基于mini-1D-CNN模型的TE过程故障诊断

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明：相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。     

基于VMD排列熵与FASSA-SVM的滚动轴承故障研究

提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs）,其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中,最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明,FASSA-SVM方法的平均测试集诊断准确率高达99.8%,该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。     

信息融合技术在火灾探测中的应用研究

为减少火灾探测中的误报警,基于信息融合技术对火灾传感器输出的信息进行处理。充分利用火灾探测系统的在线和离线数据,采用改进的主元分析法(PCA)、粗糙集(RS)理论、支持向量机(SVM)等3种方法的融合与互补,通过对系统的输入数据进行简化,消除原有信息的各分量之间的相关性,降低特征信息维数;实施最优最小约简,特征提取优化;构造自适应核函数,确定最优分类超平面,进行样本训练,获得火灾探测结果。从数据级、特征级、决策级3个层次上实现火灾信息融合。结果表明:该方法减少了融合过程中的信息损失,降低了计算的复杂性,有效地提高了火灾探测系统的可靠性和准确度。     

基于差异进化支持向量机的坑外土体沉降预测

就用支持向量机(SVM)预测基坑外土体沉降而言,通过差异进化(DE)算法构造适合的决策函数十分重要。在确定坑外土体沉降函数的基本形式下,进行参数反演。后将得到的解析式作为SVM的决策函数,再进行核函数转换,从而使SVM的曲线拟合更加快速,预测更加准确。对大连地铁湾家车站基坑坑外土体的沉降数据的分析及预测的结果表明,使用SVM-DE算法在计算数据量、计算消耗时间和预测精度方面优于2种方法单独使用。     

生产过程危险和有害因素分类与代码在监督实践中的应用

在日常监督检查过程中,如何科学的对监督发现的问题(隐患)进行分类,目前还没有统一的标准,笔者在此通过应用《生产过程危险和有害因素分类与代码》(GB/T 13861-2009),对一段时间内监督发现的问题(隐患)进行分类统计分析,找出不同要素间问题(隐患)数量和趋势,以更好的发现安全管理中的薄弱环节,为现场监督检查指明方向,切实发挥安全监督的服务保障作用。     

PSO-SVM模型在化工事故风险预测中的应用研究

为了减少化工事故的发生，提高化工生产过程中事故风险预测的准确性，研究了粒子群优化算法与支持向量机(PSO-SVM)模型在事故风险预测中的应用。首先，统计分析近5年化工生产安全事故致因因素，得出化工事故风险因素统计特征，结合层次分析法，建立化工事故风险预测指标体系并确定各指标因素的权重值；然后，基于MATLAB计算生成的化工事故风险程度样本数据，利用PSO算法优选SVM回归预测模型的惩罚因子和核函数参数，建立PSO-SVM相耦合的化工事故风险回归预测模型；最后，将预测指标值样本数据代入模型得到对应预测事故风险值。对比PSO-SVM模型预测风险值和实际计算风险值，可知PSO-SVM模型预测精度良好，预测结果与实际结果较为吻合，表明该模型能有效处理小样本数据回归预测问题，可解决化工生产安全系统各等级风险的异常样本数据稀少问题，模型适用于化工事故风险预测。     

基于KPCA-ALO-WLSSVM的埋地管道外腐蚀速率预测北大核心CSCD

为提高埋地油气管道外腐蚀速率预测精度,建立了一种基于KPCA-ALO-WLSSVM的埋地管道外腐蚀速率预测模型。以沿川气东送管线所做埋片试验获取的数据为例,首先利用核主成分分析(KPCA)对管道外腐蚀影响因素进行处理,以重构的综合指标作为模型的输入值;然后利用加权最小二乘支持向量机(WLSSVM)对外腐蚀因素和速率进行仿真建模,并利用蚁狮优化算法(ALO)对WLSSVM建模中的参数进行寻优。结果表明:KPCA提取了累计贡献率为97.84%的3个主元,减化了建模过程的复杂性;所构建的ALO-WLSSVM外腐蚀速率预测模型的平均相对误差为4.390%,均方根误差为0.276,各项指标均优于其对比模型,证明了本模型具有更好的学习性和更高的拟合效果。     

