CN106384122A - 一种基于改进cs‑lssvm的设备故障模式识别方法 - Google Patents
一种基于改进cs‑lssvm的设备故障模式识别方法 Download PDFInfo
- Publication number
- CN106384122A CN106384122A CN201610800638.2A CN201610800638A CN106384122A CN 106384122 A CN106384122 A CN 106384122A CN 201610800638 A CN201610800638 A CN 201610800638A CN 106384122 A CN106384122 A CN 106384122A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest
- lssvm
- nest position
- optimum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进CS‑LSSVM的设备故障模式识别方法包括以下步骤:1收集设备在正常情况和故障情况下的监测数据,并进行预处理;2初始化布谷鸟搜索算法参数;3建立优化目标函数;4通过莱维飞行模式更新鸟巢位置;5更新优化目标函数;6按照淘汰概率更新鸟巢位置;7计算本次迭代最优鸟巢位置;8判断是否达到最大迭代代数;若没达到,则返回步骤4;若达到,输出最优鸟巢位置;9根据最优鸟巢位置得到LSSVM最优惩罚因子和最优核函数参数,利用LSSVM对测试样本进行故障模式识别。该改进方法在LSSVM参数寻优的收敛速度与精度方面都更优,可以较好的获得全局最优解,使得更能适应LSSVM对设备故障模式的识别。
Description
技术领域
本发明涉及一种设备故障模式识别方法,属于故障模式识别技术领域。
背景技术
现代企业对经济效益要求的不断提升,对设备稳定性要求也越来越高。设备一旦出现了故障,可能导致工厂停产,抑或产生其他安全事故,对生命财产造成严重的威胁。鉴于现代设备的复杂性,加上噪声干扰,难以进行实际故障建模与分析,因此及时准确地找出设备的故障模式,即设备故障模式识别可以为故障设备的维修提供技术支持。
近年来,人们开始利用LSSVM分类器对设备的故障模式进行分类。LSSVM又称最小二乘支持向量机,是在标准支持向量机(SVM)的基础上拓展而来的。它继承了标准支持向量机具有小样本学习,学习泛化能力强的优点,通过运用等式约束条件替代不等式约束条件,大大简化计算速度。
LSSVM是在支持向量机(SVM)基础扩展而来的,它继承了标准支持向量机具有小样本学习,学习泛化能力强的优点,通过运用等式约束条件替代不等式约束条件,大大简化计算速度。
假设存在一个含有n个样本的训练集T={(xi,yi)|i=1,2,…,n}。xi为输入数据,yi为输出标识。
假设存在一个非线性映射使得:
其中ω为权向量,β为偏置量。
运用结构风险公式:
其中C为惩罚因子,Remp为损失函数。
式(2)可以转换为最优化问题:
其中ξi为错分样本与理想样本的偏离程度。引入拉格朗日乘子η={η1,η2,…,ηi},方程变为:
对公式(5)各因素求偏导,并引进与2C·ξi=ηi,达到消除ω与ξi的目的,得到新的表达式:
假设存在一个核函数则式(6)可改为如下形式:
于是LSSVM决策函数如下所示:
一般地,采用径向基核函数(RBF)作为核函数K(xi,xj)来构造LSSVM分类器。
令LSSVM的惩罚因子C与核参数K(xi,xj)的参数g的设定会影响其识别率,采用遗传算法、粒子群优化算法等智能优化算法及其改进算法是目前优化LSSVM参数的常用方法。
2009年Yang提出了一种新型元启发式搜索算法-布谷鸟搜索(Cuckoo Search,CS)算法。其机理是依据布谷鸟种群巢寄生繁衍的策略,通过鸟类特殊的Lévy飞行的方式寻找最优孵化的蛋,达到高效寻优目的。因此这种方法适用于优化LSSVM参数。但标准CS算法在搜索步长以及识别率上固定不变,使得算法缺少活力,难以获得最优解,因此需对其进行改进。
发明内容
发明目的:针对现有技术中存在的问题,本发明公开了一种基于改进CS-LSSVM的设备故障模式识别方法,该方法通过改进布谷鸟搜索算法来对LSSVM参数寻优,采用优化的LSSVM分类器对设备故障模式进行识别,提高了识别精度。
技术方案:一种基于改进CS-LSSVM的设备故障模式识别方法,包括以下步骤:
步骤1、收集设备在正常情况和各类故障情况下的监测数据,并进行预处理,将预处理后的数据分为训练样本和测试样本;优选地,预处理方法为KPCA法或PCA法;
步骤2、初始化布谷鸟搜索算法各参数,包括如下步骤:
(21)定义鸟巢数量N、迭代代数M、最大鸟巢淘汰概率Pmax,最小鸟巢淘汰概率Pmin、搜索步长的最大值Smax与最小值Smin以及鸟巢位置上界Ub=(Cu,gu)与下界Lb=(Cl,gl);
