关键词： data anomaly detection   feature extraction   pattern recognition neural network   structural health monitoring  

摘要： The effectiveness of system identification, damage detection, condition assessment and other structural analyses relies heavily on the accuracy and reliability of the measured data in structural health monitoring (SHM) systems. However, data anomalies often occur in SHM systems, leading to inaccurate and untrustworthy analysis results. Therefore, anomalies in the raw data should be detected and cleansed before further analysis. Previous studies on data anomaly detection mainly focused on just single type of data anomaly for denoising or removing outliers, meanwhile, the existing methods of detecting multiple data anomalies are usually time consuming. For these reasons, recognising multiple anomaly patterns for real-time alarm and analysis in field monitoring remains a challenge. Aiming to achieve an efficient and accurate detection for multi-type data anomalies for field SHM, this study proposes a pattern-recognition-based data anomaly detection method that mainly consists of three steps: the feature extraction from the long time-series data samples, the training of a pattern recognition neural network (PRNN) using the features and finally the detection of data anomalies. The feature extraction step remarkably reduces the time cost of the network training, making the detection process very fast. The performance of the proposed method is verified on the basis of the SHM data of two practical long-span bridges. Results indicate that the proposed method recognises multiple data anomalies with very high accuracy and low calculation cost, demonstrating its applicability in field monitoring.

关键词： 模式识别  

ISBN: (纸本)9787576102833

摘要： 本书围绕复杂多组分体系分析这一现代分析科学实践中具有代表性的核心问题，主要阐述和讨论了化学模式识别研究过程中涉及的相关理论基础、方法、原理和实际应用。

关键词： 声发射信号   波导杆   三点弯曲   土体剪切   特征参数   速率预测  

摘要： 我国地质类型丰富且较为复杂,部分地区滑坡灾害严重,各类新型技术开始用于边坡监测,但主要是监测地表或浅部范围的位移和变形场,对边坡内部变形却难以掌握。边坡失稳是一段时期内不稳定性影响因素的积累结果,包括微裂隙的产生和扩展,微观尺度破裂总是伴随着不同频域或时域的弹性波产生。因此本文基于声发射信号模式识别对土体剪切速率进行预测,为进一步提高滑坡预测精度和提供早期预警。本文的主要研究内容如下:(1)通过开展砂砾填充的有源波导杆在不同加载速率下(2、5、10、20mm/min)的三点弯曲试验,分析加载速率与声发射信号参数之间的内在联系。试验结果表明:幅值随着加载速率的增加逐渐增大,b值(表示低幅值事件占高幅值事件的比例)逐渐减小,且声发射事件数与振幅呈负相关。振铃计数随着时间的增加呈线性增加,振铃计数的增长速率随加载速率的增大呈幂函数增加;随着阈值的不断增大,振铃计数减少的速率越来越快。能量随着时间的增加呈指数函数增加,能量增加的速率随加载速率的增大越来越快。且随着力的增加,振铃计数与能量增加的速率变化规律为:2<5<10<20mm/min。在加载前期主频幅值相对稳定,加载后期主频幅值明显增加;加载速率越大,主频幅值增加的速率也越快;且高频信号的主频幅值相对更小,主频幅值在低频与中低频段(20～200k Hz)上的变化更明显。(2)通过开展在不同含水率下(18%～24%)和不同剪切速率下(5、10、20mm/min)的土体剪切试验,分析土体含水率和剪切速率与声发射信号参数之间联系。试验结果表明:力、幅值、振铃计数和能量都随着剪切时间的增加逐渐增大;累计振铃计数与累计能量随着剪切时间的增加呈线性增长,且剪切速率越大,其线性增长的速率越快,b值与之相反,随着剪切时间增加逐渐减小。在同一剪切速率下,随着土体含水率逐渐增大,土体强度逐渐降低,力、振铃计数和能量随之减小。含水率越小,振铃计数、能量增加的速率越快,b值减小的速率越快。振铃计数和能量随含水率的增加呈数幂函数减小,b值则相反,随含水率的增加呈数幂函数增加。(3)基于BP神经网络分别对三点弯曲的加载速率和土体的剪切速率与力进行预测,将振铃计数、能量、b值、幅值、含水率等参数的变化作为预测特征。预测结果如下:三点弯曲加载速率真实值与预测值的误差在[-1.5,1.5],剪切速率的误差在[-1,1],剪切力的误差在[-0.1,0.1],平均绝对误差、均方误差、均方根误差的值都小于1,相关性系数R都约等于1。因此通过识别声发射信号参数的特征来预测边坡滑移速度是可行的。

