随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。
针对多元状态估计技术(multivariate state estimation technique,MSET)在风电机组齿轮箱故障预警中存在的学习能力弱、建模精度对过程记忆矩阵依赖大等问题,提出一种基于MSET和集成学习的齿轮箱故障预警方法。首先对监控与数据采集(sup...
详细信息
针对多元状态估计技术(multivariate state estimation technique,MSET)在风电机组齿轮箱故障预警中存在的学习能力弱、建模精度对过程记忆矩阵依赖大等问题,提出一种基于MSET和集成学习的齿轮箱故障预警方法。首先对监控与数据采集(supervisory control and data acquisition,SCADA)系统中部分数据进行K-均值聚类,构造多个独立的MSET子模型;以高斯过程回归作为结合模块,利用SCADA中其他数据资源进行训练;最后基于滑动窗口法计算报警阈值进而实现齿轮箱的故障预警。使用风场的实际运行数据对算法进行验证,结果表明基于集成学习改进的MSET在建模精度、计算时间以及预警能力上均优于传统的MSET预警方法。
应用Realizable k-ε湍流模型和VOF(Volume of Fraction)两相流模型对某压力旋流喷嘴进行数值研究,分析了旋流室锥角、旋流孔角度及喷嘴入口压力变化对雾化锥角、雾化粒径及分布、液滴速度分布等参数的影响。结果表明:雾化锥角受旋流室...
详细信息
应用Realizable k-ε湍流模型和VOF(Volume of Fraction)两相流模型对某压力旋流喷嘴进行数值研究,分析了旋流室锥角、旋流孔角度及喷嘴入口压力变化对雾化锥角、雾化粒径及分布、液滴速度分布等参数的影响。结果表明:雾化锥角受旋流室锥角的影响幅度随压力增大而减小,雾化粒径及分布受旋流室锥角影响不明显,当旋流室锥角为90°时雾化范围广且雾化稳定性好;雾化锥角随旋流孔角度增大先增后减,当角度为45°时雾化锥角最大,平均粒径及其分布更佳;当喷嘴入口压力逐渐增大时,雾化锥角与雾化粒径均逐渐减小,液滴速度区间逐渐缩小,当入口压力达到0.4 MPa时,Sauter粒径及液滴粒径分布趋于稳定,液滴速度分布最为集中。
暂无评论