(22)在鸟巢位置上界与下界范围内随机生成N个初始鸟巢P=[p1,…,pN],其中pi∈P,pi=(Ci,gi)为第i个鸟巢位置,i=1,…,N。
步骤3、建立优化目标函数,以LSSVM的预测精度作为优化目标函数;
步骤4、通过莱维飞行模式更新鸟巢位置;按照公式p(j+1)(i)=p(j)(i)+α·L,i=1,2,…,N更新鸟巢位置,其中j为当前迭代代数,p(j)(i)表示第j代第i个鸟巢的位置,α代表步长控制量,α=α0·(p(j)(i)-pbest),L为莱维飞行搜索路径。
优选地,莱维飞行搜索路径L采用Mantegna提出的Lévy飞行搜索路径公式,L=μ/|v|1/β,其中β=1.5;μ和v满足:
σv=1,Γ表示伽玛函数,α0=0.01;pbest为目前最优鸟巢位置。
作为进一步优选,莱维飞行搜索路径L为:L=si -λ,(1<λ≤3),其中si=Smin+(Smax-Smin)di,dmax为目前最优鸟巢位置pbest与其他鸟巢位置的距离最大值,λ为(1,3]区间的随机变量。
步骤5、更新优化目标函数;
步骤6、按照淘汰概率更新鸟巢位置;淘汰概率Pa=0.25;优选地,淘汰概率Pa按下式计算:
其中Pmax为最大鸟巢淘汰概率,Pmin为最小鸟巢淘汰概率,表示第j代中鸟巢适应度的最小值,f(j)(i)表示第j代第i个鸟巢的适应度。
步骤7、计算本次迭代中的最优鸟巢位置pbest;
步骤8、判断是否达到最大迭代代数;若没达到最大迭代代数,则返回步骤(4),并且当前迭代代数加1;若达到最大迭代代数,停止迭代,输出最优的鸟巢位置;
步骤9、根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数,利用LSSVM对测试样本进行故障模式识别。
有益效果:本发明运用布谷鸟搜索(CS)算法优化LSSVM的参数,提高了LSSVM对设备故障模式识别精度,并且对布谷鸟搜索算法做了自适应策略改进。与常用的遗传(GA)算法、粒子群优化(PSO)算法、标准布谷鸟搜索(CS)算法等现有智能算法对比,改进后的算法收敛速度快,拟合度高,寻优效果优。。
附图说明
图1是本发明的流程图;
图2是实施例一运用遗传(GA)算法的参数寻优图;
图3是实施例一运用粒子群优化(PSO)算法的参数寻优图;
图4是实施例一运用标准布谷鸟搜索算法的参数寻优图;
图5是实施例一运用改进布谷鸟搜索算法的参数寻优图;
图6是实施例二的设备故障模式识别结果图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
结合图1所示,本发明公开了一种基于改进CS-LSSVM的设备故障模式识别方法,包括以下步骤:
步骤1、收集设备在正常情况和各类故障情况下的监测数据,并进行预处理,将预处理后的数据分为训练样本和测试样本;
选取设备运行振动信号监测数据(也可以是油液监测浓度等)作为原始数据,包括设备在正常情况,各类故障情况下的监测数据。并对获取的数据进行降维去噪等预处理。常用的降维有主成分分析法(PCA)和核主成分分析法(KPCA),本发明采用了KPCA法,提取占主成分分析90%的信号特征作为样本数据,最后对数据进行归一化处理。对设备正常情况,各类故障情况进行设定标签,每个标签对应各自的故障模式。将处理后的数据分为训练样本和测试样本。
步骤2、初始化布谷鸟搜索算法各参数,包括如下步骤:
(21)定义鸟巢数量N、迭代代数M、最大鸟巢淘汰概率Pmax,最小鸟巢淘汰概率Pmin、搜索步长的最大值Smax与最小值Smin以及鸟巢位置上界Ub=(Cu,gu)与下界Lb=(Cl,gl);
(22)在鸟巢位置上界与下界范围内随机生成N个初始鸟巢P=[p1,…,pN],其中pi∈P,pi=(Ci,gi)为第i个鸟巢位置,i=1,…,N,鸟巢位置信息即是需要寻优的参数(C,g),鸟巢位置上下界为二维,分别代表(C,g)的上下界。
步骤3、建立优化目标函数,以LSSVM的预测精度作为优化目标函数;
以LSSVM的预测精度作为目标函数。利用LSSVM分类器对训练样本进行训练,产生初始的预测精度值作为初始适应度f(0)(i),i=1,…,N。选择f(0)(i)中最小的初始适应度值fmin作为全局极值,该最小的初始适应度所对应的鸟巢位置pbest为初始最优鸟巢位置,即初始最优解。
步骤4、通过莱维飞行模式更新鸟巢位置;按照公式(10)更新鸟巢位置:
p(j+1)(i)=p(j)(i)+α·L,i=1,2,…,N (10)
其中j为当前迭代代数,p(j)(i)表示第j代第i个鸟巢的位置,α代表步长控制量,α=α0·(p(j)(i)-pbest),L为莱维飞行搜索路径。
莱维飞行搜索路径L采用Mantegna提出的Lévy飞行搜索路径公式:
L=μ/|v|1/β (11)
其中β=1.5;μ和v满足: σv=1,Γ表示伽玛函数,α0=0.01;pbest为目前最优鸟巢位置。
为减少随机搜索路径而影响自适应效果,莱维飞行搜索路径L采用下式计算:
L=si -λ,(1<λ≤3) (12)
