【目的】为及时发现海上风电机组发电机轴承的故障,提出一种基于蜣螂优化(Dung Beetle Optimizer,DBO)算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)模型的DBO-XGBoost发电机轴承温度预测模型,并结合指数加权移动平均值(Exp...【目的】为及时发现海上风电机组发电机轴承的故障,提出一种基于蜣螂优化(Dung Beetle Optimizer,DBO)算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)模型的DBO-XGBoost发电机轴承温度预测模型,并结合指数加权移动平均值(Exponentially Weighted Moving Average,EWMA)控制图实现发电机轴承的故障预测。【方法】首先,通过最大互信息系数(Maximal Information Coefficient,MIC)选取数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统中能准确表征发电机轴承状态的关键特征,并将其输入DBO-XGBoost模型中,对正常工况下的发电机轴承温度进行预测。其次,使用马氏距离(Mahalanobis Distance,MD)衡量真实值与预测值之间的偏差,并将MD序列输入基于EWMA控制图的变点检测算法中,以获取故障出现的变点,从而实现故障预测。最后,基于特征的重要性构建轴承故障模式知识图谱。【结果】结果表明,所提方法能对正常工况下发电机轴承的温度实现较为精准的预测,并能提前3天对故障进行预警,与通过设定单一阈值进行故障预警的方法相比,所提方法能更准确地检测到故障发生的时间。构建的轴承故障模式知识图谱为运维人员提供了可视化的运维决策支持。展开更多
逻辑回归是一种广泛应用于现实分类任务的机器学习模型。随着数据孤岛问题的涌现,如何针对多参与主体非贯通数据联合构建逻辑回归模型成为一个关键问题。纵向联邦学习可实现数据明文不暴露前提下多主体跨样本特征的联合机器学习模型训...逻辑回归是一种广泛应用于现实分类任务的机器学习模型。随着数据孤岛问题的涌现,如何针对多参与主体非贯通数据联合构建逻辑回归模型成为一个关键问题。纵向联邦学习可实现数据明文不暴露前提下多主体跨样本特征的联合机器学习模型训练。然而,现有纵向联邦逻辑回归方法主要基于同态加密技术,具有计算和通信开销大的短板。针对逻辑回归模型,研究安全高效的纵向联邦学习算法,目标实现数据隐私保护和模型学习效率的较优权衡。具体地,基于秘密共享提出了一种面向逻辑回归模型的高效率纵向联邦学习算法(Vertical Federated Logistic Regression algorithm based on Secret Sharing, VFLR-SS),通过将跨域分析过程中的中间数据随机分解为多个秘密份额进行交互从而实现隐私保护,同时避免了同态加密引发的计算和通信开销。对VFLR-SS的安全性进行了分析,并基于真实数据对算法进行了验证。实验结果表明VFLR-SS可实现与集中式逻辑回归算法可比的效用和性能,大幅降低了传统同态加密方法中的计算及通信开销。展开更多
文摘【目的】为及时发现海上风电机组发电机轴承的故障,提出一种基于蜣螂优化(Dung Beetle Optimizer,DBO)算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)模型的DBO-XGBoost发电机轴承温度预测模型,并结合指数加权移动平均值(Exponentially Weighted Moving Average,EWMA)控制图实现发电机轴承的故障预测。【方法】首先,通过最大互信息系数(Maximal Information Coefficient,MIC)选取数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统中能准确表征发电机轴承状态的关键特征,并将其输入DBO-XGBoost模型中,对正常工况下的发电机轴承温度进行预测。其次,使用马氏距离(Mahalanobis Distance,MD)衡量真实值与预测值之间的偏差,并将MD序列输入基于EWMA控制图的变点检测算法中,以获取故障出现的变点,从而实现故障预测。最后,基于特征的重要性构建轴承故障模式知识图谱。【结果】结果表明,所提方法能对正常工况下发电机轴承的温度实现较为精准的预测,并能提前3天对故障进行预警,与通过设定单一阈值进行故障预警的方法相比,所提方法能更准确地检测到故障发生的时间。构建的轴承故障模式知识图谱为运维人员提供了可视化的运维决策支持。
文摘逻辑回归是一种广泛应用于现实分类任务的机器学习模型。随着数据孤岛问题的涌现,如何针对多参与主体非贯通数据联合构建逻辑回归模型成为一个关键问题。纵向联邦学习可实现数据明文不暴露前提下多主体跨样本特征的联合机器学习模型训练。然而,现有纵向联邦逻辑回归方法主要基于同态加密技术,具有计算和通信开销大的短板。针对逻辑回归模型,研究安全高效的纵向联邦学习算法,目标实现数据隐私保护和模型学习效率的较优权衡。具体地,基于秘密共享提出了一种面向逻辑回归模型的高效率纵向联邦学习算法(Vertical Federated Logistic Regression algorithm based on Secret Sharing, VFLR-SS),通过将跨域分析过程中的中间数据随机分解为多个秘密份额进行交互从而实现隐私保护,同时避免了同态加密引发的计算和通信开销。对VFLR-SS的安全性进行了分析,并基于真实数据对算法进行了验证。实验结果表明VFLR-SS可实现与集中式逻辑回归算法可比的效用和性能,大幅降低了传统同态加密方法中的计算及通信开销。
