关键词： 控制图模式识别   类不平衡数据   代价敏感   重采样   随机森林  

摘要： 课题研究旨在探讨如何应用代价敏感学习技术和重采样技术来处理质量控制图模式识别中存在的类不平衡数据。在现实生活中,许多数据集都存在类别不平衡的情况,即不同类别的样本数量相差悬殊。这种数据类不平衡性会导致模型训练的偏向性,使得模型难以准确预测少数类别。因此,如何处理类不平衡数据成为控制图模式识别领域的一个重要研究方向。论文将围绕以下几个方面展开研究。1)首先介绍了质量控制图、模式识别和类不平衡数据处理的基本概念和方法。针对类不平衡数据的质量控制图模式识别方法进行了详细的研究和分析,如SVM、BPANN、RF等。此外,介绍了数据级和算法级两个层面的类不平衡数据处理方法,在数据级层面,使用重采样技术以实现数据均衡分布;在算法级层面,使用代价敏感学习技术以提高分类器的性能。2)数据生成、数据划分和特征工程的研究。基于蒙特卡洛算法生成仿真数据,并将其划分为4种不同不平衡率的数据集,从中提取出时域下的14种统计特征和7种形状特征,并设计出4种不同特征数据组合方案来评估它们对分类器性能的影响,将每个方案的特征数据集经过预处理后,可以作为分类器的输入进行分类任务的训练和测试。3)针对类不平衡控制图模式数据,提出代价敏感随机森林识别模型以及基于重采样技术的识别模型。将代价敏感技术和重采样技术分别引入RF中进行实验,验证所提模型对类不平衡数据集的识别性能,另将重采样技术应用到传统机器学习模型(如SVM、BPANN)中,以解决控制图模式识别中存在的类不平衡问题。通过与类平衡数据集进行对比分析,既验证了两种数据集在传统机器学习模型中的识别性能,也证明了所提方法在处理类不平衡数据时的优越性。4)进行仿真实验和结果分析,并验证在处理实际的类不平衡控制图模式数据时的潜在应用价值。经过仿真实验,证明了所提方法是有效且可行的,结果表明这些方法能够有效地解决类不平衡数据,并提高模型的分类性能。针对现实生产过程中出现的类不平衡问题进行研究,使用一组晶圆制造过程中产生的类不平衡数据集进行实例验证,通过本文提出的RRF、RSVM和RBPANN模型进行识别,以准确率和G-mean分别作为判别标准时,RRF所得测试结果分别为99.56%和99.78%,均优于其他两种分类器。

关键词： 三维机织复合材料   声发射   小波变换   损伤  

摘要： 三维机织复合材料在具备普通层合复合材料的高比强度、高比刚度、耐腐蚀、耐疲劳等优点的同时,由于其内部面外方向纤维的分布,也具有优异的面外方向的力学性能。正因为材料内部机织结构复杂,三维机织复合材料的损伤研究更加困难。声发射作为一种无损检测手段,在复合材料的损伤监测方面得到了越来越多的应用。本文以三维机织复合材料的损伤识别为研究目的,以声发射无损检测技术和小波分析方法为表征手段,将三维机织复合材料在准静态试验时产生的损伤与声发射信号特征关联起来,研究了三维机织复合材料基于声发射信号的损伤特征识别方法。论文的主要工作如下: 首先,基于断铅试验,设计了一套适合于当下试验环境的声发射信号采集方案,为后续试验中声发射信号的采集提供方案支撑。通过对声发射信号采集装置及相关试验要素进行对比测试,选择最合适的设计方案。其中包括波导杆与传感器直接采集声发射信号的对比测试、波导杆对试验件不同压力下声发射信号采集对比测试,以及不同长度波导杆信号采集对比测试。 而后,通过对组分材料(树脂、单向复合材料)的准静态试验及数据分析,分别对纤维增强复合材料的基体开裂、界面脱粘、纤维拔出/断裂等典型损伤模式进行相应声发射信号的标定。在该材料体系下建立一套完整的损伤与声发射信号表征方法。 最后,对所建立的表征方法进行验证。在三维机织复合材料的准静态压缩试验中,全程进行声发射信号的监测以及数据采集,出现明显能量跃迁时进行停机卸载,随后利用小波分析对声发射信号进行处理并根据表征方法对损伤模式进行判断,同时将试验件标距段进行CT扫描,观察CT扫描结果与声发射判断结果的一致性,重复所述操作,通过多个不同阶段加载和信号采集、卸载后CT扫描,利用结果对比先前所建立的表征方法,从而验证所建立表征方法的可行性与有效性。

