基于迁移学习的燃气轮机机理建模方法研究

燃气轮机仿真模型是燃气轮机控制策略研究与验证的重要工具,对燃气轮机控制系统国产化研制与替代具有重要作用。本文针对某型燃气轮机特性提出了一种基于迁移学习的燃气轮机机理建模方法,制定了燃气轮机部件特性线迁移变换策略,建立了燃气轮机部件特性迁移学习模型,并采用优化算法求解获得了迁移系数矩阵,最后利用迁移系数矩阵建立了燃气轮机动态仿真模型。以某9F燃气轮机现场运行数据进行了迁移学习模型训练和验证,并进行了燃气轮机动态模型仿真测试,结果表明,利用已知燃气轮机部件特性和极少量目标燃气轮机运行数据,即可建立较高精度的目标燃气轮机动态仿真模型,模型关键参数平均相对误差在1.6%以下,可以用于控制策略研究与验证。     

基于深度学习反演区域气溶胶光学厚度

为了解决现有陆地气溶胶光学厚度(AOD)反演算法精度和空间分辨率较低的问题,基于深度学习的思想,使用深度置信神经网络(DBN),实现了具有30 m空间分辨率的陆地气溶胶光学厚度反演.算法的训练样本包括全球长时间序列的AERONET站点数据以及在时空上与之对应的Landsat8 OLI的观测几何数据和表观反射率数据.为了...     

基于深度置信网络的红外光谱鉴别汽油掺混

为实现掺混汽油快速无损鉴别，提出一种利用t 分布邻域嵌入结合深度置信网络的鉴别方法，以解决机器学习中高维特征向量间的非线性关系。以92#、95#、98#及定比混合汽油为研究对象，采用多元散射校正算法对原始红外波段投射光谱测量数据进行预处理，利用t-SNE非线性方法进行光谱数据降维处理，分别采用深度置信网络和极限学习机建立汽油种类光谱鉴别模型并对比分析两种方法识别精度。研究表明:该文所选择方法构建的汽油鉴别模型性能更优，对汽油种类预测精准度高达92.5%，从而验证了该方法在汽油鉴别中的有效性。研究结果可为掺混成品油鉴别及溯源研究提供技术支持。     

基于SVM集成学习的网络故障诊断方法

针对现有SVM多分类方法在网络故障诊断中识别精度较低的问题,本文提出一种基于二叉树结构和模型二重扰动的SVM集成学习算法。通过集成学习思想提高网络故障诊断的精度。在集成过程中对二叉树结构和核参数进行扰动,加大个体分类器的差异度,提升了诊断模型的泛化性。在实际网络中的诊断实验表明所提的方法较二叉树等其它SVM多分类方法具有更高的诊断精度。     

基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

一种改进的DNN-HMM的语音识别方法*

针对深度神经网络与隐马尔可夫模型(DNN-HMM)结合的声学模型在语音识别过程中建模能力有限等问题,提出了一种改进的DNN-HMM模型语音识别算法。首先根据深度置信网络(DBN)结合深度玻尔兹曼机(DBM),建立深度神经网络声学模型,然后提取梅尔频率倒谱系数(MFCC)和对数域的Mel滤波器组系数(Fbank)作为声学特征参数,通过TIMIT语音数据集进行实验。实验结果表明:结合了DBM的DNN-HMM模型相比DNN-HMM模型更具优势,其中,使用MFCC声学特征在词错误率与句错误率方面分别下降了1.26%和0.20%。此外,使用默认滤波器组的Fbank特征在词错误率与句错误率方面分别下降了0.48%和0.82%,并且适量增加滤波器组可以降低错误率。总之,研究取得句错误率与词错误率分别降低到21.06%和3.12%的好成绩。     

改进退火遗传算法在SQL数据挖掘参数优化中的应用

针对SQL数据挖掘在复杂动力学系统故障诊断中的模式分类问题,以决策树参数优化为例,开展SQL数据挖掘分类算法参数优化研究。目前数据挖掘中的各类算法参数往往根据经验值设定,预测精度不高;只用遗传算法进行参数优化,分类预测结果容易发生振荡和早熟现象。采用改进的退火遗传算法对SQL数据挖掘中的决策树算法参数进行优化,解决了人工经验设置参数效率低下、精度不高的问题,同时实现了全局搜索,快速收敛到全局最优解。     

基于深度学习的高分辨率遥感影像分类研究

针对高空间分辨率遥感影像的分类问题,提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征,利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类,并与基于单源光谱信息的DBN分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明:相对于单源光谱信息,利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度;相对于SVM、NN等分类方法,DBN能够更加准确地挖掘高分辨率遥感影像的空间分布规律,提高分类的准确度。     