其中si=Smin+(Smax-Smin)di,dmax为目前最优鸟巢位置pbest与其他鸟巢位置的距离最大值,λ为(1,3]区间的随机变量,Smax和Smin分别为搜索步长的最大值与最小值。
步骤5、更新优化目标函数;
利用LSSVM分类器计算目前迭代代数的每个鸟巢适应度,并与上代鸟巢的适应度对比。设新适应度为fnew(i),第j代的适应度为f(j)(i),i=1,2,…,N。假如fnew(i)<f(j)(i),则更新鸟巢位置,鸟巢位置变为p(j+1)(i),对应的适应度也变为fnew(i);假如fnew(i)≥f(j)(i),则保留鸟巢位置,鸟巢位置不变还是p(j)(i),对应的适应度仍为f(j)(i),其中p(j)(i)表示第j代第i个鸟巢位置。
选择目前迭代代数中鸟巢适应度的最小值fmin作为的目前的最优鸟巢,对应的鸟巢位置即为目前最优鸟巢位置pbest。
步骤6、按照淘汰概率Pa更新鸟巢位置;
对于每一个鸟巢生成一个在0到1范围内均匀分布的随机数ri,假如ri<Pa,则在鸟巢位置上界与下界范围内用Lévy飞行策略按照公式(10)生成一个新的鸟巢位置,如果此新鸟巢位置的适应度f'小于目前迭代代数中鸟巢适应度的最小值fmin,即f'<fmin,则将旧鸟巢位置淘汰并用新鸟巢位置代替,对应的适应度也变为f';如果f'≥fmin,则保留旧的鸟巢位置和对应的适应度;假如ri≥Pa,保留旧的鸟巢位置。这里Pa的选取影响全局搜索性能,一般地,Pa取0.25,为了改进搜索能力,可以采用动态自适应策略对Pa进行改进,淘汰概率Pa按下式计算:
其中Pmax为最大鸟巢淘汰概率,Pmin为最小鸟巢淘汰概率,表示第j代中鸟巢适应度的最小值,f(j)(i)表示第j代第i个鸟巢的适应度。
步骤7、计算本次迭代中的最优鸟巢位置pbest;
最优鸟巢位置pbest为目前适应度最小鸟巢对应的位置,即为目前的最优解。
步骤8、判断是否达到最大迭代代数;若没达到最大迭代代数,则返回步骤(4),并且当前迭代代数j加1;若达到最大迭代代数,停止迭代,输出最优的鸟巢位置;
步骤9、根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数,利用LSSVM对测试样本进行故障模式识别。
实施例一
本实施例在MATLAB环境下,检验改进后的布谷鸟算法寻优能力,并与其他常用优化算法进行对比,仿真参数设定如下:
鸟巢数量N=20;
迭代代数M=200;
最大鸟巢淘汰概率Pmax=0.75,最小鸟巢淘汰概率Pmin=0.1;
搜索步长的最大值Smax=0.1,最小值Smin=0.01;
鸟巢位置上界Ub=[100,1000],下界Lb=[0.1,0.01]。
经过仿真,图2是运用遗传(GA)算法的参数寻优图;图3是运用粒子群优化(PSO)算法的参数寻优图;图4是运用标准布谷鸟搜索(CS)算法的参数寻优图;图5是运用改进布谷鸟搜索算法的参数寻优图。
可以看出,改进布谷鸟搜索算法(Improved Cuckoo Search,ICS)在拟合度与寻优速度方面比其他算法相比更快,平均适应度也相对稳定,非常适合应用于LSSVM。
实施例二
本实施例以某MTU柴油机为例,进行故障模式的识别仿真。
选用柴油机振动信号,运用KPCA法降维处理。得到8个特征参数,如下所示:
峰峰值xp-p;绝对值的平均值峭度β;波性指标sf;峰值指标测Cf;脉冲指标If;裕度指标CLf。
数据归一化处理;
设定故障模式标签,具体如下:
1-正常情况;
2-出油阀磨损;
3-供油多;
4-供油提前角晚;
5-供油提前角早;
6-针阀卡死;
7-针阀磨损。
将不同工作状态下的7组振动信号,每组分为10个样本,总计70个样本;
每个样本有8个数据,总计560个数据;
选择每个样本中5组总计35组作为训练样本集,余下35组作为测试样本集。
最后故障模式识别结果如图6所示。
运用粒子群优化算法优化的故障模式识别率为85.71%;
运用遗传算法的优化的故障模式识别率为91.43%;
运用本发明所用算法故障模式识别率100%;
结果显示,本发明在识别精度上比其他智能算法寻优后的故障识别高,是一种可行的设备故障模式识别方法。
Claims (8)
1.一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,包括以下步骤:
(1)收集设备在正常情况和各类故障情况下的监测数据,并进行预处理,将预处理后的数据分为训练样本和测试样本;
(2)初始化布谷鸟搜索算法各参数;
(3)建立优化目标函数,以LSSVM的预测精度作为优化目标函数;
(4)通过莱维飞行模式更新鸟巢位置;
(5)更新优化目标函数;
(6)按照淘汰概率更新鸟巢位置;
(7)计算本次迭代中的最优鸟巢位置pbest;
(8)判断是否达到最大迭代代数;若没达到最大迭代代数,则返回步骤(4),并且当前迭代代数加1;若达到最大迭代代数,停止迭代,输出最优的鸟巢位置;
