小样本不平衡设备数据下的机器学习策略研究

针对小样本数据样本容量不足与分布不平衡的设备寿命预测问题,构建基于改进SMOTE算法与改进KNN(K-NearestNeighbor)算法联合优化模型。首先,设置噪声比例系数β排除样本数据中的噪声,随后通过类B-SMOTE(Borderline-SMOTE)算法与传统SOMTE算法结合构建改进SMOTE（ISMOTE）算法对存在分布问题的少数类样本进行新增优化,避免因为样本分布不平衡以及样本数量较少引起的偏差。其次,针对分类过程中边界模糊的样本点,通过利用粒子群算法寻求每个样本种类中心点并计算样本距离均值建立分隔阈值$ \stackrel{-}{d} $,对阈值范围内的样本点利用“投票法”判断样本种类,规避KNN算法在处理数据时因为不同种类样本混合而出现误差的问题。最后,通过利用美国卡特彼勒公司液压泵状态数据以及凌津滩水电站水导轴承振动数据进行仿真,算例证明上述两种改进算法在面对小样本不平衡设备数据时可以准确分析设备运行状态以及预测设备未来健康发展趋势。     

基于DRNet的常微分方程模型逼近和序列预测方法

针对残差网络预测精度偏低的问题,基于系统观测数据和相轨线的关系,提出密集残差网络的方法实现对自治系统的拟合逼近和序列的高精度预测。首先,为强化对数据内含“特征信息”的提取和流通使用,将神经网络各隐藏层的输入与之前各层输出拼接后作为本层的输入,形成密集连接模块;其次,为避免加大网络深度时出现的“退化”现象,引入残差机制,将密集连接模块的输入层与输出层相连,形成密集残差网络。最后,将密集残差网络应用于线性的单自由度系统振动模型和非线性的SEIRS模型、Logistic Volterra模型。结果表明,在规模为5 000和10 000的数据集上,密集残差网络对模型的拟合逼近效果和预测精度优于残差网络、反向传播神经网络和密集网络,特别是在非线性系统上的4项定量评价指标均优于对照模型,表现出密集残差网络对自治系统模型逼近和序列预测的高有效性;同时,在观测数据中加入5%的噪声后,密集残差网络表现出较好的抗干扰性。     

基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

基于GWO-ELM算法模型的水体含沙量预测

泥沙含量的演变受多种因素的影响,为了快速、准确的对水中泥沙含量进行高精度预测,为泥沙治理以及合理利用水土资源提供理论依据,提出了一种基于GWO-ELM算法模型的水体含沙量预测方法。首先,将影响泥沙含量的8种原始影响因子赋予权重,利用主成分分析（Principal Component Analysis,PCA）法提取出4个主成分影响因子,避免维数灾难;然后,将提取出来的因子作为极限学习机（Extreme Learning Machine,ELM）算法模型的输入,进行泥沙含量的预测,并使用灰狼优化算法（Grey Wolf Optimizer,GWO）更新预测模型的最优参数;最后,以长江口北槽监测数据进行了仿真验证。结果表明:本文所提方法有效的降低了维数灾难,且提高了在相同隐含层神经元节点数情况下的预测准确率,预测值与实际值拟合效果较好,预测精度较高。本研究说明了GWO-ELM模型可用于对泥沙含量的预测,为相关决策部门提供了一定的借鉴经验。     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,本文提出一种基于小波分析和集成学习的组合预测模型。首先对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;然后对于各重构的单支序列分别使用极端梯度提升模型（extreme gradient boosting, XGBoost）进行预测得到多个子模型,同时利用贝叶斯优化算法进行子模型的最佳参数选择;最后把所有子模型的预测值代数求和,得到总体交通流的预测结果。采用美国纽约布鲁克林地区某路段实际交通流数据进行预测,并对预测结果与其他模型进行比较分析。研究结果表明：小波分析和XGBoost组合模型预测效果优于传统线性模型及单一XGBoost模型,从而更好地为交通管理提供指导意见。     

基于门控循环单元的全断面掘进机稳定段掘进性能预测

全断面隧道掘进机（tunnel boring machine, TBM）一个正常掘进循环分为空推段、上升段和稳定段三个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键。为实现TBM安全高效掘进,建立一种基于门控循环单元（gated recurrent unit,GRU）神经网络的预测模型,预测TBM稳定段掘进性能。模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考。为显示预测效果,对比传统循环神经网络（recurrent neural network,RNN）预测模型,并分析不同长度时间序列输入对模型预测精度的影响。结果表明：GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25%,同时能够适用不同长度时序输入。由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能。     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于CNN-LSTM和lightGBM组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用华北某风电场的风电数据集,以未来4小时风电功率为预测目标,验证了组合模型的有效性。预测结果表明,相较于其他三种单一模型,组合模型具有更高的预测精度。     

12脉波可控整流器的谐波抑制策略

提高12脉波可控整流器谐波抑制能力,提出基于12脉波可控整流器的直流侧谐波抑制策略。该控制策略通过在直流侧附加谐波抑制模块,改善整流器输入电流波形,满足不同负载工况下输入电流谐波抑制要求;根据12脉波整流器交、直流侧电流关系和直流侧理想电流波形,分析并给出谐波抑制模块的输出电压波形,并采用全桥逆变电路调节谐波抑制模块的输出电压。仿真结果表明,该策略能有效抑制整流器输入电流谐波。     

考虑注浆圈与复合衬砌时体外排水方式设计

基于反映法、叠加原理及渗流力学理论构建了是否含注浆圈的两种体外排水简化计算模型,推导了隧道与体外排水洞涌水量的计算公式、隧道二次衬砌外水压力表达式,通过解析退化验证了理论模型及解析公式的正确性与适用性,根据推导公式进行了参数敏感性分析,最后通过数值模拟进一步进行了检验.结果 表明:体外排水洞与隧道涌水量均随注浆圈渗透系数的下降而非线性降低,隧道二次衬砌外水压力随注浆圈渗透系数的下降而非线性增大,但其临界值小于常规排水方式;增加初期支护的厚度可达到降低二次衬砌外水压力及隧道涌水量的目的;围岩与注浆圈、注浆圈与初期支护渗透系数合理比值分别为15与100,同时须严格控制二次衬砌渗透系数;排水洞洞径对体外排水洞涌水量影响显著,为保护地下水资源,体外排水洞洞径推荐为0.2 m.