亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于自適應(yīng)Voronoi檢測器的故障檢測算法

        2018-04-18 11:33:54尹中川徐遵義韓紹超王俊雪
        計算機應(yīng)用與軟件 2018年3期
        關(guān)鍵詞:諾伊檢測器自體

        尹中川 徐遵義 韓紹超 王俊雪

        (山東建筑大學(xué)計算機科學(xué)與技術(shù)學(xué)院 山東 濟南 250101)

        0 引 言

        現(xiàn)代工業(yè)隨著技術(shù)水平的不斷推進,工業(yè)生產(chǎn)現(xiàn)場人員不斷減少,生產(chǎn)規(guī)模不斷擴大,工業(yè)生產(chǎn)設(shè)備也隨之大型化、復(fù)雜化,在石化、冶金、電力等過程工業(yè)尤為顯著,設(shè)備故障停機會造成巨額損失。而在積累的歷史數(shù)據(jù)中又很難獲取足夠的故障樣本來訓(xùn)練診斷模型。如何在沒有或少量的故障樣本下,利用設(shè)備正常工作時的數(shù)據(jù)樣本來判別設(shè)備運行的情況,準(zhǔn)確預(yù)測故障,對保障設(shè)備安全運行,提高工業(yè)生產(chǎn)效益具有十分重要的意義。

        生物免疫系統(tǒng)能夠在不需要先驗知識的條件下,通過自我學(xué)習(xí),逐漸提高自身的免疫能力,達到有效防御外來物質(zhì),保護本體的機制。根據(jù)生物免疫系統(tǒng)的這種機制,F(xiàn)orrest等[1]提出了用于異常檢測的二進制反面選擇算法。之后,Dasgupta[2]教授領(lǐng)導(dǎo)的課題組,又提出了等徑實值檢測器。文獻[3]在此基礎(chǔ)之上,提出了可變半徑實值檢測器。此后又有學(xué)者相繼提出了超球體檢測器、超矩形檢測器和超多類型檢測器等[2,8,10]。上述檢測器都在一定程度上減少了檢測器的數(shù)量,提高了對正常樣本的覆蓋率[3-5]。但并沒有完全覆蓋自體空間并消除檢測器之間的孔洞。

        如何設(shè)計一種檢測器既能保證檢測器數(shù)量上的簡約,又能消除檢測器之間的孔洞并完全覆蓋正常樣本,對提高檢測精度和效率,具有重要意義。

        1 傳統(tǒng)實值否定選擇算法

        否定選擇算法借鑒生物免疫系統(tǒng)中胸腺T細(xì)胞生成時的否定選擇過程,模擬了免疫細(xì)胞的成熟過程,刪除通過系統(tǒng)對異常變化的成功檢測而使免疫系統(tǒng)發(fā)揮作用[3]。成功檢測異常的關(guān)鍵是系統(tǒng)能夠準(zhǔn)確區(qū)分自己和非己信號。算法通過隨機產(chǎn)生檢測器,并上出那些檢測到自體的檢測器。算法包括耐受和檢測兩個重要階段[5],具體步驟見算法1。

        算法1否定選擇算法

        1) 隨機產(chǎn)生半徑相同的候選檢測器。

        2) 對每一個候選檢測器計算與每一個自體元素間的親和度,如果檢測器識別出了任何一個自體元素,那么刪除該檢測器,否則認(rèn)為該檢測器已經(jīng)成熟,將其加入檢測器集合中;步驟1)和步驟2)如圖1所示。

        圖1 檢測器的成熟過程

        3) 將待測數(shù)據(jù)與成熟檢測器集合中元素逐個對比,如果出現(xiàn)匹配,則證明待檢測數(shù)據(jù)為非自體數(shù)據(jù),即異常數(shù)據(jù)。步驟3)如圖2所示。

        圖2 數(shù)據(jù)檢測識別過程

        傳統(tǒng)實值檢測器的每個檢測器的半徑都是相同的,這導(dǎo)致了較高的重復(fù)覆蓋率,增加了檢測器的數(shù)量,以及不能很好地匹配一些形狀復(fù)雜的非自體空間??勺儼霃降膶嵵捣穸ㄟx擇算法是在實值否定選擇算法的基礎(chǔ)上,產(chǎn)生半徑可變的檢測器,且當(dāng)兩個檢測器的重復(fù)覆蓋率超過臨界值時,會將較小的檢測器刪除。這樣既提高了檢測器的覆蓋率,也減少了檢測器的數(shù)量空洞,但增加了檢測器訓(xùn)練過程的時間。