(9)根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数,利用LSSVM对测试样本进行故障模式识别。
2.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,步骤(1)中的预处理方法为KPCA法或PCA法。
3.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,步骤(2)所述的初始化布谷鸟搜索算法各参数,包括如下步骤:
(21)定义鸟巢数量N、迭代代数M、最大鸟巢淘汰概率Pmax,最小鸟巢淘汰概率Pmin、搜索步长的最大值Smax与最小值Smin以及鸟巢位置上界Ub=(Cu,gu)与下界Lb=(Cl,gl);
(22)在鸟巢位置上界与下界范围内随机生成N个初始鸟巢P=[p1,…,pN],其中pi∈P,pi=(Ci,gi)为第i个鸟巢位置,i=1,…,N。
4.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,步骤(4)所述通过莱维飞行模式更新鸟巢位置,是按照公式p(j+1)(i)=p(j)(i)+α·L,i=1,2,…,N更新鸟巢位置,其中j为当前迭代代数,p(j)(i)表示第j代第i个鸟巢的位置,α代表步长控制量,α=α0·(p(j)(i)-pbest),L为莱维飞行搜索路径。
5.根据权利要求4所述的一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,莱维飞行搜索路径L为L=μ/|v|1/β,其中β=1.5;μ和v满足:
Γ表示伽玛函数,α0=0.01;pbest为目前最优鸟巢位置。
6.根据权利要求4所述的一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,莱维飞行搜索路径L为:L=si -λ,(1<λ≤3),其中si=S min+(S max-S min)di,dmax为目前最优鸟巢位置pbest与其他鸟巢位置的距离最大值。
7.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,步骤(6)中所述的淘汰概率Pa=0.25。
8.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法,其特征在于,步骤(6)中所述的淘汰概率Pa的计算公式为:
其中Pmax为最大鸟巢淘汰概率,Pmin为最小鸟巢淘汰概率,表示第j代中鸟巢适应度的最小值,f(j)(i)表示第j代第i个鸟巢的适应度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610800638.2A CN106384122A (zh) | 2016-09-05 | 2016-09-05 | 一种基于改进cs‑lssvm的设备故障模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610800638.2A CN106384122A (zh) | 2016-09-05 | 2016-09-05 | 一种基于改进cs‑lssvm的设备故障模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106384122A true CN106384122A (zh) | 2017-02-08 |
Family
ID=57937961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610800638.2A Pending CN106384122A (zh) | 2016-09-05 | 2016-09-05 | 一种基于改进cs‑lssvm的设备故障模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384122A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182302A (zh) * | 2017-12-13 | 2018-06-19 | 东北大学 | 基于修改聚类半监督核主元分析的早期故障检测方法 |
CN109637121A (zh) * | 2018-06-05 | 2019-04-16 | 南京理工大学 | 一种基于cs-svr算法的短时道路交通拥堵预测方法 |
CN109658563A (zh) * | 2018-12-12 | 2019-04-19 | 广州小楠科技有限公司 | 一种有效的智能门禁系统 |
CN109855875A (zh) * | 2019-01-15 | 2019-06-07 | 沈阳化工大学 | 一种滚动轴承运行可靠度预测方法 |
CN110261122A (zh) * | 2019-06-20 | 2019-09-20 | 大连理工大学 | 一种基于分块的船舶柴油机故障监测方法 |