关键词： 输油管道   泄漏检测与定位   奇异点   信号检测   模式识别  

摘要： 随着我国输油管道建设的不断发展,管网现状逐渐复杂化,许多管道直接或间接进入泄漏事故多发期,对管网运营安全造成隐患。因此,结合信号处理与模式识别技术,开展管道智能化泄漏检测定位的技术研究,有效提升管道泄漏检测定位效率,保障管道运行安全,具有重要意义。针对现有泄漏信号奇异点检测算法抗噪性差、检测效果过度依赖信号降噪处理技术的问题,提出基于双偏差的管道泄漏信号奇异点检测算法。论证了双偏差值在高噪声下检测奇异点的可靠性和高效性,通过比选降噪算法及其参数范围,在仿真数据和实验数据上对比验证不同程度降噪条件下本文算法对泄漏信号奇异点检测的可靠性及准确性。实验结果表明,与小波模极大值一阶导算法相比,所提算法在5组高噪声仿真数据上查全率和查准率分别提高153.1%及519.4%,在4组高噪声泄漏实验数据上查全率和查准率分别提高175.9%及415.0%。算法在确保泄漏信号奇异点检测准确的同时,有效降低了泄漏检测结果的误报率及漏报率,泄漏检测定位效果提升显著。针对管道运行过程中数据规模海量、利用成本高、可视化不直观的问题,提出基于双偏差的时间序列分段算法,将其与泄漏信号奇异点检测算法相结合。论证了双偏差值提取时间序列特征的可靠性和高效性,利用含有不同趋势和不同噪声的仿真数据、不同种类的公开数据集和油田现场管道泄漏数据,分别对比验证所提算法的可靠性、抗噪性、适应性、压缩准确性和分段有效性。实验结果表明,与选取时间序列分段及特征提取中4个代表性方法相比,所提算法在仿真数据上拟合误差的平均降幅可达46.8%～79.8%,公开数据集上展现出稳定高效的适应性和压缩能力,在管道泄漏数据上具有明显的分段有效性和高度压缩准确性。算法在提高分段拟合压缩效率的同时,能有效区分泄漏时间节点前后的趋势变化,进一步提高了泄漏信号数据的分析能力。针对管道运行过程中非泄漏工况造成的泄漏误报问题,提出一种“信号检测+模式识别”的管道泄漏检测方法。结合奇异值正负性合理划分管道工况类型,在环道实验数据上对比验证SVM、LSSVM、TWSVM三种算法在不同核函数和构造法设置下的分类识别准确率,并将其应用于管道泄漏检测。实验结果表明,优选参数σ和C的条件下,采用RBF核函数及“一对一”多分类器构造法的TWSVM对管道不同工况分类识别具有较高的准确率(99.32%),一定程度上解决了与泄漏相似数据特征的工况对泄漏检测结果的影响,进一步了提高管道泄漏检测效率。基于以上研究成果,以简洁高效为目的设计可视化页面,实现了基于管道泄漏信号数据分析、泄漏信号奇异点识别定位、信号数据PLA拟合压缩及泄漏工况识别等多种方法综合检测定位管道泄漏的输油管道泄漏检测定位系统。