关键词： 齿轮箱   故障诊断   同步压缩小波包变换   特征提取   模式识别  

摘要： 齿轮箱作为重要的机械传动部件,其健康状态直接影响整个机械设备的工作性能与安全。实际工况下,齿轮箱常处于高温、重载的工作环境下,使得齿轮、轴承等零件容易发生故障,导致经济损失甚至安全事故。因此,开展齿轮箱故障诊断研究,对于保障机械系统安全经济运行具有重要意义。本文以齿轮箱为研究对象,以同步压缩小波包变换(Synchrosqueezed Wave Packet Transforms,SSWPT)方法为手段,围绕齿轮、轴承等齿轮箱关键零部件的特征提取及模式识别问题展开研究,主要内容如下:(1)针对频谱分析难以识别齿轮啮合调制边频带问题,研究了一种基于同步压缩小波包变换边际谱的解调分析方法。利用SSWPT边际谱识别富含齿轮故障信息的啮合调制频带,提高齿轮故障振动信号的解调分析精度。仿真及案例分析表明:该方法能够准确辨识齿轮啮合调制边频带,齿轮故障解调分析效果优于直接包络谱和快速谱峭度方法。(2)针对强噪声干扰下轴承早期微弱故障特征难以提取问题,研究了一种基于自适应同步压缩小波包变换和字典学习的滚动轴承微弱故障特征提取方法。一方面利用顺序统计滤波器自动确定同步压缩小波包的信号重构边界,实现轴承微弱故障特征信号的自适应分离;另一方面采用字典学习算法对重构分量进行降噪分析,实现轴承微弱故障特征增强。仿真及案例分析表明:该方法能有效检测滚动轴承早期微弱故障特征,其效果明显优于包络谱。(3)针对单一特征故障诊断方法存在精度低、稳定性较差等问题,研究了一种基于SSWPT特征融合与集成深度核极限学习机的滚动轴承故障模式识别方法。利用SSWPT特征融合获取特征信息更为丰富的故障特征向量;构建基于不同内核的集成深度核极限学习机以提高故障模式识别精度和泛化能力。通过轴承故障模式识别案例证明了该方法的有效性和先进性。

关键词： 智能感官   模式识别   深度学习   多感官融合   红酒检测  

摘要： 智能感官系统是一种模仿人类视觉、味觉、嗅觉等感知机制的一类仿生学检测仪器,近年来该类仪器被广泛应用于食品溯源、质量检测等领域。红酒作为一种由新鲜葡萄酿造而成的饮料,其质量检测受到消费者和厂商的广泛关注。但是目前基于智能感官的红酒检测多采用单一智能感官系统方法,难以获取样本的全面特征信息。同时,其采用的智能感官系统的模式识别算法性能有限,无法满足高准确度检测的需求。基于以上问题,本文提出将三种智能感官进行数据融合结合模式识别方法应用于红酒检测,具体研究如下:（1）采用电子舌结合基于集合经验模态分解和鲸鱼算法优化最小二乘支持向量机对4种不同贮藏年限的红酒进行辨别分析。引入集合经验模态分解方法分解电子舌信号,将得到的本征模态函数根据奇异谱熵进行特征筛选,采用奇异谱熵和希尔伯特边际谱作为信号的特征向量。随后采用鲸鱼优化算法优化最小二乘支持向量机参数,建立红酒年限分类模型。实验结果表明,其总体分类准确度、F1-score和Kappa系数分别为97.5%、0.98和0.97。（2）采用电子舌和电子眼系统结合多通道残差网络模型对红酒产地进行区分。采用特征级数据融合策略实现不同维度信号的数据融合。针对不同维度信号的特点,设计了两种不同的多通道残差神经网络。实验结果表明,采用数据融合的检测系统较单一检测系统能够更快、更准确地对红酒产地鉴别,其总体准确率、F1-score和Kappa系数分别为98.4%、0.981和0.984。（3）采用电子舌、电子眼和电子鼻三感官融合系统结合卷积神经网络对红酒年限进行鉴别。利用卷积神经网络对三种感官信号进行特征提取,并结合特征融合策略得到融合特征向量,然后采用最小二乘支持向量机进行分类识别。同时设计单感官模型和双感官融合模型进行分类效果对比,结果表明,三感官融合系统取得了最优分类结果,其总体准确度、F1-score和Kappa系数分别为99.33%、0.993和0.994。以上研究将为智能感官分析和多感官融合技术的应用提供新的研究思路,并为红酒质量检测和产地溯源提供一种有效的方法。