人因可靠性分析的加权CREAM模型

为有效预测开发阶段系统的可靠性,提高认知可靠性与失误分析方法(CREAM)分析的准确性,降低部分系统输入数据的主观性,利用区间值直觉模糊集(IVIFS)和网络分析法(ANP),在考虑共同绩效条件(CPC)间相关性的情况下,提出了一种定量计算CPC权重的优化方法,使可靠性分析更加符合实际环境.在算法中基于判断矩阵获得各CPC权重,克服了一致性检验的约束,并确定了加权的人因失效概率.最后将改进前后的方法应用在肺癌穿刺机器人手术系统的试验中.结果表明:改进后方法获得的权重的标准误差(SE)更低,与真实值更贴近,准确性更高,证明了其分析能力的优越性;改进后方法最终预测结果包含的信息更广,有效避免了对系统潜在故障的忽视.     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。     

基于分类交通冲突与微观仿真分析的城市交叉口安全诊断及改善

鉴于传统的城市交叉口交通冲突整体评价方法不能深入地分析和解决交叉口内部的交通安全问题,依据流量和相位时长关系确定分类交通冲突评价系数,计算出不同相位阶段中不同交通冲突类型(机-机、机-非、机-人)的交通冲突率和分类综合交通冲突率,从而比较和诊断交叉口内部危险性高的交通冲突类型及所在相位,并应用VISSIM仿真软件评估相应交通安全改善措施对路口交通效率的影响。以北京市光彩北路路口为对象进行实验分析,其结果表明,分类交通冲突技术与微观交通仿真分析的充分结合,可提高城市交叉口安全诊断的准确性及相应改善措施的有效性。     

化工过程故障根源精准定位模型

化工过程具有大规模、高复杂性、多变量等特点,系统的关联性强,现有的故障定位方法较为繁琐,且会引入大量冗余计算,使其在化工过程故障定位中的实用性降低。为及时诊断故障并识别故障根源,基于动态主元分析(DPCA),结合贡献图和统计量,建立化工过程故障因果关系模型,确定对故障贡献率最大的变量,绘制故障传播路径图,找到引起扰动的初始变量,即故障的根源。采用田纳西-伊斯曼过程(TE)中的某一故障仿真作为案例,以验证该模型的有效性。结果表明,该模型利用故障的传播特点,在发生故障报警后,通过绘制故障传播路径图对扰动进行溯源,可实现化工过程故障定位。     

基于案例推理的大型养路机械故障诊断系统

为实现铁路大型养路机械(简称"大机")故障的智能检索和诊断,使用基于案例推理(CBR)的思路分析和设计用以实现这些目的的系统。阐述案例的表示和构建方法。提出捣固车的故障案例模型构建方法。设计捣固车故障诊断的CBR系统。给出带权值的k-近邻法的案例相似性检索方法。提出大机故障诊断智能决策系统,采用定性和定量检索相结合的方法。故障诊断系统能够进行案例的定性、定量和混合检索。用捣固车的具体故障案例,验证所设计的系统的可行性。诊断系统检索得到的故障类型与依据现场采集的数据判定的故障类型基本一致,能够进行案例调用和修改。     

基于RVM的装配式建筑吊装作业安全预警模型

为提高装配式建筑施工安全水平,准确判断吊装作业安全状况,建立基于相关向量机(RVM)的预警模型。根据装配式建筑吊装作业特点,对比传统施工模式,分析致使吊装事故发生的主要因素,按人-机-料-法-环(4M1E)5要素确定预警指标体系,并通过粗糙集(RS)属性约简算法确定模型安全预警因子;选用混合核函数构建RVM预警模型,并通过改进粒子群算法(IPSO)寻优确定核参数,给出计算方法及模型流程;以华中地区5个项目的相关数据完成模型学习训练和预警仿真。结果表明:用该模型所得结果与实际情况基本一致,判定正确率为94%、平均相对误差为3.667%,预警分析效果良好,较其他3种机器学习方法泛化拟合能力更强、效率更高。     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

基于二元语义的职业健康安全管理体系绩效评价

为提高职业健康安全管理体系(OHSMS)绩效和职业健康安全绩效,根据OHSMS绩效评价的重要性,提出基于二元语义的OHSMS绩效评价模型。研究科学合理的评价指标体系,并运用层次分析法(AHP)和灰色关联分析法(GRA)确定主客观权重,再运用乘法集成法确定组合权重,作为评价指标的最终权重,运用二元语义的集结算子,计算OHSMS绩效评价指标的综合值,取得最终的评价结果。结果表明,基于二元语义的OHSMS绩效评价将专家经验与定量计算相结合,合理地处理许多因素的不确定性,通过确定不符合项和改进措施,持续改进OHSMS绩效。     