CN111680720A (zh) * | 2020-05-18 | 2020-09-18 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN111880117A (zh) * | 2020-07-28 | 2020-11-03 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
CN112529683A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于cs-pnn的客户信贷风险的评估方法及系统 |
CN117388643A (zh) * | 2023-12-11 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104166691A (zh) * | 2014-07-29 | 2014-11-26 | 桂林电子科技大学 | 基于波形叠加布谷鸟优化的极限学习机分类方法 |
CN105181110A (zh) * | 2015-09-13 | 2015-12-23 | 北京航空航天大学 | 一种基于sift-kpca和svm的滚动轴承故障诊断方法 |
-
2016
- 2016-09-05 CN CN201610800638.2A patent/CN106384122A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104166691A (zh) * | 2014-07-29 | 2014-11-26 | 桂林电子科技大学 | 基于波形叠加布谷鸟优化的极限学习机分类方法 |
CN105181110A (zh) * | 2015-09-13 | 2015-12-23 | 北京航空航天大学 | 一种基于sift-kpca和svm的滚动轴承故障诊断方法 |
Non-Patent Citations (8)
Title |
---|
丁国君 等: "基于EEMD能量熵和LSSVM的传感器故障诊断", 《传感器与微系统》 * |
兰少峰 等: "布谷鸟搜索算法研究综述", 《计算机工程与设计》 * |
周欢 等: "具有动态惯性权重的布谷鸟搜索算法", 《智能系统学报》 * |
廖俊勃 等: "AIWCS优化SVM在并网逆变器故障诊断中的应用", 《自动化仪表》 * |
张晓龙 等: "基于CSKPCA-SLSSVM的艾萨炉故障监测研究", 《计算机应用与化学》 * |
杨韶华 等: "基于最优鸟巢算法的大型火电系统短路定位", 《科技通报》 * |
赵专政 等: "聚类加权和CS-LSSVM的文本分类", 《计算机工程与应用》 * |
陈健 等: "杜鹃鸟搜索算法优化最小二乘支持向量机的网络入侵检测模型", 《微电子学与计算机》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182302B (zh) * | 2017-12-13 | 2021-06-22 | 东北大学 | 基于修改聚类半监督核主元分析的早期故障检测方法 |
CN108182302A (zh) * | 2017-12-13 | 2018-06-19 | 东北大学 | 基于修改聚类半监督核主元分析的早期故障检测方法 |
CN109637121A (zh) * | 2018-06-05 | 2019-04-16 | 南京理工大学 | 一种基于cs-svr算法的短时道路交通拥堵预测方法 |
CN109658563A (zh) * | 2018-12-12 | 2019-04-19 | 广州小楠科技有限公司 | 一种有效的智能门禁系统 |
CN109855875A (zh) * | 2019-01-15 | 2019-06-07 | 沈阳化工大学 | 一种滚动轴承运行可靠度预测方法 |
CN110261122B (zh) * | 2019-06-20 | 2020-06-16 | 大连理工大学 | 一种基于分块的船舶柴油机故障监测方法 |
CN110261122A (zh) * | 2019-06-20 | 2019-09-20 | 大连理工大学 | 一种基于分块的船舶柴油机故障监测方法 |
CN111680720A (zh) * | 2020-05-18 | 2020-09-18 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN111880117A (zh) * | 2020-07-28 | 2020-11-03 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
CN111880117B (zh) * | 2020-07-28 | 2022-04-08 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