关键词： 分布式光纤传感   Φ-OTDR   入侵监测   模式识别  

摘要： 随着高速铁路运营里程的日益增长,在极大便利了人民出行的同时,也给铁路安全增加了潜在隐患。针对铁路沿线防入侵的传统措施主要有物理围栏、铁丝网和红外线对射等,其安装成本和环境要求较高;分布式光纤传感技术具有可探测传感距离内任意位置处的物理量(如应变、温度)等优势,在结构健康监测、电力系统和管道泄漏监测等领域备受关注。其中,相位敏感光时域反射计(Phase-sensitive Optical Time Domain Reflectometer,Φ-OTDR)具有对振动信号探测灵敏度高、响应快等优势,非常适合应用于高铁安防工程。本文以Φ-OTDR分布式光纤振动传感系统为基础,对振动信号的提取、降噪和定位方法进行研究及对比分析;在此基础上,将Φ-OTDR系统应用于高铁周界入侵监测工程中,对模拟行人入侵事件进行了监测研究。具体内容如下:首先,介绍光纤中瑞利散射效应的成因和特性,对基于瑞利散射效应的光时域反射计和Φ-OTDR进行原理阐述、公式推导和技术差异分析。此外,对基于Φ-OTDR的两种信号检测方式—分布式振动传感和分布式声波传感进行原理介绍和传感机制分析,并对Φ-OTDR系统的主要性能指标进行详细阐述。其次,搭建Φ-OTDR分布式光纤振动传感系统,提出一种采用奇异谱分析算法对振动信号去噪的方法,设计实验对系统的频率测量性能进行测试。在移动平均与移动差分法处理振动信号的基础上,采用奇异谱分析算法对振动信号去噪,可将信噪比提高2.31d B;同时对40Hz、100Hz、200Hz和1000Hz四种不同频率的振动信号进行实验测量,利用快速傅里叶变换、改进的经验模态分解和短时傅里叶变换等算法对振动信号进行时频域分析,验证了Φ-OTDR系统的频率测量性能,证明其具有在高铁周界入侵监测工程中的应用潜力。最后,搭建基于Φ-OTDR的高铁周界入侵监测系统,提出一种Φ-OTDR系统结合Open CV深度学习算法进行事件模式识别的方案,并在实际高铁沿线进行行人入侵监测研究。在数据归一化、预处理及清洗的基础上,使用奇异谱分析算法对信号的时空图像降噪并将其作为分类器输入样本进行事件模式识别,通过对比人工神经网络、支持向量机和K近邻算法三种典型分类器,得出其识别率分别为92.2%、87.8%和78.9%。在此基础上,将人工神经网络作为本文高铁周界入侵监测系统的模式识别算法进行工程实地试验,结果表明系统正确识别率为95%,验证了Φ-OTDR系统应用于高铁周界入侵监测的可行性。

关键词： CNN模型   HOG-SVM模型   CNN-SVM模型   海洋湍流   OAM模式  

摘要： 在水下无线光通信中,携带轨道角动量(Orbital Angular Momentum,OAM)的涡旋光束具有空间螺旋相位分布特性,为水下无线光通信提供了新的信息调制维度资源,能够极大地提高信道容量和频谱效率。因此,OAM模式识别方法引起了广泛的关注。传统的识别方法有干涉仪方法、衍射方法,但涡旋光束容易受海洋湍流的扰动螺旋相位产生了畸变,极大影响了传统方法的OAM模式识别,机器学习可以对畸变的涡旋光束相位图进行信息提取,具有识别精度高,复杂度小等优势。本文讨论了在不同温度、盐度致湍流比ω环境下,不同网络模型对OAM模式识别的效果,并分别给出了基于卷积神经网络(Convolutional Neural Networks,CNN)模型、HOG-SVM(Histogram of Oriented Gradient-Support Vector Machine,HOG-SVM)模型和CNN-SVM联合模型的OAM模式识别方法。对本文的主要工作具体包括以下内容:(1)阐述轨道角动量光束的基本原理,介绍了OAM光束中的拉盖尔-高斯光束(Laguerre-Gaussian,LG)的产生及其数学表达式,利用数值仿真了单模式LG光束和双模式LG光束的相位分布和光强分布。(2)构建海洋湍流随机相位屏模型,基于功率谱反演法生成海洋湍流相位屏的基本原理,进而开展了海洋湍流信道的构建,分析不同ω海洋湍流环境下,LG光束的光强分布和相位分布和LG光束螺旋谱的分布情况。(3)给出了CNN模型,利用其卷积结构和自动信息提取能力,将经过海洋湍流的LG光束相位图作为数据集,CNN模型可以有效地对畸变的LG光束相位图进行信息提取,实现不同ω海洋湍流下对OAM单模式和OAM双模式的识别。(4)给出了HOG-SVM模型,采用HOG方法对LG光束空间相位图进行特征提取,实现了不同ω海洋湍流环境下相位图的HOG特征来识别OAM模式的方法。(5)给出了CNN-SVM联合模型,研究了CNN-SVM联合模型在不同ω海洋湍流环境下的识别效果,验证了该模型实现OAM模式识别的可行性。对三种不同的机器学习模型进行比较,基于CNN-SVM联合模型的OAM单模式识别效果比CNN模型更好,CNN-SVM模型与CNN模型OAM双模式识别准确率最大差距为2.223%。HOG-SVM模型的分类识别效果最好,在ω=-1.75时的环境下,OAM((?)=1～10)单模式识别的精度高达93.778%,OAM((?)=±1～±10)双模式识别的精度高达100.000%,可以得出,提取相位图的HOG特征方法更适合相位图的螺旋相位波前特性。