        2 自體空間確定

        否定選擇算法的首要工作是確定自體空間,之后用來篩選成熟的檢測器。因此自體范圍的精確度直接影響到了檢測精度[8-9]。本文基于密度的聚類獲取位于自體空間邊界的低密度樣本,通過這些邊界樣本確定自體空間的邊界。下面介紹使用OPTICS聚類方式獲取自體空間的邊界樣本的過程。

        OPTICS聚類是基于密度的聚類方式,其思想和DBSCAN非常類似,但是和DBSCAN不同的是,OPTICS算法可以獲得不同密度的聚類[7]。具體流程見算法2。

        算法2OPTICS聚類算法

        輸入:數(shù)據(jù)樣本D,初始化所有點的可達距離和核心距離為MAX,半徑ε,和最少點數(shù)MinPts。

        1) 建立兩個隊列:有序隊列(核心點及該核心點的直接密度可達點),結(jié)果隊列(存儲樣本輸出及處理次序)。

        2) 如果D中數(shù)據(jù)全部處理完,則算法結(jié)束,否則從D中選擇一個未處理且未核心對象的點,將該核心點放入結(jié)果隊列,該核心點的直接密度可達點放入有序隊列,直接密度可達點并按可達距離升序排列。

        3) 如果有序序列為空,則回到步驟2),否則從有序隊列中取出第一個點。

        (1) 如果該點不在結(jié)果隊列判斷該點是否為核心點,不是則回到步驟3),是的話則將該點存入結(jié)果隊列。

        (2) 該點是核心點的話,找到其所有直接密度可達點,并將這些點放入有序隊列,且將有序隊列中的點按照可達距離重新排序,如果該點已經(jīng)在有序隊列中且新的可達距離較小,則更新該點的可達距離。

        4) 重復(fù)步驟3),直至有序隊列空。

        5) 算法結(jié)束。

        3 馮洛諾伊檢測器

        馮洛諾伊圖又叫泰森多邊形,是由一組連接兩相鄰點直線的垂直平分線組成的連續(xù)多邊形組成[6]。馮洛諾伊圖是對空間的一種剖分,其特點是多變形內(nèi)的任何位置離該多邊形的樣點的距離最近,離相鄰多邊形內(nèi)樣點的距離遠(yuǎn),且每個多邊形內(nèi)含且僅包含一個樣點。

        3.1 自適應(yīng)馮洛諾伊檢測器

        本文針對實值否定選擇算法無法消除孔洞的缺陷,依據(jù)OPTICS[7]聚類,根據(jù)數(shù)據(jù)的密度來區(qū)分自體空間的邊界數(shù)據(jù),依靠馮洛諾伊圖來劃分問題空間的區(qū)域。并借助馮洛諾伊圖只依靠周圍點來建立的原理,針對實時的檢測效果,對檢測器進行實時更新。

        3.2 存儲結(jié)構(gòu)定義

        數(shù)據(jù)節(jié)點定義

        typedef struct DataNode{

        //位置信息

        }

        馮洛諾伊網(wǎng)格節(jié)點定義

        typedef struct VorinoiPoint{

        int position[MaxDimension];

        //位置信息

        struct VorinoiPoint * nextPoint[Max];

        //鄰邊節(jié)點

        }

        檢測器結(jié)構(gòu)定義

        《花間集》皆唐末五代時人作,方斯時天下岌岌,生民救死不暇,士大夫乃流宕如此,可嘆也哉!或者亦出于無聊故耶?笠澤翁書。

        typedef struct Detector{

        struct DataNode * core;

        //檢測器核心點

        struct VorinoiPoint * points[Max];

        //檢測器邊緣端點

        }

        3.3 自適應(yīng)馮洛諾伊檢測器生成算法

        自適應(yīng)馮洛諾伊檢測器生成算法的基本步驟如下:

        (1) 通過Optics聚類生成對應(yīng)的核心距離矩陣。

        (2) 根據(jù)3σ準(zhǔn)則篩選出內(nèi)外邊界數(shù)據(jù)。

        (3) 根據(jù)篩選出的數(shù)據(jù)生成馮洛諾伊網(wǎng)格圖。

        (4) 外邊界數(shù)據(jù)所在網(wǎng)格即為馮洛諾伊檢測器。自適應(yīng)馮洛諾伊檢測器生成算法如圖3所示。

        圖3 自適應(yīng)馮洛諾伊檢測器生成算法

        3.4 自適應(yīng)馮洛諾伊檢測器在線更新算法

        自適應(yīng)馮洛諾伊檢測器在線更新算法的基本思想:新的馮洛諾伊網(wǎng)格的生成只依賴對應(yīng)網(wǎng)格的相鄰網(wǎng)格,當(dāng)出現(xiàn)錯誤檢測時,將誤判點插入檢測器內(nèi),與周圍最近的幾個檢測器一起重新生成一個新的檢測器,并更新周圍的檢測器。步驟見算法3。