CN112529683A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于cs-pnn的客户信贷风险的评估方法及系统 |
CN117388643A (zh) * | 2023-12-11 | 2024-01-12 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
CN117388643B (zh) * | 2023-12-11 | 2024-03-08 | 国网湖北省电力有限公司经济技术研究院 | 有源配电网故障区段的定位方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384122A (zh) | 一种基于改进cs‑lssvm的设备故障模式识别方法 | |
Wang et al. | Credit card fraud detection based on whale algorithm optimized BP neural network | |
Yilmaz et al. | A convolutional neural network approach to training predictors for airfoil performance | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN109992783A (zh) | 中文词向量建模方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN110007652A (zh) | 一种水电机组劣化趋势区间预测方法与系统 | |
CN103974311A (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
CN110414788A (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN110378124A (zh) | 一种基于lda机器学习的网络安全威胁分析方法及系统 | |
Pang et al. | Stock Market Prediction based on Deep Long Short Term Memory Neural Network. | |
CN114757104B (zh) | 一种串联闸群调水工程水力实时调控模型的构建方法 | |
Suryo et al. | Improved time series prediction using LSTM neural network for smart agriculture application | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Yang et al. | An improved deep network for intelligent diagnosis of machinery faults with similar features | |
Fang et al. | A data-driven method for online transient stability monitoring with vision-transformer networks | |
CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
Liu et al. | Semi-supervised deep learning recognition method for the new classes of faults in wind turbine system | |
CN116415485A (zh) | 一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法 | |
Xu et al. | Short-term wind power prediction based on anomalous data cleaning and optimized lstm network | |
CN104537416A (zh) | 一种基于hbf神经网络观测器的故障诊断方法 | |
Kharola et al. | Efficient Weather Prediction By Back-Propagation Algorithm | |
CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
CN113723660A (zh) | 一种基于dnn-lstm融合模型的特定行为类型预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170208 |