关键词： 光纤传感   故障识别   VMD   鸟群优化算法   一维卷积神经网络  

摘要： 海缆是进行信息和电力传输的重要设施,但由于其所处海域地质结构复杂、环境变化大,同时受到人类频繁的海事活动等因素的影响,其正常运行常常受到考验,甚至会出现严重故障,对经济和通信传输等造成巨大损失。采用分布式光纤传感技术对海缆健康状态进行监测,能够及早预警并分类识别故障,以确保海缆正常工作、节约维护费用和提高运维效率。 本文搭建了一种基于布里渊光时域分析(Brillouin Optical Time Domain Analysis,BOTDA)的海缆故障振动信号监测模拟实验系统,该系统检测海缆中光纤振动信号的偏振状态,识别海缆受洋流冲刷、与岩石摩擦、被锚砸三类故障信号。针对光纤中是否存在受激布里渊散射(Stimulated Brillouin Scattering,SBS)情况,本文分别提出了两种海缆故障信号识别方法:VMD-BSA-SVM(Variational Mode Decomposition,VMD;Bird Swarm Algorithm,BSA;Support Vector Machines,SVM)、BS-1DCNN(One-Dimensional Convolutional Neural Network,1DCNN)。 有SBS时,信号的信噪比低。鉴于VMD具有很好的降噪性能,本文将VMD、BSA、SVM有机地融合在一起,提出了VMD-BSA-SVM算法。利用VMD将光纤振动信号分解为若干模态分量,依据各模态分量与原信号的相关系数阈值,区分有用分量和噪声分量。剔除噪声分量后求取剩余模态分量的能量、能量熵和峭度并组合成特征向量输入到鸟群算法优化的SVM分类器中进行故障识别。将本方法与VMD-PSO-SVM、VMD-GA-SVM及VMD-GS-SVM算法进行了对比分析,本算法的识别率最好,可以达到98.67%。 对于没有SBS影响的光纤振动信号,本文提出了一种改进的一维卷积神经网络:BS-1DCNN,该算法复杂度低且识别准确率高。用支持向量机代替1DCNN中的softmax分类器,在训练前无需事先求取信号特征并构造特征向量,可以直接将光纤振动信号输入模型,简化了识别过程。为提高分类识别精度,采用鸟群算法优化了SVM相关参数。将本算法同1DCNN、VMD-GA-SVM、VMD-PSO-SVM及VMD-BSA-SVM算法进行了比较分析,BS-1DCNN算法的故障识别准确率最好,达到了99.44%,且运行时间短。 由于兼具优异的实时性能和准确度,BS-1DCNN具有广泛的应用前景。但是当存在较大的SBS噪声时,为达到良好识别效果,需要先降噪才能运用BS-1DCNN算法对故障信号进行识别。VMD是目前适用于振动信号降噪的典型算法。和先对VMD降噪再采用BS-1DCNN识别的方案相比,本文提出的VMD-BSA-SVM,集降噪和识别功能为一体。

