检索结果-南通市图书馆

Anomaly detection of control rod drive mechanism using long short-term memory-based autoencoder and extreme gradient boosting

在线全文

学校读者我要写书评

暂无评论

Nuclear Science and Techniques 2022年第10期33卷 53-67页

作者： Jing Chen Ze-Shi Liu Hao Jiang Xi-Ren Miao Yong Xu College of Electrical Engineering and Automation Fuzhou UniversityFuzhou 350108China The Department of Automation Shanghai Jiao Tong UniversityShanghai 200240China Fujian Fuqing Nuclear Power Co. Ltd.Fujian 350318China

Anomaly detection for the control rod drive mechanism(CRDM) is key to enhancing the security of nuclear power plant equipment. In CRDM real-time condition-based maintenance, most existing methods cannot deal with long sequences and periodic abnormal events and have poor feature extraction from these data. In this paper,a learning-based anomaly detection method employing a long short-term memory-based autoencoder(lstm-ae)network and an extreme gradient boosting(XGBoost)algorithm is proposed for the CRDM. The nonlinear and sequential features of the CRDM coil currents can be automatically and efficiently extracted by the lstm neural units and ae network. The normal behavior lstm-ae model was established to reconstruct the errors when feeding abnormal coil current signals. The XGBoost algorithm was leveraged to monitor the residuals and identify outliers for the coil currents. The results demonstrate that the proposed anomaly detection method can effectively detect different timing sequence anomalies and provide a more accurate forecasting performance for CRDM coil current signals.

关键词： Anomaly detection CRDM lstm-ae Residuals XGBoost

引入DDC迁移学习算法的卫星ACS系统故障定位技术

在线全文

学校读者我要写书评

暂无评论

空间控制技术与应用 2022年第2期48卷 80-87页

作者：王泽程月华宫江雷郭小红何漫丽南京航空航天大学自动化学院江苏南京211100 西安电子科技大学西安710071 宇航动力学国家重点实验室西安710043

基于数据的故障诊断方法凭借其优秀的工程适用性,已成为当前故障诊断领域的重点研究方向;但其算法模型的训练一般需要充足的样本数据,因此难以解决故障样本缺少的诊断问题.针对目标卫星无故障样本情况下的卫星姿态控制系统(ACS)故障诊... 详细信息

基于数据的故障诊断方法凭借其优秀的工程适用性,已成为当前故障诊断领域的重点研究方向;但其算法模型的训练一般需要充足的样本数据,因此难以解决故障样本缺少的诊断问题.针对目标卫星无故障样本情况下的卫星姿态控制系统(ACS)故障诊断问题,提出一种基于DDC(deep domain confusion)迁移学习算法改进的故障定位技术.通过长短期记忆-自编码器(lstm-ae)网络对标称卫星姿态信息重构并计算残差,再对其进行特征提取以训练BP网络故障定位分类器;同时引入DDC迁移学习算法,于分类器网络中添加域适应层并修改损失函数,学习目标卫星的健康和故障特征知识进而改进算法模型.最后通过三轴气浮台半物理仿真平台,验证了引入DDC迁移学习改进的故障定位技术的有效性.

关键词：迁移学习神经网络 lstm-ae 故障定位

基于集成lstm自编码器的多维时间序列异常检测

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2024年第1期41卷 285-290页

作者：李亚静霍纬纲丁磊中国民航大学计算机科学与技术学院天津300300

针对长短时记忆网络自编码器(lstm-ae)在多维时间序列(MTS)上异常检测效率低的问题,提出一种基于集成lstm-ae(Lae)的MTS异常检测模型。该模型集成多个lstm-ae分别重构正常MTS各子序列,并将各重构误差作为MTS的局部特征;利用全连接网络... 详细信息

针对长短时记忆网络自编码器(lstm-ae)在多维时间序列(MTS)上异常检测效率低的问题,提出一种基于集成lstm-ae(Lae)的MTS异常检测模型。该模型集成多个lstm-ae分别重构正常MTS各子序列,并将各重构误差作为MTS的局部特征;利用全连接网络自编码器(FCae)对各重构误差数据进行拟合,学习MTS数据的全局特征;根据FCae的重构误差进行异常检测。在三个公共MTS数据集上的实验表明,与基准方法相比,在Precision、Recall和F1_score三个评价指标下分别最大提升0.0584、0.1184和0.0786。

关键词：多维时间序列异常检测 lstm-ae 集成学习

在线全文

学校读者我要写书评

暂无评论

风电机组异常数据检测算法研究

风电机组异常数据检测算法研究

作者：张佳楠江苏大学

学位级别：硕士

风能作为可再生的清洁能源是“十四五”碳中和能源战略的重要组成部分,风电场规模及数量不断扩大,风电机组的日常运行与维护成本不断增加。为降低运维成本,增强风电机组在达到灾难性故障前的可靠性,监测设备的运行状态及针对故障的早期... 详细信息