        算法3自適應(yīng)馮洛諾伊檢測器在線更新算法

        1) 對所有檢測器到錯誤檢測數(shù)據(jù)按照距離進行排序,并生成隊列。

        2) 訪問隊首檢測器,并出隊,以錯誤點到檢測器核心點的中位線生成馮洛諾伊邊界直線y=f(x),且設(shè)置邊界的兩端點為空,添加到新的檢測器邊界中。

        3) 訪問隊首并出隊,以錯誤點到該檢測器的核心點的中位線生成新的馮洛諾伊邊界直線,若新的馮洛諾伊邊界直線與存在的新檢測器邊界平行,且位于錯誤點的一側(cè),則進行下一步;否則,將直線加入到新的檢測器邊界中,并更新邊界端點。

        4) 若新的檢測器的邊界斷電是否所有都非空,則輸出新的檢測器,并根據(jù)周圍檢測器對應(yīng)的新檢測其邊界,更新生邊界;否則返回3)。

        4 實驗分析

        4.1 Iris數(shù)據(jù)仿真實驗

        由于工業(yè)生產(chǎn)中的數(shù)據(jù)具有連續(xù)性,而正常數(shù)據(jù)與異常數(shù)據(jù)也具有線性可分的特性,考慮到Iris數(shù)據(jù)非線性可分樣本存在,在對Iris數(shù)據(jù)進行實驗之前需要使用多項式核函數(shù)對Iris數(shù)據(jù)進行空間變換[11]。

        核函數(shù)公式:

        K(Xi,Xj)=(Xi·Xj+1)2

        為了方便實驗結(jié)果的觀察,Iris數(shù)據(jù)進行核函數(shù)變換后,再利用主元分析法(PCA)進行降維,將數(shù)據(jù)壓縮到二維,最后設(shè)定virginica數(shù)據(jù)中的30個為空間中的自體樣本。分別使用RNSA算法和V-detector算法與Voronoi-RNSA算法生成檢測器,比較它們在95%期望覆蓋率下的檢測器的生成時間和數(shù)量以及對非virginica數(shù)據(jù)的識別率。

        RNSA算法、V-detector算法和Voronoi-RNSA算法生成的檢測器數(shù)量分別為67 718和15,檢測器生成時間分別為33.06、4.05和5.28 s,對非virginica數(shù)據(jù)的識別率分別為90%、91%和98%。可以看出Voronoi-RNSA算法相對于傳統(tǒng)否定選擇算法訓(xùn)練時間較短,識別率較高。三種算法生成圖像如圖4-圖6所示。

        圖4 RNSA算法檢測器生成圖

        圖5 V-detector算法檢測器生成圖

        圖6 Voronoi-RNSA算法檢測器生成圖

        從圖4中可知由于RNSA算法檢測器存在大量冗余,且由于半徑固定,自體空間的邊界匹配并不理想。

        從圖5中可知V-detector算法相對RNSA算法,精簡了檢測器的數(shù)量,且在自體邊界附近可生成半徑較小的檢測器,邊界匹配度有一定程度提高。但由于檢測器是隨機生成的,需要大量的迭代計算才能對邊界的匹配度進一步提高。

        從圖6中發(fā)現(xiàn),Voronoi-RNSA算法邊界由自體空間的外邊界數(shù)據(jù)點確定不需要迭代計算且檢測器的數(shù)量依賴于邊界的復(fù)雜程度,且不存在孔洞。自體空間由外邊界和內(nèi)邊界數(shù)據(jù)確定,在自體樣本充足的情況下,可以精確描述自體邊界。

        4.2 中國華北某電廠振動類型數(shù)據(jù)實驗分析

        華北某電廠軸承振動歷史數(shù)據(jù)共29個測點,數(shù)據(jù)具有海量、無標(biāo)簽的特點,且故障樣本極少,無法人為指定自體樣本空間。

        首先對數(shù)據(jù)進行主元分析,得到兩個主成分,其貢獻度超過98%。能夠表征絕大部分?jǐn)?shù)據(jù)信息。之后,分別使用RNSA算法和V-detector算法與Voronoi-RNSA算法生成檢測器,比較它們在90%期望覆蓋率下生成的檢測器對自體空間邊界的匹配情況。三種算法生成圖像如圖7-圖9所示。

