针对常规方法对于气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)机械缺陷的特征识别稳定性差、识别率低的问题,在图谱理论的基础上,提出一种基于图谱功率谱熵和最大均值差异(Maximum Mean Discrepancy,MMD)的GIS机械状态辨...针对常规方法对于气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)机械缺陷的特征识别稳定性差、识别率低的问题,在图谱理论的基础上,提出一种基于图谱功率谱熵和最大均值差异(Maximum Mean Discrepancy,MMD)的GIS机械状态辨识方法。首先将采集得到的GIS振动信号转化为图信号,并利用图傅里叶变换技术变换至图谱域进行分析处理;然后提取图谱功率谱熵作为表征GIS不同状态的特征参数;最后利用MMD距离判别函数实现GIS不同工况下的状态辨识。实验结果表明:在噪声干扰的情况下,所提方法能够有效提取GIS不同状态下的特征参数,并成功区分出屏蔽罩松动及内部异物缺陷,状态辨识精度高达93.89%,较常规方法有明显提高。展开更多
最大均值差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)作为一种基于最大均值差异(MaximumMean Discrepancy,MMD)度量的特征提取方法被成功地运用.然而通过分析得知,该方法在处理原始输入空间上的特征提取问题时一定程度上缺乏适...最大均值差异嵌入(Maximum Mean Discrepancy Embedding,MMDE)作为一种基于最大均值差异(MaximumMean Discrepancy,MMD)度量的特征提取方法被成功地运用.然而通过分析得知,该方法在处理原始输入空间上的特征提取问题时一定程度上缺乏适应性.因此本文在MMD准则的基础上,并结合已经被广泛研究和探讨的局部学习方法,提出一个新的评价度量:最大局部加权均值差异(Maximum LocalWeightedMean Discrepancy,MLMD),该度量反映源域和目标域分布差异时能充分考虑两个区域内在的局部结构,同时还能通过局部分布差异去反映全局分布差异.本文还在此度量的基础上提出一种能实现迁移学习任务并具有一定局部学习能力的特征提取方法:最大局部加权均值差异嵌入(Maximum Local WeightedMean Discrepancy Embedding,MWME).该方法不但能完成传统意义上的特征提取,同时还能完成在两个分布存在差异但相关的两个区域上实现领域适应学习,从而表明该特征提取方法具有较好的鲁棒性和适应性.实验证明MLMD准则和MWME方法具有上述优势.展开更多
针对流程工业中湿式球磨机工况变化后,数据分布差异导致的原测量模型失准问题,引入集成最大均值差异、正则约束的迁移子空间(the transfer subspace with integrated maximum mean discrepancy and regular constraint MRTS)软测量建模...针对流程工业中湿式球磨机工况变化后,数据分布差异导致的原测量模型失准问题,引入集成最大均值差异、正则约束的迁移子空间(the transfer subspace with integrated maximum mean discrepancy and regular constraint MRTS)软测量建模方法。该方法首先在源领域和目标领域上训练2个耦合投影矩阵,将源域和目标域映射到2个低维子空间中,然后,集成最大方差、最大均值差异及正则项,通过优化求解得到这2个特征耦合的变化矩阵,最后在源领域所构建的子空间中建立回归模型。实验室磨机负荷参数的预测结果表明,该方法优于传统软测量建模方法,能够有效提高模型的预测精度,对实际流程工业具有一定的指导意义。展开更多
文摘针对常规方法对于气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)机械缺陷的特征识别稳定性差、识别率低的问题,在图谱理论的基础上,提出一种基于图谱功率谱熵和最大均值差异(Maximum Mean Discrepancy,MMD)的GIS机械状态辨识方法。首先将采集得到的GIS振动信号转化为图信号,并利用图傅里叶变换技术变换至图谱域进行分析处理;然后提取图谱功率谱熵作为表征GIS不同状态的特征参数;最后利用MMD距离判别函数实现GIS不同工况下的状态辨识。实验结果表明:在噪声干扰的情况下,所提方法能够有效提取GIS不同状态下的特征参数,并成功区分出屏蔽罩松动及内部异物缺陷,状态辨识精度高达93.89%,较常规方法有明显提高。
文摘针对流程工业中湿式球磨机工况变化后,数据分布差异导致的原测量模型失准问题,引入集成最大均值差异、正则约束的迁移子空间(the transfer subspace with integrated maximum mean discrepancy and regular constraint MRTS)软测量建模方法。该方法首先在源领域和目标领域上训练2个耦合投影矩阵,将源域和目标域映射到2个低维子空间中,然后,集成最大方差、最大均值差异及正则项,通过优化求解得到这2个特征耦合的变化矩阵,最后在源领域所构建的子空间中建立回归模型。实验室磨机负荷参数的预测结果表明,该方法优于传统软测量建模方法,能够有效提高模型的预测精度,对实际流程工业具有一定的指导意义。
