基于能源分解的用户用电行为模式分析

随着智能电网的普及和大数据技术的发展，利用用电数据分析用户的用电行为越来越受到关注，现存的能源分解方法无法满足实际应用中对分辨率和分解准确率的高要求，以及聚类分析方法过于粗糙没有充分挖掘每类电器的用电特点。提出了基于能源分解的用户用电行为分析方法。在判别式稀疏编码算法模型的基础上，针对L₀正则项不易求解、L₁正则项稀疏约束效果不理想的问题，提出用L_1/2正则项稀疏约束进行能源分解，并且把用户之间的同质性作为正则项加入基础模型来修正模型的性能。基于能源分解的结果，使用用户单类电器的用电特征代替总用电特征精细化分析用户的用电行为，并改进传统的K-Mean聚类算法进行实验验证。实验结果表明:所提出的基于L_1/2正则项稀疏约束和同质性约束的能源分解方法相比于传统判别式稀疏编码算法，能够有效提升能源分解的准确率。同时，基于能源分解的用户用电行为聚类分析效果也有明显提升。      

基于L1/2范数正则化的塑性回声状态网络故障诊断模型

为了提升储备池的动态适应性能,克服回声状态网络（ESN）输出权值求解的病态不适定问题,平衡其拟合与泛化能力,提出了一种基于L_1/2范数正则化的塑性回声状态网络故障诊断模型。在储备池构建中引入BCM规则对连接权矩阵进行预训练,并在目标函数中添加L_1/2范数惩罚项以提高稀疏化效率,利用一个光滑化的L_1/2正则子克服迭代数值振荡问题,并采用半阈值迭代法对模型进行求解。将模型应用于机载电台的故障诊断问题中,仿真结果证明了模型的有效性和优越性。     

一种基于自动特征学习的陨石坑区域检测算法

基于陨石坑的视觉导航技术成为一种新颖的高精度空间探测自主导航方式,如何从导航图像中精确地提取陨石坑区域是实现基于陨石坑视觉导航的首要条件。针对这一问题,根据陨石坑导航图像特点,提出了一种基于自动特征学习的陨石坑区域检测算法。首先,基于最大稳定极值区域检测算法提取陨石坑候选区域;其次,利用卷积神经网络（CNN）自动学习提取候选区域的特征;最后,通过支持向量机（SVM）实现候选区域的精确分类,得到真实的陨石坑区域。大量的仿真实验表明:与传统的基于人工特征的陨石坑区域检测算法相比,提出的基于自动特征学习的陨石坑区域检测算法具有更高的检测精度和更好的鲁棒性,在通用火星表面陨石坑数据集上,所提算法的F₁度量指标较于传统算法高出8%,可以广泛地应用于基于陨石坑的视觉导航算法中的陨石坑区域提取,为基于陨石坑视觉导航算法提供精确的导航路标输入。      

改进粒子群优化的卫星导航选星算法

为提高选星算法的性能,提出一种基于人工鱼群算法的粒子群优化（PSO）选星算法。该算法利用人工鱼群算法良好的全局收敛特性,克服了粒子群优化算法易陷入局部最优的缺点。将每种卫星组合看作空间中的一个粒子,选取几何精度因子（GDOP）作为适应度函数。利用所提算法更新粒子自身位置,优化卫星组合与几何精度因子。利用实际数据对所提算法进行验证和对比,结果表明:改进的选星算法在保障选星效率的同时,选星结果的准确性优于标准的粒子群优化选星算法。      

基于稀疏核增量超限学习机的机载设备在线状态预测

为实现对机载设备工作状态的在线状态预测,提出了一种稀疏核增量超限学习机(ELM)算法。针对核在线学习中核矩阵膨胀问题,基于瞬时信息测量提出了一个融合构造与修剪策略的两步稀疏化方法。通过在构造阶段最小化字典冗余,在修剪阶段最大化字典元素的瞬时条件自信息量,选择一个具有固定记忆规模的稀疏字典。针对基于核的增量超限学习机核权重更新问题,提出改进的减样学习算法,其可以实现字典中任一个核函数删除后剩余核函数Gram矩阵的逆矩阵的前向递推更新。通过对某型飞机发动机的状态预测,在预测数据长度等于20的条件下,本文提出的算法将预测的整体平均误差率下降到2.18%,相比于3种流形的核超限学习机在线算法,预测精度分别提升了0.72%、0.14%和0.13%。     

