领域。针对当前手指静脉图像质量差导致特征识别准确率较低的问题,提出一种基于改进谷形检测增强和Canny边缘修正的手指静脉识别方法。该方法首先改进用于局部静脉特征增强的方向谷形检测算子,增强静脉特征区域,然后利用Canny边缘检测算法对图像分割后的特征区域进行二次修正,在保证手指静脉特征区域完整性的同时降低伪静脉对识别率的干扰。在手指静脉数据库上进行实验,结果表明该方法对增强算法的泛用性较好,对4种不同的全局图像增强算法的识别准确率分别提升了8.66%,3.7%,1.78%,1.2%,能明显提高特征识别的准确率。