关键词： 肌电模式识别   SNN   脉冲编码   sEMG   LIF  

摘要： 由于其安全便携且低成本的特性,表面肌电信号(surface electromyography,sEMG)经模式识别后常被用作控制外围设备,被广泛应用于假肢控制、人机交互等肌电控制领域。肌电控制系统性能的决定性因素是肌电模式识别算法。随着人工智能的发展,肌电模式识别可分别由传统机器学习、深度神经网络(Deep Neural Network,DNN)和脉冲神经网络(Spiking Neural Network,SNN)实现,然而,当前的肌电模式识别方案多具有算法鲁棒性差、用户训练负担重和功耗高等问题,阻碍了肌电控制技术的进一步发展。为推动肌电控制技术的应用,结合SNN在处理时序生理信号方面的优势,本论文从脉冲编码、脉冲神经元和突触结构入手,构建了多种基于SNN的肌电模式识别方案,并重点探索了 SNN在降低用户训练负担、提高算法鲁棒性和减少功耗上的可行性,其主要工作与研究成果可总结如下:(1)基于脉冲编码、脉冲神经元和突触结构构建了基于SNN的肌电模式识别的框架。首先,根据突触结构的类型,构建了脉冲循环神经网络(Spiking Recurrent Neural Network,SRNN)、脉冲循环卷积神经网络(Spiking Recurrent ConvolutionalNeuralNetwork,SRCNN)以及脉冲长短时记忆网络(Spiking Long Short-term Memory,SLSTM);其次,针对传统的泄露积分发放(LeakyIntegrate and Fire,LIF)神经元,引入了基于电压电流效应的LIF和指数LIF(Exponential LIF,ELIF)两种改进模型,并从神经元脉冲发放率、手势识别准确率和训练速度等角度确定了 ELIF为合适的神经元模型;最后,对泊松编码、延迟编码和自适应时间对比编码从编码脉冲发放率、手势识别准确率和编码时间窗口等角度进行了性能对比,确定了自适应时间对比编码为三种编码中最优脉冲编码方法。(2)对SRCNN和SLSTM两种网络架构开展了性能测试实验。具体地,以分别包含9类手势的ES-GE数据集和30类手势的30-GE数据集为目标集,开展了用户无关条件、电极偏移条件和不同训练测试比的手势识别实验。从手势识别准确率、训练集所包含的手势重复次数和网络计算功耗等角度,对比分析了SRCNN、SLSTM、CNN、LSTM 以及线性判别分析(Linear DiscriminantAnalysis,LDA)分类器的性能,发现SNN:在提高模型分类精度和减轻用户训练负担上具有绝对优势,在电极偏移和用户无关实验中基本达到甚至超过了现有的DNN鲁棒性,具有明显的低功耗和低存储资源的优势。本论文研究成果对于推动肌电控制系统的实际应用具有一定的价值,提出的基于SNN的肌电模式识别框架具有降低用户训练负担、增强鲁棒性、减少延迟、降低功耗以及降低存储资源等多种优势,更适合于实时肌电控制系统的实现。