深度信念网络的近红外光谱分析建模方法

近红外光谱是一种快速、无损的定量分析工具,现如今已广泛的应用在各个行业中。近红外光谱分析技术应用的关键就在于如何建立一个有效而又精确的模型。目前常用的定量分析方法大多为浅层模型,深度信念网络(DBN)是一种基于概率的深层模型,可以自动学习输入的有效特征表示,且只要设置最后隐层输出节点数低于输入光谱维度,在对光谱数据完成特征提取的同时即可实现降维。对于近红外光谱样本量大、变量多、维度高等问题,提出一种基于深度信念网络的近红外光谱建模方法,定量分析物性浓度。该方法以近红外光谱数据作为输入信号,首先对多层受限玻尔兹曼机(RBM)进行无监督学习,实现光谱自身特征的提取;然后利用目标理化值对网络进行微调得到最优模型参数。在建立DBN校正模型的基础下对其进行改进,建立DBN-PLS校正模型。通过建立DBN近红外光谱校正模型、 DBN-PLS近红外光谱校正模型,验证了DBN建模和DBN-PLS建模的可行性,并引入决定系数(R~2)和均方误差(MSE)两个模型评价指标,对比分析了传统BP建模和DBN建模的精度。分析结果表明,相较于传统定量分析方法建模,利用DBN方法建模和DBN-PLS方法建模可以提高预测精度。     

基于光谱与空间特征结合的改进高光谱数据分类算法

针对仅利用光谱信息进行分类未充分利用高光谱数据图谱合一特性的问题,提出了基于马尔可夫随机场的改进分类模型,利用基于最大后验概率的马尔科夫随机场模型进行光谱与空间信息的融合应用,采用基于光谱信息的概率支持向量机方法提高马尔科夫随机场模型中光谱能量函数项的类条件概率估计精度,设计基于信息传播策略、信息更新策略、多尺度传播策略的多重加速策略的高效置信传播优化算法,解决了马尔科夫随机场模型中全局能量最小化优化过程中计算复杂度高、计算耗时等问题。利用航空可见-近红外成像光谱仪AVIRIS对美国印第安纳州西北部的农业示范区数据进行应用分析,并与迭代条件模型、模拟退火、置信传播等方法进行性能比较,试验结果表明：该方法能够达到总体分类精度95.78%、Kappa系数0.933 4,优于现有马尔科夫随机场分类算法,并且计算效率比置信传播优化算法提高了3倍以上。     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

基于多种群量子粒子群聚类的模拟电路故障诊断算法设计

为了提高传统模拟电路故障诊断算法的故障诊断精确度和故障诊断效率,设计了一种基于多种群量子粒子群聚类的模拟电路故障诊断算法。首先,采用多种群量子粒子群算法实现特征参数优化,将最优粒子中的非0维度作为选择的最优特征属性,得到最优特征选择集,然后采用马氏距离作为数据样本相似度的度量方式,设计了基于马氏距离的聚类方法实现对模拟电路的故障进行有效诊断,该诊断方法能在线样本不断增加的情况,自适应地增加聚类的个数即故障诊断的类别数,且无需训练参数。仿真实验表明,文中方法能有效实现模拟电路的故障诊断,尤其是能满足在线故障诊断需求,与其它方法相比,具有故障诊断精度和效率高的优点。     

模拟退火优化SVM参数的变压器故障诊断

利用群智能算法优化支持向量机(SVM)参数往往需要引入额外的变量,使变压器故障诊断问题更加复杂,对此提出一种自适应的模拟退火算法优化(ASA)支持向量机参数。通过设计自适应的冷却进度表,使得寻参的过程仅仅依赖于退火速率以及网格搜索粒度,保持了较少的参数设置。在相关数据集上的实验表明,与已提出的粒子群算法(PSO)、遗传算法(GA)相比,ASA算法具有更快的收敛速度以及较好的诊断精度。利用自适应的模拟退火算法能够较好的优化SVM参数并提高变压器故障诊断的精度。     

深度学习与辐射传输模型协同的气溶胶反演

传统气溶胶反演方法通常先基于模型假设确定地表反射率,但反演结果会受到假设的影响;而深度学习方法基于数据驱动,能在气溶胶定量反演中得到更加准确、高效的结果,但模型训练需要充足的优质样本数据支持。为此,使用大气辐射传输模型构建模拟样本,支持深度学习方法实现气溶胶定量反演,旨在解决当前训练数据代表性不足、数据获取困难的问题。利用辐射传输模型模拟不同参数条件下传感器获得的辐射信息,考虑概率组合及筛选标准限制进行模拟数据构建,并使用深度置信网络（DBN）对模拟样本进行训练,获得气溶胶反演模型。将模型应用于Landsat-8数据,在中国北京地区开展气溶胶反演实验。最后使用AERONET地面站点的实测数据对反演结果进行精度验证。验证结果表明,模型估算的气溶胶与站点测量值吻合良好,相关系数为0.8989,均方根误差为0.1029,约74.05%的估算值在误差标准内。本文提供了一种基于辐射传输方程构建样本数据集的思路,可减少样本质量与数量导致的局限性,实现深度学习方法对气溶胶光学厚度的高精度反演。     