风能作为可再生的清洁能源是“十四五”碳中和能源战略的重要组成部分,风电场规模及数量不断扩大,风电机组的日常运行与维护成本不断增加。为降低运维成本,增强风电机组在达到灾难性故障前的可靠性,监测设备的运行状态及针对故障的早期检测与发现至关重要。利用工况数据对风电机组运行状态进行异常评估以实现对风电机组的运行状态的异常监测具有重要的研究意义,已引起广泛关注,成为研究热点。相关学者已经提出许多好的异常检测方法,其中长短时记忆自编码器(Long-Short Term Memory-Autoencoder,lstm-ae)神经网络取得了较好的实验检测效果。但在实际运用过程中由于部分机组存在异常数据占比失衡的情况,且固定阈值的判定方法未考虑性能参数变化幅度与设备运行状态间的非线性关系,具有局限性,严重降低了异常数据检测的准确率。为此,本文提出基于lstm-ae集成共享框架的风电机组运行状态异常评估方法以提高性能评估指数的精度,提出基于降噪自动编码器的自适应阈值风电机组异常检测方法解决固定阈值判定的局限性,并通过互信息量确定异常关键性能参数。论文的主要研究工作如下:(1)提出基于lstm-ae集成共享框架(lstm-ae Integrated Sharing Framework,ISF-lstm-ae)的风电机组运行状态异常评估方法。通过在训练过程中引入同一风电场中近邻机组数据在时间维度上的相关性,提出一种能在模型训练过程中通过参数优化调整各个机组数据影响比重的隐藏状态共享模块,并结合lstm-ae网络结构设计了一种能有效进行多机组模型联合训练的集成共享框架,提高在异常评估过程中正常数据与异常数据的分化性能。将本文所提方法与相关方法在真实风电场的数据采集与监视(Supervisory Control And Data Acquisition,SCADA)系统数据上进行对比实验,结果表明,正常数据均方根误差降低了1.7%～20%,异常数据均方根误差提高了1.3%～29%,显著提高了数据的分化性能,提高了性能评估指数的精确率。(2)提出基于降噪自动编码器的自适应阈值(Adaptive Threshold Based on Denoising Automatic Encoder,Dae-AT)风电机组异常检测方法。通过降噪自动编码器构建性能评估指数与对应重构值间期望函数,对比重构值的期望性能评估指数与实际性能评估指数间的差值,在不同设备运行状态下自适应地调整对应的阈值。比传统固定阈值方法F1值(F1-score)提高1.4%～5.9%,有效提高对异常数据判定的准确性。计算并对比重构误差中不同性能参数与性能评估指数的互信息量,确定导致设备异常的关键性能参数。(3)设计并实现风电机组异常数据检测系统。系统包括异常评估、自适应阈值检测、异常关键性能参数分析等功能,以可视化的形式展示异常数据的分布并确定异常关键性能参数,方便用户分析风电机组故障情况。

关键词：异常检测 lstm-ae 集成共享 Dae 自适应阈值互信息风电机组

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

风电机组异常数据检测、清洗与解释方法研究

计算机与数字工程 2023年第9期51卷 2195-2200,2217页

作者：张佳楠薛安荣江苏大学计算机科学与通信工程学院镇江212013

对风电机组运行数据中的异常数据进行检测与清洗是风电建模分析的必要前提。当原始数据中部分机组异常数据占比过大时,以往检测方法难以有效分化正常数据和异常数据,清洗过程中未能考虑运行工况,且未能输出异常关键性能参数。针对上述问... 详细信息

对风电机组运行数据中的异常数据进行检测与清洗是风电建模分析的必要前提。当原始数据中部分机组异常数据占比过大时,以往检测方法难以有效分化正常数据和异常数据,清洗过程中未能考虑运行工况,且未能输出异常关键性能参数。针对上述问题,论文提出一种基于lstm-ae集成共享框架的风电机组异常数据检测、清洗与解释方法。该方法提出一种能在模型训练过程中优化调整各个机组数据影响比重的隐藏状态共享模块,并结合lstm-ae网络结构设计了能有效进行多机组模型联合训练的集成共享框架,以计算异常指标重构误差;通过重构误差的在多元高斯分布中的概率密度与重构值的非线性期望函数设置自适应阈值进行异常数据清洗;对比重构误差中不同性能参数与概率密度差值的互信息量,确定异常关键性能参数。实验结果表明所提方法能提高正常数据与异常数据的分化程度,提升异常数据清洗准确率,并输出异常关键性能参数。

关键词： lstm-ae 风电机组集成共享自适应阈值互信息量