关键词： 表面微放电   产物模式转换   模式识别   可见光放电图像   深度学习  

摘要： 表面微放电具有化学反应丰富、产物多样、处理面积大等特点,因而被广泛的应用到诸多领域中。表面微放电的产物模式转换规律以及开发低成本快速在线模式识别方法是其在实际应用中面临的关键问题。表面微放电的不同产物模式适用于不同的应用场景,应用表面微放电首先需要确定其产物模式,然而目前对表面微放电的产物模式转换规律研究不足,缺乏对表面微放电的放电特性的深入认识。同时,传统的表面微放电产物模式识别方法存在检测成本较高、检测方式复杂以及检测耗时较长等缺点,亟需开发新的识别方法。因此,本文主要围绕表面微放电产物模式转换规律以及基于可见光图像的智能诊断等方面进行了相关研究,具体如下: (1)针对表面微放电特有的放电结构,建立了表面微放电的等效电路模型,通过该电路模型计算出的表面微放电的放电功率与实验测量的放电功率之间的最大误差不超过7%。基于所提出的等效电路模型,分析了表面微放电的电子温度、电子数密度、等离子体通道电阻等特性参数随放电时间的变化规律,实现了宏观放电参数与微观等离子体特性参数的跨尺度关联。基于此等效电路拓扑结构及相关电学参数的计算结果,建立了基于Simulink的动态仿真模型,分析了表面微放电的放电功率、气隙电压、介质片表面电压等放电参数的特性。 (2)研究了介质片参数对表面微放电的击穿电压、放电功率、产物模式转换及产生氮氧化物的能量消耗的影响。实验结果表明,介质片的厚度与放电功率呈负相关,介电常数与放电功率呈正相关,增大介电常数和减小介质片的厚度可以有效降低表面微放电的击穿电压、产物模式转换电压以及产生氮氧化物的能量消耗。当介质片参数保持不变时,随着外加电压的增大,表面微放电产生氮氧化物的能量消耗呈现出先减小后增大的变化规律。 (3)基于数字图像处理技术,分析了表面微放电的放电可见光图像的色度信息和灰度信息与其产物模式的关联特性。放电图像的RGB色度空间和XYZ色度空间分析结果表明,表面微放电灰度图像、R、G、B和X、Y、Z三基色图像中所有像素值的总和可用于电源电压和放电功率的实时跟踪,B分量和G分量的占比差值以及Z色品坐标和Y色品坐标之间的差值随电源电压的变化曲线可以用于表面微放电产物模式的识别,此外,色品坐标的运动轨迹也可作为识别表面微放电不同产物模式的重要依据。放电图像的灰度直方图分析结果表明,随着表面微放电的产物模式由臭氧模式向非臭氧模式转变,灰度直方图的分布曲线逐渐向大灰度级转变。灰度直方图的均值、方差、能量、熵和一致值等特征的分布范围可用于表面微放电产物模式的划分,同时,本文提出了基于熵和一致值分布特性的表面微放电产物模式识别方法。 (4)基于放电可见光数字图像,提出了一种基于深度学习的表面微放电产物模式在线识别方法。通过数码相机拍摄表面微放电在不同放电条件下的放电图像,构建了表面微放电的放电图像数据库。讨论了卷积神经网络的典型结构,研究了网络层数、卷积核的大小、激活函数的类型和全连接层神经元的个数等超参数对识别精度的影响,并通过训练获得了适用于表面微放电产物模式识别的卷积神经网络最优结构。测试结果表明,本章所提出的卷积神经网络对表面微放电产物模式的识别精度高达99.745%,明显优于支持向量机、决策树和随机森林等传统机器学习算法。 (5)针对现有脱细胞瓣膜的应用缺陷,采用表面微放电对脱细胞猪心瓣膜的力学性能进行改善。首先,采用基于深度学习的表面微放电产物模式识别方法对所使用的表面微放电装置的产物模式进行了识别并验证了此方法的有效性,然后将分别工作于非臭氧模式和臭氧模式的表面微放电装置对脱细胞猪心瓣膜进行处理。实验结果表明,当表面微放电处于非臭氧模式时,其能有效提高脱细胞瓣膜的最大抗张强度和杨氏模量,而臭氧模式对脱细胞瓣膜没有任何影响。非臭氧模式处理后的脱细胞猪心瓣膜,其微观结构没有发生任何改变,没有毒性,含水量不变。表面微放电产生的活性物质与脱细胞猪心瓣膜之间的化学反应和p H的变化是瓣膜力学性能提高的可能原因。