        圖7 RNSA算法檢測器生成圖

        圖8 V-detector算法檢測器生成圖

        圖9 Voronoi-RNSA算法檢測器生成圖

        如圖7所示,RNSA算法在生成大量檢測器后,自體空間邊界附近仍然具有大量孔洞存在,真實的檢測精度難以保證。

        如圖8所示,V-detector算法對自體空間邊界的匹配度有所提高,但仍然存在孔洞。算法收斂后,檢測器的隨機生成機制很難在孔洞處生成新的檢測器。

        如圖9所示,Voronoi-RNSA算法使用內(nèi)外邊界數(shù)據(jù)生成自體空間與檢測器,檢測器可以很好地匹配自體空間邊界。此外,還可以添加有限的異常數(shù)據(jù),對邊界檢測器進一步優(yōu)化。

        以上實驗表明,傳統(tǒng)的否定選擇算法不可避免存在著孔洞,而這些孔洞更多存在于自體數(shù)據(jù)的邊界,然而真實數(shù)據(jù)往往具有連續(xù)性,故障數(shù)據(jù)很可能會存在于自體數(shù)據(jù)的邊界附近。因此真實的檢測精度要比檢測器的覆蓋率低很多。Voronoi-RNSA算法基于內(nèi)外邊界數(shù)據(jù)生成檢測器,能夠避免孔洞的產(chǎn)生,提高了檢測精度,極大地提高了否定選擇算法在實際故障檢測中的精度。此外,Voronoi檢測器能夠根據(jù)實際的誤判來實時修改自體邊界,從而檢測系統(tǒng)在一個較長時間運行訓(xùn)練后,能夠得到更高的檢測精度。

        5 結(jié) 語

        否定選擇算法是人工免疫系統(tǒng)中的重要環(huán)節(jié),RNSA算法采用實值空間編碼抗原和抗體生成檢測器,V-detector算法采用了可變半徑的檢測器,也已經(jīng)取得了較好檢測效果。然而,使用傳統(tǒng)的檢測器定義方式會導(dǎo)致三個缺陷:(1) 無法避免非自體空間中孔洞的產(chǎn)生,從而在達到一定的覆蓋率后很難再提升,會有一定的誤報率;(2) 無法避免檢測器的重復(fù)覆蓋,檢測器的實際覆蓋效率并不高,導(dǎo)致檢測器的數(shù)量過多;(3) 檢測器的耐受訓(xùn)練過程占用大量時間,檢測器生成效率過低。

        針對上述問題,針對機械設(shè)備的數(shù)據(jù)特點提出了一種基于自適應(yīng)馮洛諾伊檢測器的否定選擇算法(Voronoi-RNSA)。首先通過OPTICS聚類找到自體空間的外邊界和內(nèi)邊界數(shù)據(jù),之后根據(jù)內(nèi)外邊界數(shù)據(jù)生成馮洛諾伊網(wǎng)格,外邊界所在的馮洛諾伊網(wǎng)格即是生成的檢測器。該檢測器生成方式極大地減少了檢測器耐受訓(xùn)練時間,并避免了重復(fù)覆蓋的問題,大大提高了檢測器實際覆蓋效率,減少了檢測器的數(shù)量,從理論上排除了孔洞的產(chǎn)生。實驗證明,Voronoi-RNSA算法比經(jīng)典的RNSA算法和V-Detector算法具有更高的檢測精度和更好的檢測器生成質(zhì)量。

        由于馮洛諾伊網(wǎng)格圖在高維空間中生成過慢,使用Voronoi-RNSA算法對高維數(shù)據(jù)進行故障檢測,需要將高維數(shù)據(jù)壓縮到低維空間后在進行,從而影響了其在高維數(shù)據(jù)中的應(yīng)用推廣。而自體空間的描述精度直接影響到檢測器耐受過程,是影響檢測精度的重要因素。因此,可針對高維數(shù)據(jù)和自體空間的界定進行進一步的研究。

        [1] Forrest S, Perelson A S, Allen L, et al. Self-Nonself Discrimination in a Computer[C]// Research in Security and Privacy, 1994. Proceedings. 1994 IEEE Computer Society Symposium on. IEEE, 1994:202-212.

        [2] Dasgupta, Dipankar, Yu, Senhua, Nino, Fernando. Recent Advances in Artificial Immune Systems: Models and Applications[J]. Applied Soft Computing, 2011, 11(2):1574-1587.