反作用轮不完全数据故障诊断新算法

针对卫星反作用轮遥测数据存在不完备情况,提出一种基于核模糊均值聚类（KernelFuzzy C-Means,KFCM）的数据修复诊断算法KFCM-Imputation(KFCM-I)。该算法通过KFCM聚类实现已知故障样本的聚类中心和聚类半径,通过相似度计算查找与不完备数据最相似的数据点,将该数据点填充于不完备数据点位置,保证数据的完备性,并通过数据的相似度进行故障诊断。考虑所有故障特征同步缺失数据和各故障特征随机缺失数据两种工况,对比工程上直接删除缺失数据的方法,在数据缺失量小于总数据量的13%时,KFCM-I诊断精度能达90%以上;当数据缺失量占总数据量13%～20%时,诊断精度仍能达到80%。KFCM-I算法故障诊断精度高、计算简单,对工程应用有较好的参考价值。     

基于LMI的过渡态主控回路闭环控制律优化设计

针对涡扇发动机过渡态多变量控制设计难的问题，提出了一种基于抽功法在过渡态加减速线上的准稳态工作点处提取线性模型的方法，并在此基础上提出了一种过渡态主控回路闭环控制律的优化设计方法。通过功率输入和功率提取解决过渡态动态特征提取难题，基于增益调度可作为非线性动态控制策略的基本原理，将稳态多变量控制规律的线性矩阵不等式(LMI)设计方法推广到涡扇发动机过渡态主控回路闭环控制的设计中，并通过最小化矩阵迹优化闭环极点配置。针对2种不同过渡态主控回路闭环控制策略，分别设计了最小化矩阵迹寻优的过渡态主控回路的多变量闭环控制律，并进行从慢车到中间状态的基于涡扇发动机非线性动态模型的双通道过渡态性能仿真验证，结果表明:方案1过渡态控制双通道N₁、N₂的调节时间不大于5.0 s，超调量不大于0.8%；方案2过渡态控制双通道π_T、N₂的调节时间不大于5.6 s，超调量不大于0.8%。      

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明：所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比（PSNR）、结构相似性（SSIM）及特征相似性（FSIM）3种度量指标验证了其良好的分割性能。     

基于修正IMM的风机变桨系统故障诊断方法

针对交互式多模型（IMM）故障诊断方法固定模型转移概率导致的诊断准确性、速度下降和估计精度损失问题,提出了一种基于模型转移概率和模型概率修正的故障诊断方法,并与粒子滤波（PF）结合实现了风机变桨系统传感器的多故障诊断。在非模式切换阶段,采用后验模型概率梯度信息设计模型转移概率的修正函数,以抑制噪声对IMM估计精度的影响;在模式切换阶段,采用模型概率反转的策略快速切换模型,弥补模型软切换导致的诊断延迟和错误诊断。通过仿真实验证明所提方法的准确性、模型切换速度以及状态估计精度都得到了较好的提升。      

基于原始对偶内点法的EST图像重建

静电层析成像（EST）被动感应电荷的机理决定了其独立测量值数等于电极数目,远小于电容层析成像（ECT）等相对成熟的电学成像（ET）技术的测量值数,导致逆问题的欠定性更加严重。为此,对基于压缩感知理论的EST图像重建算法进行了研究。利用奇异值分解（SVD）处理灵敏度矩阵使其满足有限等距性质（RIP）,采用l₁范数正则化模型和原始对偶内点法（PDIPA）实现图像重建,并在迭代过程中针对荷电磨粒稀疏分布的特点,对图像向量中非零元素个数施加约束。仿真实验表明:该算法相对于基于"Circle of Appolonius"的反投影（BP）算法和Landweber迭代算法,明显改进了成像质量,对不同位置的单个电荷可准确重建;2个电荷距离不小于1 mm时可正确分辨电荷数目与位置;对10组随机分布的3个电荷模型进行测试,荷电磨粒数目监测的准确率约为80%。      

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件,其可靠性直接关系到整星寿命与安全.作为动量轮的核心组件,轴承易于发生故障,且独特结构和复杂运行环境导致监测信号信噪比低,早期故障诊断困难.针对这种情况,对变分模态分解和峭度熵结合的特征提取方法进行研究,获得动量轮轴承监测信号中的微弱故障特征,并建立特征向量.引入分层极限学习机,对结构...     