关键词： 局部放电   小波阈值降噪   模式识别   迁移学习   时延估计   局放源定位  

摘要： 局部放电现象是变压器绝缘损坏和劣化的经典外在表现,实现变压器局部放电处理,对于维护系统安全运行、发现和应对潜在绝缘事故是十分必要和重要的。超声波检测是一种有效的局放检测方法,所以本文以超声波信号为基础信息源,从信号降噪、模式识别和故障定位三个方面探讨变压器局部放电问题。1.提出一种基于改进阈值估计和改进阈值函数的小波阈值局放信号噪声抑制方法。首先,融合噪声序列和降噪序列的样本熵信息,建立综合熵阈值估计模型,同时提出二分变步长非线性阈值搜索法。然后,提出一种介于软、硬阈值函数之间且在全阈值上具有连续可导性的改进阈值函数,同时讨论了函数参数选择方法。实验表明,所提局放信号噪声抑制方法能够有效得到最优阈值估计值,具有降噪充分、抑制振荡的良好性能。2.提出一种基于增强融合分布谱和迁移残差网络的局部放电模式识别方法。首先,融合信号的连续小波变换谱和短时傅里叶变化谱图,并通过数据清洗增强图像纹理,提出一种增强型多谱融合的图源方法。然后,引入迁移学习方法,通过Res Net50模型微调,快速实现局放故障特征自主提取与局放模式识别。实验表明,所提局放模式识别方法能够提供丰富的高质量特征信息,同时使深度网络模型适应有限样本量学习,得到良好的局放模式识别效果。3.提出一种基于超声波波达时差抗扰估计和启发搜索的局部放电故障定位方法,首先,综合信号低阶、二阶和高阶量的处理方法,提出基于非线性化信号高阶累积量相关的时延估计方法。然后,基于定位模型建立非线性最小优化的适应度函数,引入自适应惯性权重因子改进人群搜索算法,通过人群搜索算法搜索局放坐标。实验表明,所提局放故障定位方法在多噪环境下具有良好的时延估计精度,在保证定位解质量的基础上,加速搜索收敛速度,获得有效的局放定位坐标。

关键词： 故障诊断   模糊聚类   余热锅炉   模式识别   近邻判别   聚类分析  

摘要： 余热锅炉是燃气蒸汽联合循环发电的主要设备之一,用于回收燃气轮机的排气余热,提高整个机组的能量转换效率。及时发现和排除余热锅炉汽水系统故障,对发展余热锅炉汽水系统故障技术具有极大的经济和社会效益,随着科技发展和计算机技术的急速进步,很多国内外的专家学者都在余热锅炉的泄漏故障诊断方面进行了大量的工作。针对余热锅炉三压汽水系统的常见的省煤器泄漏、蒸发器泄漏、过热器泄漏等故障,提出了一种基于模糊聚类的层次递进故障诊断方法,其中第一层利用模糊聚类算法得到正常工况的标准样本,采用基于模式识别的择近原则判断汽水系统是否有泄漏故障发生;第二层将模糊聚类算法与近邻算法结合,用于诊断故障发生的具体位置;第三层基于一、二层的基础上,首先进行二次特征筛选,通过模糊聚类得到标准向量中心,用多组历史故障数据计算故障程度的距离阈值,用于判别泄漏故障发生的严重程度。在此过程中,本文对传统的模糊C均值算法(FCM)进行改进,针对其初参数敏感和容易局部收敛的问题,提出了用分层遗传优化FCM初始聚类中心,并用高斯径向核函数替代欧式距离公式,有效的提升了聚类的性能。本文借助仿真机对某960MW的燃气蒸汽联合循环的余热锅炉进行仿真实验,对余热锅炉汽水系统的各种泄漏故障做了大量的仿真实验,研究其参数的变化规律并且提取了大量故障样本,将模糊聚类与基于模式识别的择近原则、近邻算法等相结合建立了层次递进故障诊断系统,在Matlab环境下编写了诊断程序,并与仿真机进行通讯完成了实时诊断,验证了方法的有效性。