        [3] Chen L F. An improved negative selection approach for anomaly detection: with applications in medical diagnosis and quality inspection[J]. Neural Computing & Applications, 2013, 22(5):901-910.

        [4] 徐學(xué)邈, 王如根, 侯勝利. 基于反面選擇原理的智能融合故障檢測模型及其應(yīng)用[J]. 系統(tǒng)工程與電子技術(shù),2009,31(8): 2030-2032.

        [5] Tao Yuan, Hu Min, Yu Yanlin. A Novel Negative Selection Algorithm for Recognition Problems[J]. International Journal of Hybrid Information Technology,2015,8(11):101-112.

        [6] 陳文, 李濤, 劉曉潔,等. 一種基于自體集層次聚類的否定選擇算法[J]. 中國科學(xué):信息科學(xué), 2013, 43(5):611-625.

        [7] 張鳳斌, 王天博. 實值n維混沌映射否定選擇算法[J]. 計算機研究與發(fā)展, 2013, 50(7):1387-1398.

        [8] 孫添, 何國良. 基于K-均值聚類和泰森多邊形的異常值檢測方法[J]. 重慶文理學(xué)院學(xué)報, 2016, 35(2):10-13.

        [9] 黨秋月, 陸月明. 基于OPTICS可達圖的自動識別簇方法[J]. 計算機應(yīng)用, 2012, 32(A02):19-21.

        [10] Aydin I, Karakose M, Akin E. Chaotic-based hybrid negative selection algorithm and its applications in fault and anomaly detection[J]. Expert Systems with Applications, 2010, 37(7):5285-5294.

        [11] 蘆天亮,鄭康鋒,傅蓉蓉,等.基于陰性選擇算法的異常檢測系統(tǒng)黑洞覆蓋優(yōu)化[J].通信學(xué)報,2013(1):128-135.

        [12] Li Dong, Liu Shulin, Zhang Hongli. A negative selection algorithm with online adaptive learning under small samples for anomaly detection[J]. Neurocomputing, 2015, 149(C):515-525.

        [13] 劉穎慧.基于人工免疫系統(tǒng)的異常狀態(tài)檢測及故障診斷研究[D].上海:上海交通大學(xué),2013.

        猜你喜歡
        諾伊檢測器自體
        茲諾伊莫Ne?et?il釀酒廠
        女騎手
        車道微波車輛檢測器的應(yīng)用
        一種霧霾檢測器的研究與設(shè)計
        低損傷自體脂肪移植技術(shù)與應(yīng)用
        自體骨髓移植聯(lián)合外固定治療骨折不愈合
        自體脂肪顆粒移植治療面部凹陷的臨床觀察
        一體化火焰檢測器常見故障分析
        河南科技(2014年22期)2014-02-27 14:18:12
        回收式自體輸血在骨科手術(shù)中的應(yīng)用
        3種HPLC檢測器測定單甘酯含量的方法比較
        亚洲一区二区三区四区地址| 2022国内精品免费福利视频| av天堂吧手机版在线观看| 国产中文字幕亚洲精品| 精品精品国产一区二区性色av| 成熟人妻换xxxx| 亚洲伊人成综合网| 国产精品一区二区av片| 亚洲色图偷拍自拍亚洲色图| 亚洲在线精品一区二区三区| 亚洲无线一二三四区手机| 丰满少妇在线观看网站| 精品的一区二区三区| 亚洲国产日韩一区二区三区四区| 黄片视频免费在线播放观看 | av网站免费观看入口| 国产精品99精品久久免费| 久久综合精品国产丝袜长腿| 久久久久久免费播放一级毛片| 精品一区二区三区a桃蜜| 国产亚洲一区二区在线观看| 久久精品人妻一区二区三区| 成在线人免费无码高潮喷水| 成人自拍小视频在线看| 无码人妻久久一区二区三区app| 国产成人一区二区三中文| 粗大挺进孕妇人妻在线| 中文字幕 亚洲精品 第1页| 国产成人精品日本亚洲| 欧美高h视频| 色综合悠悠88久久久亚洲| 色欲色欲天天天www亚洲伊| 欧洲在线一区| 日本视频一区二区这里只有精品| 熟女肥臀白浆一区二区| 国产成人亚洲精品青草天美| 日韩AV有码无码一区二区三区| av有码在线一区二区三区| 国产精品国产精品国产专区不卡| 欧美黑人乱大交| 制服无码在线第一页|