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.     

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

一种基于改进KELM的在线状态预测方法

针对核超限学习机（KELM）在线状态预测过程中,核矩阵阶数不断增长且难以跟踪时变动态特征的问题,提出了一个具有遗忘因子的稀疏KELM在线状态预测方法。通过引入遗忘因子构建新的目标函数,使稀疏字典中各元素依据时间远近具有不同权重,保证了模型对动态变化的有效跟踪;通过最小化字典的快速留一交叉验证（FLOO-CV）误差,选择具有预定规模的关键节点构成字典;基于当前字典,通过矩阵初等变换和分块求逆,实现相关参数的递推更新。某型飞机发动机的状态预测结果表明,与目前已有的3种在线序贯KELM相比,所提方法在6个监测项目上的平均训练时间分别缩短了7.5%、62.0%和81.9%,平均预测精度分别提升了44.0%、19.9%和50.9%。      

5吨质量比较仪的研制

介绍了国内首款可用于M₁等级砝码检定的5吨质量比较仪,通过对研制的总体思路、技术难点、技术创新、测试结果等内容的总结,明确了该质量比较仪研制成功的积极意义,对质量比较仪向大量程方向扩展有借鉴意义。     

基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

基于IFA-ELM的航空发动机自适应PID控制新方法

针对大涵道比涡扇发动机强非线性、变参数的特点,提出了一种基于优化极端学习机(ELM)对发动机参数进行预测的自适应PID控制方法.为提高ELM的预测精度和实时性,采用适用于多峰值寻优的改进萤火虫算法(IFA)优化ELM网络参数,形成优化的ELM训练方法IFA-ELM.该算法在保证预测精度的前提下,有效简化了网络规模,并提高了其泛化能力.利用该算法建立发动机风扇转速预测模型,基于该模型,采用梯度下降法在线调整PID参数,提升发动机动态性能.数字仿真验证表明,与常规PID控制相比,基于IFA-ELM的自适应PID法调节时间减少了0.2~1.4s,超调量降低了0.2%~1.5%,验证了该控制方法的有效性.      

测试不可靠条件下多故障诊断方法

针对部队复杂系统故障诊断中存在的诊断精度低,虚警率高等问题,提出一种测试不可靠条件下多故障诊断方法.为解决系统诊断贝叶斯网络结构和概率映射表建立困难的问题,通过建立系统的多信号流图模型,从而获得系统诊断贝叶斯网络.将测试不可靠度引入概率映射表,增加了算法工程应用中的鲁棒性.利用后验概率诊断推理将问题归结为不等式约束极值问题,采用0-1规划隐数法对不等式极值问题求解,从而获得最优解.以某型导弹制导系统电子部件为例,验证了该方法对复杂系统多故障诊断的有效性.      

Heusler合金M2CoA(M=Mn,Ti;A=Al,Si)的第一性原理

采用基于密度泛函理论(DFT)的第一性原理计算方法,研究了M₂CoA型Heusler合金Mn₂CoAl、Mn₂CoSi、Ti₂CoAl和Ti₂CoSi的电子结构和磁学性质。发现Heusler合金Mn₂CoAl是亚铁磁性自旋无带隙半导体,Mn₂CoSi与Ti₂CoAl是亚铁磁性自旋半金属,而Ti₂CoSi是铁磁性自旋半金属。它们的总自旋磁矩均为整数,符合Slater-Pauling规则。然后,在分析电子能带结构和态密度的基础上,探讨了自旋无带隙半导体与半金属性的根源。最后,声子谱和弹性常数计算结果表明所有M₂CoA型Heusler合金在晶格动力学和力学上均是稳定的。