针对异步电机信号的故障敏感性差异大和故障特征提取困难等问题,提出了一种基于自混合注意力机制和时-空特征挖掘模型的异步电机故障诊断方法。该方法首先将自注意力机制擅长处理长距离依赖和全局信息特征的优势与squeeze-and-excitatio...针对异步电机信号的故障敏感性差异大和故障特征提取困难等问题,提出了一种基于自混合注意力机制和时-空特征挖掘模型的异步电机故障诊断方法。该方法首先将自注意力机制擅长处理长距离依赖和全局信息特征的优势与squeeze-and-excitation(SE)网络增强通道特征相关性的优点相结合,设计了一种新型的自混合注意力机制(self-hybrid attention mechanisms,SHAM),可以有效地降低异步电机电信号的故障敏感性差异;其次,将一维卷积神经网络(1D-convolutional neural network,1D-CNN)和SHAM相结合形成卷积自混合注意力模块(C-SHAM)来提取不同视野域的空间特征和捕获信号特征长范围依赖,同时抑制不同通道下同源信号内无关分量的影响;随后,将双向长短时记忆网络(bidirectional long and short term memory networks,Bi-LSTM)和SHAM相结合提出时序自混合注意力模块(BL-SHAM),进一步实现信号时序特征的再提取和不同通道特征的自适应融合;最后,通过分类器实现电机的故障识别。实验结果表明,在异步电机实验平台上,所提出的方法能够对异步电机的故障电信号进行有效地分类,平均准确率大于98%。展开更多
针对计算机服务器预警阈值人为设定不准确的问题,该文以某农业数据采集与监视控制系统(supervisory control and data acquisition,SCADA)中Apache服务器为研究对象,提出一种基于聚类分析提取服务器监控指标预警阈值的方法。首先对服务...针对计算机服务器预警阈值人为设定不准确的问题,该文以某农业数据采集与监视控制系统(supervisory control and data acquisition,SCADA)中Apache服务器为研究对象,提出一种基于聚类分析提取服务器监控指标预警阈值的方法。首先对服务器运行数据与某类异常发生前的预警信息进行特征选择。在数据分布形状未知的情况下,对特征选择结果分别用K-means和CURE(clustering using representative)2种聚类算法挖掘异常发生前服务器运行状态的普遍特征,将聚类结果用于提取该类异常的预警阈值。试验表明:特征选择可提取出影响该SCADA系统中服务器性能的监控指标。对比聚类结果,CURE算法聚类质心与正常信息质心的距离范围为0.02~0.05,而K-means算法聚类质心与正常信息质心的距离范围为0.15~0.2,CURE算法提取的预警阈值更加靠近预警发生时的服务器临界状态。在实际验证中,CURE相较于K-means预警时间至少提前24 h,该文方法提取的服务器预警阈值相比人工方式能更早地发现系统潜在风险,可用于动态更新预警阈值。展开更多
文摘针对异步电机信号的故障敏感性差异大和故障特征提取困难等问题,提出了一种基于自混合注意力机制和时-空特征挖掘模型的异步电机故障诊断方法。该方法首先将自注意力机制擅长处理长距离依赖和全局信息特征的优势与squeeze-and-excitation(SE)网络增强通道特征相关性的优点相结合,设计了一种新型的自混合注意力机制(self-hybrid attention mechanisms,SHAM),可以有效地降低异步电机电信号的故障敏感性差异;其次,将一维卷积神经网络(1D-convolutional neural network,1D-CNN)和SHAM相结合形成卷积自混合注意力模块(C-SHAM)来提取不同视野域的空间特征和捕获信号特征长范围依赖,同时抑制不同通道下同源信号内无关分量的影响;随后,将双向长短时记忆网络(bidirectional long and short term memory networks,Bi-LSTM)和SHAM相结合提出时序自混合注意力模块(BL-SHAM),进一步实现信号时序特征的再提取和不同通道特征的自适应融合;最后,通过分类器实现电机的故障识别。实验结果表明,在异步电机实验平台上,所提出的方法能够对异步电机的故障电信号进行有效地分类,平均准确率大于98%。
文摘针对计算机服务器预警阈值人为设定不准确的问题,该文以某农业数据采集与监视控制系统(supervisory control and data acquisition,SCADA)中Apache服务器为研究对象,提出一种基于聚类分析提取服务器监控指标预警阈值的方法。首先对服务器运行数据与某类异常发生前的预警信息进行特征选择。在数据分布形状未知的情况下,对特征选择结果分别用K-means和CURE(clustering using representative)2种聚类算法挖掘异常发生前服务器运行状态的普遍特征,将聚类结果用于提取该类异常的预警阈值。试验表明:特征选择可提取出影响该SCADA系统中服务器性能的监控指标。对比聚类结果,CURE算法聚类质心与正常信息质心的距离范围为0.02~0.05,而K-means算法聚类质心与正常信息质心的距离范围为0.15~0.2,CURE算法提取的预警阈值更加靠近预警发生时的服务器临界状态。在实际验证中,CURE相较于K-means预警时间至少提前24 h,该文方法提取的服务器预警阈值相比人工方式能更早地发现系统潜在风险,可用于动态更新预警阈值。