改进灰狼算法优化GBDT在PM2.5预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees, GBDT)模型对北京市大气污染物监测数据中PM_2.5质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E_RMS为6.65μg/m³,平均绝对值误差E_MA为3.20μg/m³,拟合优度(R²)为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m³,平均绝对值误差降低了10.03μg/m³     

基于SSO的铀尾矿库无线传感器网络定位算法

为提高铀尾矿库无线传感器网络(WSN)定位算法的定位精度和收敛速度,利用优化的麻雀搜索算法(SSA)改进基于信号强度指示(RSSI)的定位算法。首先,引入混沌映射和精英方向学习初始化麻雀种群,丰富种群多样性,提高算法的全局寻优能力;其次,采用莱维飞行策略改进搜索者的位置更新方式,避免陷入局部最优;然后,采用优化的SSA代替最小二乘法来定位未知节点,并将定位算法应用于铀尾矿库放射性核素污染监测定位;最后,在不同的锚节点数、通信半径以及噪声标准差条件下,对比麻雀搜索优化定位算法(SSOLA)与加权质心定位算法(WCLA)、接收信号强度指示差定位算法(RSSID)、麻雀搜索定位算法(SSA)、粒子群定位算法(PSO)以及樽海鞘群定位算法(SAP)的性能。结果表明：SSOLA与其余5种算法相比定位误差平均下降41.9%、45.2%、26.8%、39.9%和36.9%,定位精度更高,收敛速度更快。     

可靠性数据在民机故障诊断中的应用研究

可靠性数据是故障统计历史信息的记录,数据内隐含着大量对维修人员排故具有指导意义的信息,为达到提高工作效率,减少排故时间,以保证航班正点运营的目的,提出将可靠性数据应用于民机故障诊断的计算模型。利用从可靠性报表中收集到的数据对某航空公司主力机型A320-200飞机的空调系统常发故障进行诊断,首先用粗糙集(RS)对8个可能导致温度控制组件超温故障的部件进行分析,初步总结出3个故障源,然后计算综合故障概率,最后用Weibull分布验证以上诊断结论。结果表明,该法的引入能实现故障源的精确定位,并在实际中成功排故,大大缩短维修时间。     

RS-PSO-ELM下腐蚀管道失效压力预测

为提高腐蚀管道失效压力的预测精度并简化其计算过程,提出基于粗糙集(RS)和粒子群算法(PSO)融合极限学习机(ELM)的腐蚀管道失效压力预测模型。通过属性约简提取影响失效压力的关键因素,选用PSO优化ELM的输入权值和隐含层偏差,将归一化的核心指标数据代入计算。结果表明:该模型预测结果与实际值基本一致,与单一ELM模型相比,预测结果的均方差(MSE)降至0.255;与其他蚀管道失效压力评价模型相比,该模型预测结果的绝对误差平均值降至0.32。     

基于KPCA-MPSO-ELM的矿井突水水源判别模型

为准确判别矿井突水水源并有效预防突水事故,提出一种基于核主成分分析-改进粒子群算法-极限学习机(KPCA-MPSO-ELM)的矿井突水水源判别模型。利用核主成分分析(KPCA)法对原始数据进行属性约减,通过改进粒子群算法(MPSO)优化极限学习机(ELM)的初始权值和阈值,建立KPCA-MPSO-ELM模型;在综合考虑矿井各含水层的水化学特征的基础上,选取Ca2+、Mg2+、K++Na+、HCO3-、SO42-、Cl-等的浓度和总硬度作为矿井突水水源的主要判别依据;以新庄孜矿的45组实测数据作为样本进行实例分析,其中33组数据作为训练数据训练模型,另外12组数据作为预测样本,用该模型进行预测,并将其判别结果与MPSO-ELM、KPCA-PSO-ELM模型的判别结果进行对比。结果表明:KPCA方法能减少指标数据间的信息重叠;通过MPSO优化ELM参数,可提高算法的整体搜索性能和收敛速度; KPCA-MPSO-ELM模型的预测精度高于MPSO-ELM、KPCA-PSOELM等2个模型。