基于改进sigmoid激活函数的深度神经网络训练算法研究

针对深度神经网络训练过程中残差随着其传播深度越来越小而使底层网络无法得到有效训练的问题,通过分析传统sigmoid激活函数应用于深度神经网络的局限性,提出双参数sigmoid激活函数。一个参数保证激活函数的输入集中坐标原点两侧,避免了激活函数进入饱和区,一个参数抑制残差衰减的速度,双参数结合有效的增强了深度神经网络的训练。结合DBN对MNIST数据集进行数字分类实验,实验表明双参数 sigmoid激活函数能够直接应用于无预训练深度神经网络,而且提高了sigmoid激活函数在有预训练深度神经网络中的训练效果。     

基于BLCD分解与ACO-DBN网络的光纤振动信号识别

针对光纤振动信号受噪声干扰严重、特征提取单一和识别时间长的问题,提出了改进的局部特征尺度分解和蚁群算法优化深度置信网络的识别方法.首先,采用三次B样条函数插值拟合均值曲线改进局部特征尺度分解算法,并对原始信号进行分解得到一系列内禀尺度分量之和.其次,利用峭度因子和能谱系数构成融合指标筛选有效分量.然后,分别提取有效分量...     

多分类SVDD混叠域识别的模拟电路故障诊断

针对多分类支持向量域数据描述(SVDD)方法中混叠样本诊断精度差的问题,提出了一种带异类样本的多分类SVDD算法。该方法在普通SVDD超球模型基础上,对于存在混叠区域的类别,以该类所有样本为目标类,其他类与之混叠的样本为异类,利用带异类样本的SVDD算法重新训练,直至所有超球优化完毕。仿真实验验证了本文算法消除混叠和提高精度的能力,并将该算法应用于模拟电路故障诊断中。相较与SVDD多分类算法、一对一和一对多SVM算法,本文方法在模拟电路故障诊断中具有更高的诊断精度。     

基于多精度代理模型的高效异型气膜孔设计优化和实验验证

为了提升燃气轮机热端部件表面的气膜冷却效果,本文发展了一套基于多精度代理模型的高效气膜孔优化方法,通过对气膜孔孔型进行优化得到最优的气膜冷却效率。与传统的代理模型优化方法相比,本文构建的多精度代理模型优化方法能有效结合实验数据与高精度数值计算,在保证准确度的同时使优化效率提升64.5%。本文针对业界广泛使用的一种气膜孔进行优化设计,选取后倾角、侧扩角和孔长径比作为三个设计变量,采用遗传算法和序列二次规划混合方法进行优化。并采用3D打印和PSP测量技术对优化孔型进行验证,发现和初始孔型相比优化孔型的面平均气膜冷却效率提升39%。本文的工作证明了多精度代理模型在气膜冷却优化方面的有效性。     

微小型航天密封圈表面缺陷检测

微小型航天密封圈表面缺陷面积占比小,目前的检测方法检测效率低、结果不稳定,检测速度和检测精度仍有提升空间。针对上述问题,提出两种基于深度学习的密封圈表面缺陷检测算法。在MobileNetv2的反向残差模块中加入多头注意力机制,构建出轻量级主干网络Efficient Model;使用Next Hybrid策略,融合工业级Transformer网络中的多个注意力机制模块,构建出Next Generation Vision Transformer主干网络。在上述两种主干网络中分别加入特征提取网络,设计出Efficient-FPN Model和Transformer-FPN Model检测算法。实验结果表明,Efficient-FPN Model和Transformer-FPN Model检测算法的平均准确率均高于YOLOv5s、YOLOv5x以及YOLOv5z,其中,Transformer-FPN Model模型的平均准确率最高,达到91.4%。Efficient-FPN Model的检测速度在五种模型中最快,达到110.8 frame/s,其平均准确率达到86.1%,也高于其他YOLOv5...     

基于退化数据和DBN算法的IGBT健康参数预测方法

绝缘栅双极型晶体管(IGBT)等电子元器件被广泛用于运输和能源部门,其健康状态对于设备安全和有效至关重要;在对IGBT的结构和损伤机制分析基础上,结合NASA艾姆斯中心开展的IGBT加速退化试验,选择集电极-发射极关断峰值电压作为失效特征参数,提出了一种基于深度信念网络的预测模型对其进行分析和预测;以Levenberg-Marquardt(LM)算法模型作为对比,实验结果显示文章提出的三隐藏层DBN模型相比于LM模型有更好的预测性能和更高的预测精度。