关键词： 电子侦察   雷达工作模式   模式识别与预测   人工智能   知识图谱  

摘要： 随着军事科学技术的发展和变革,电子战已然成为现代战争中决定成败的胜负手。而作为电子战的先导和基石,电子侦察是军用情报侦察的重要手段之一,其重要性不言而喻。随着当前相控阵、数字阵以及抗干扰技术的发展,雷达的功能由单一功能走向多功能,调制样式由单一调制走向复合调制,这无疑增加了雷达工作模式识别和意图推理预测的难度和复杂度。因此如何准确高效地识别雷达工作模式和行为意图具有重要的理论意义和军事价值。本文主要以机载有源相控阵雷达为研究对象,对典型的作战场景仿真建模,在深入分析相控阵雷达不同工作模式的基础上,分别提出了针对相控阵雷达多工作模式分类识别和意图推理预测的算法。本文的主要工作如下:首先,从相控阵雷达的系统组成原理出发,从相控阵雷达的天线扫描特性、波位编排、资源管理与调度等多个角度对其搜索、跟踪等多种工作方式进行分析,并对相控阵雷达典型的作战场景进行仿真建模,深入分析相控阵雷达处于不同工作模式时在时域、频域以及空域下的特征参数规律,并提取能够表征不同工作模式特点的参数,用于后续的相控阵雷达工作模式识别和意图推理预测。其次,研究了两种相控阵雷达工作模式的识别算法。其一,利用K近邻算法在多分类问题以及1-NN策略在训练数据集模糊边界剔除问题上的优势,对相控阵雷达的多工作模式进行分类识别,在信噪比为10d B的条件下,除TAS模式和SAM模式的识别准确率较低,其它工作模式的准确率均能够达到90%以上;其二,采用知识图谱中Trans H模型对相控阵雷达不同工作模式下的离散特征信息进行连续的向量化表示,再将向量表示后的先验知识作为深度学习中MLP分类识别网络的输入,使得深度学习网络可以更加充分的学习不同工作模式下的先验知识,同时降低了识别模型对于大规模标记数据的依赖,在多工作模式的识别中也取得了不错的识别效果。即使在信噪比为5d B时,各类工作模式的识别准确率也能达到95%以上。最后,研究了相控阵雷达意图推理的预测算法。借助1D-CNN网络可以对时间序列进行特征提取的优势,结合具有时间记忆功能的Bi-GRU网络,提出了一种相控阵雷达典型场景下的意图推理预测算法,经过实验对比分析,基于1D-CNN-Bi-GRU网络的推理预测性能优于简单的Bi-GRU网络。

关键词： Travel behavior  

摘要： Human behavior is complex: the decisions people make are affected not only by their inner worlds, but also their personal and environmental conditions. In travel behavior research, there is very often a heavy focus on the conditions surrounding behaviors with a lack of focus on the mental processes underpinning the decision-making process. This dissertation presents a novel conceptual model of travel behavior that accounts for these important mental processes and develops data analysis techniques that can help answer research questions based on this framework. In this dissertation, first, the conceptual model is described. Next, an indicator for an important travel behavior concept called fragmentation is established. Common patterns of activities and travel are identified from detailed diaries of travel using sequence analysis, agglomerative nesting, and optimal matching techniques. The relationship between gender and fragmentation in different-sex couples is also analyzed. Then, the design, distribution, and analysis of a survey is presented. This survey looks at travel behavior when COVID-19 stay-at-home orders were in full effect. To the extent possible, the survey used the conceptual model as a guide for what questions to include. A method using latent class analysis to classify travel behavior is also established. Travel behavior attitude are also classified using latent profile analysis. To assess the relationship between attitudes and behavior, the results of these two classifications are compared using cross-classification. Then, a model is created with the goal of following the conceptual model as closely as possible with the data available in the 2017 and 2019 Puget Sound Regional Council Transportation Study. The previously discussed travel behavior classification methods, index of fragmentation, and activity-travel patterns are all used in this model, and it expands upon the research into the relationship between fragmentation and gender. Finally, there