摘要：电力边缘集群由于分布式部署和动态资源调度的特性,导致出现平均资源利用率较低的问题。为了解决这一问题,提出基于深度学习的电力边缘集群异常识别方法。该方法利用深度学习技术来采集实时数据,并将这些数据转化为特征向量集合,这些特征向量按照时间顺序排列,形成了有序的特征序列。通过构建这样的特征向量集合,描述电力边缘集群的运行状态。基于这些特征向量集合,计算电力边缘集群异常分数,与设置值对比,识别出电力边缘集群中的异常。实验结果表明,在电力边缘集群的六个节点上,设计的基于深度学习的电力边缘集群异常识别方法,平均资源利用率,达到了87%,相比之下,文献[1]和文献[2]的方法平均资源利用率分别为83%和83.5%。证明设计方法能够更有效地利用资源,为异常识别提供了更好的支撑。

摘要：为了实现对风力发电机组变桨系统的预见性维护,提出了在机组健康管理平台上开发变桨异常识别系统的设计思路。在模型算法构建过程中,提出将变桨速度的频域特征作为分类特征,实现了对异常征兆的精确刻画。利用AdaBoost-SAMME算法将变桨速度分为高频、低频以及正常三类,与人工神经网络、支持向量机、随机森林等五种算法对比发现,即使各类样本数量严重不均衡,AdaBoost-SAMME算法的准确率、查准率、查全率及G-mean等评价指标也都优于其他算法。为了提高系统的自学习能力,提出了一种基于欧式距离的新样本判断方法,以此自动扩增训练样本规模。应用实例验证表明,基于AdaBoost-SAMME算法的变桨异常识别系统具有显著的分类效果和良好的稳定性,解决了不同机型的变桨速度频域特征普适性规律不明显,常规逻辑判断方法无法识别变桨系统异常的技术难题。该系统实现了在故障前识别出异常的预警功能,能够指导现场人员开展预见性维护,提高机组的可靠性和可利用率。

摘要：针对在服役过程中高速铁路无砟轨道结构健康监测可能出现由结构局部损伤或者传感器故障导致的测点异常问题,建立一种并行图卷积神经网络模型,来识别高速铁路无砟轨道监测测点的异常。采用结构早期初始状态的监测数据训练并行图卷积神经网络,获得结构初始状态下的测点数据之间的空间关联性;利用并行图卷积神经网络预测服役状态无砟轨道测点监测数据,实现轨道监测测点异常的识别;此外,对明显漂移的数据可基于有向图分析修正预测结果。将该方法应用于某高速铁路无砟轨道结构长期监测数据并识别了异常测点。

摘要：集装箱正面吊运起重机(以下简称正面吊)在港口的实际作业中发挥着重要作用。随着社会对能源和环境问题的日益关注,正面吊的电动化趋势愈加显著,市场上电动正面吊的数量逐年增加。电耗性能直接影响电动正面吊的续航能力、作业效率和作业成本,是电动正面吊的重要性能之一。驾驶行为、作业工况、设备故障等因素均会对电动正面吊的能耗产生影响。为此,通过收集电动正面吊客户侧的实际运行数据,基于LightGBM(light gradient boosting machine,轻量级梯度提升机)模型,在微观和宏观两个层面分别对电动正面吊的行驶和作业过程进行能耗建模,并运用SHAP(Shapley additive explanations,沙普利加和解释)理论量化分析不同作业工况、作业行为对电动正面吊能耗的影响,同时识别设备故障所引起的能耗异常。结果表明,基于SHAP-LightGBM的能耗模型能够准确预测和分析电动正面吊的行驶和作业能耗,可为电动正面吊的设计、能耗策略优化提供有效的信息输入,同时可建立电动正面吊实际运行过程的理论能耗基准,有效指导驾驶行为和识别故障造成的能耗异常等。

摘要：为减少操作人员的判断失误,有效提高核动力装置运行工况异常识别准确率,通过分析核动力装置的强相关参数,一种新兴智能优化的麻雀搜索算法与概率神经网络相结合的异常识别模型。由于概率神经网络的平滑因子对输出结果影响较大,因此采用麻雀搜索算法对平滑因子进行参数寻优,将优化结果赋值给概率神经网络模型进行参数训练,得到用于异常识别的最优网络模型。选取17种核动力装置异常运行工况,依托核动力装置事故分析平台进行模拟计算并提取特征参数。Matlab仿真结果表明,该优化网络模型比原始网络模型具有更高的识别精度。

摘要：通过分析监控系统数据异常波动的影响因素,建立了异常识别原则,并设计了异常识别的模型。应用实践表明,综合运用关联分析、聚类分析及时间序列等方法,使异常识别准确率提高到78%以上,从而提高了监控数据的准确性和可靠性。

摘要：大坝安全监测数据的可靠性和完整性是分析监测效应量变化规律、评判大坝运行性态的前提,有必要对大坝安全监测异常数据进行识别和清除,以提高监测数据质量。将适用于大数据处理的孤立森林算法应用于大坝监测异常数据识别中,首先通过小波变换提取监测数据的趋势项,然后采用孤立森林算法对扣除趋势项的剩余量进行异常值识别。通过实例对比分析发现该方法能有效识别大坝监测数据的异常值。

摘要：潮汐河段的应变监测数据干扰因素较多,并且不易检测,传统检测方法存在一定的局限性。DTW距离是一种波形相似性识别参数,针对潮汐河段基础工程应变监测数据具有周期性的特点,利用后续波段和历史波段相似性的差异,实现了异常波段的检测。结果表明,DTW技术能将受干扰的数据检测出来,从而提高监测精度。

摘要：本文试图把在分析处理宁夏日常观测资料,水氡年变动态的研究以及异常识别等分析处理过程中的一些基本经验和基本方法及过程本身加以归纳、整理、最后使水氡日常观测资料的异常识别过程系统化,程序化,并能充分利用计算机以提高水氡分析的效率和异常识别的准确性。

摘要：移动通信网络数据的异常识别可以有效保证移动通信网络的安全运行,为提高移动通信网络数据的异常识别准确性,设计了一种基于人工智能技术的移动通信网络数据异常识别系统。首先对采集到的移动通信网络数据进行预处理,然后利用人工智能技术中的深度学习方法对移动通信网络数据进行聚类处理,最后利用神经网络方法实现移动通信网络数据的异常识别。实验发现该系统具有良好的异常识别性能,在保证移动通信网络数据传输速率的基础上,具有较高的异常识别准确率和较短的响应耗时,具有一定的应用价值。