支持向量数据描述SVDD(Support Vector Data Description,SVDD)算法,在小样本故障检测中表现出良好的学习能力。然而,现有的SVDD故障检测方法由于对实验数据和参数过于依赖,从而限制了故障检测的精度。针对上述问题,提出了一种基于SVDD...支持向量数据描述SVDD(Support Vector Data Description,SVDD)算法,在小样本故障检测中表现出良好的学习能力。然而,现有的SVDD故障检测方法由于对实验数据和参数过于依赖,从而限制了故障检测的精度。针对上述问题,提出了一种基于SVDD的智能寻优非预期故障检测算法。实验数据采取核主成分分析法(Kernel Principal Component Analysis,KPCA)降维去噪处理;并对SVDD算法与粒子群优化(Particle Swarm Optimization,PSO)算法结合,对算法参数优化。待检测样本点的球心距与超球体半径之差为衡量标准,实现非预期故障的检测。数据采集于南极望远镜的驱动系统,实验结果表明,优化后的SVDD算法检测精度提高。基于半实物仿真平台验证该算法,在非预期故障检测中具有很高的应用价值。展开更多
文摘支持向量数据描述SVDD(Support Vector Data Description,SVDD)算法,在小样本故障检测中表现出良好的学习能力。然而,现有的SVDD故障检测方法由于对实验数据和参数过于依赖,从而限制了故障检测的精度。针对上述问题,提出了一种基于SVDD的智能寻优非预期故障检测算法。实验数据采取核主成分分析法(Kernel Principal Component Analysis,KPCA)降维去噪处理;并对SVDD算法与粒子群优化(Particle Swarm Optimization,PSO)算法结合,对算法参数优化。待检测样本点的球心距与超球体半径之差为衡量标准,实现非预期故障的检测。数据采集于南极望远镜的驱动系统,实验结果表明,优化后的SVDD算法检测精度提高。基于半实物仿真平台验证该算法,在非预期故障检测中具有很高的应用价值。
文摘南极Dome A(冰穹A)因其优良的观测条件被誉为地球上最好的天文观测台址之一。Dome A温度常年处于-30^-80℃,相对湿度40%~80%,温度起伏大,望远镜镜面易结霜,影响天文观测的效率和质量。为实现无人值守的智能化镜面除霜、减少除霜对观测时间的占用、降低除霜对镜面视宁度的影响、减少除霜对能源的消耗,提出了智能化除霜方法。首先,分析环境、科学数据、仪器三者的关系,利用外部输入非线性自回归(nonlinear auto regressive models with exogenous input,NARX)时间序列神经网络构建望远镜镜面状态的预测模型;其次,设计南极望远镜智能化除霜仿真系统,实时预测镜面情况,根据预测结果模拟采取相应的应对措施。结果表明该方法能有效实现智能化除霜,减少了人为干预,节约了观测时间,提高了望远镜运行的可靠性。