关键词： 变压器   局部放电   柔性复合螺旋天线   联邦学习   模式识别  

摘要： 电力变压器是电力系统的重要组成部分,对能量转换和输送至关重要,而局部放电是变压器缺陷的重要表现形式,对其持续监测可以为变压器的故障诊断和运行维护提供更加合理的方案。然而,刚性局部放电超高频天线无法与被监测设备共形贴合安装,局部放电超高频信号衰减严重导致检测能效低,增益性能无法满足需求。集中式深度学习局部放电模式识别方法训练效率低,分布式深度学习可以提升训练效率,但是多源异构数据会导致模型精度下降。基于此,本文开展了高性能超高频柔性天线设计、柔性天线局部放电超高频信号监测试验和基于残差收缩网络的联邦学习模式识别方法三个方面的研究。论文的主要内容包括以下3个部分:(1)研究了小型化、宽频带、高增益和弯曲形变稳定性高的超高频柔性复合螺旋天线的设计和优化方法。通过仿真软件研究了柔性复合螺旋天线的方向图、回波损耗和增益等关键性能优化方法,确定了复合螺旋天线的螺旋线增长率、加载圈数、基板厚度和弯曲半径等最佳结构参数。基于仿真结果研制了高性能超高频柔性复合螺旋天线,分析了其回波损耗、形变稳定性、复合模式和增益实测性能。结果表明,本文制备的超高频柔性复合螺旋天线具有良好的柔性形变稳定性,兼具小型化、高增益和宽频带的优点。(2)研究了柔性天线检测四类变压器绝缘缺陷模局部放电超高频信号的特性。为了验证柔性天线检测局部放电信号的有效性和优越性,研究了不同试验电压和柔性天线不同弯曲半径下局部放电超高频信号的特性,探究了基于能量差系数和自相关函数的自适应变分模态分解-小波阈值去噪方法。结果表明,天线弯曲后采集到的局部放电超高频信号频带更宽,信息更加完整;去噪后的局部放电信号噪声抑制比得到了提升,降低了畸变率。(3)研究了基于残差收缩网络和联邦学习的局部放电模式识别方法。为了提高局部放电模式识别的准确率和效率,研究了网络超参数对深度残差收缩网络识别精度的影响规律,在此基础上构建基于深度残差收缩网络的联邦学习模型,分析其局部放电模式识别的精度和效率。结果表明,深度残差收缩网络方法能够提取局部放电信号关键特征,准确率高达99.1%。基于深度残差收缩网络的联邦学习方法相较于集中训练方法识别精度仅降低1.9%,全局迭代30次的训练速度提升了72%。上述研究工作解决了变压器局部放电超高频监测方法中超高频天线技术难题,同时为变压器局部放电分布式深度学习模式识别方法提供了理论指导和试验依据。

关键词： 稳态电能质量   时间序列   模式识别   综合评估   趋势预警  

摘要： 稳态电能质量涉及众多监测数据和评估指标,如何利用监测数据构建综合指标来准确反映电网稳态电能质量水平面临着难题。传统评估与预警方法较少针对长时间尺度进行分析,未能充分挖掘海量时序数据的价值信息。通过监测数据与时序特征分析的结合,有利于快速认知稳态电能质量水平的变化过程与发展趋势。在时序特征的基础上制定有针对性的评估与预警方法,能够实现稳态电能质量水平发展变化的精准掌握与预控,为解决稳态电能质量问题提供辅助支持。为此,本文建立在稳态电能质量时序数据分析与应用的基础上,从稳态电能质量指标时间序列演化模式识别与时序特征分析、水平评估和趋势预警三个方面开展研究,主要研究内容包括: (1)针对稳态电能质量指标时间序列演化模式呈现的时序特征差异,提出了基于近邻传播聚类的演化模式识别与时序特征分析方法。通过近邻传播聚类算法挖掘出时间序列中的隐藏模式,定义聚类簇中心为典型演化模式,实现了稳态电能质量指标时间序列演化模式识别与分类,并为后续的监测点分类提供了依据。 (2)针对指标越限监测点演化模式存在平稳性差的特点,提出了基于综合离差最大化模型的稳态电能质量评估方法。从时间序列中提取出表征监测点稳态电能质量水平变化的特征量,利用综合离差最大化模型求解不同变化特征量对应的客观权重,定义变化特征量的加权求和结果作为综合评估指标,实现了监测点稳态电能质量水平全面且客观评估。 (3)针对指标未越限监测点演化模式趋势性明显的特点,提出了基于趋势跨度指数的稳态电能质量预警方法。采用时间序列分解算法能够有效分离出时间序列中的趋势分量,结合趋势检验方法快速识别稳态电能质量指标的趋势发展类型。定义趋势分量在限值区间内的上升幅度为趋势跨度指数,根据趋势跨度指数的分布特征划分预警等级,实现指标未越限监测点稳态电能质量水平的恶化趋势与综合风险预警。 本文从稳态电能质量监测数据的不同时序特征角度出发,充分挖掘有用信息,并应用于评估与预警中,为实施稳态电能质量监管提供了方法支撑。