基于Entropy-SKF的机载氧气浓缩器退化分析

基于分子筛床变压吸附原理的机载氧气浓缩器是飞机生命保障系统的核心部件,可以为飞行员在飞行过程中提供氧气.对机载氧气浓缩器进行退化分析,可以实现故障预警,对机载氧气浓缩器的视情维修和构建飞机健康管理系统具有重要意义.机载氧气浓缩器的退化过程可以分为平稳阶段和加速退化两个阶段,但是由于退化模式变化点的不确定性,导致了退化模式转变的不确定性,因此正确识别退化模式转折点十分重要.氧分压值是反映机载氧气浓缩器制氧能力的一个重要参数,利用数据驱动的方法,针对模式转换的模糊性,首先提取数据的香农熵,然后通过转换卡尔曼(SKF)滤波器对实时数据样本进行处理,根据稳态退化和加速退化两个滤波器之间的后验概率来识别当前的退化模式,识别结果与实际情况相符,最后与小波分解和K-means算法进行对比,证明了基于信息熵的转换卡尔曼滤波器(Entropy-SKF)算法的有效性.     

一种锂离子电池容量退化经验模型

锂离子电池随着时间的推移,其性能逐步下降退化直至寿命终结,往往会导致系统整体功能失效,应用于军事目的将直接导致各种无人作战系统无法完成战略战术预期,失去作战能力。分析了锂离子电池电学特性,给出电池内部阻抗与容量退化的关系,提出一种根据容量退化速率优先确定整数变量的条件三参数容量退化经验模型,并通过不同退化速率的锂离子电池退化实验数据对模型的可性行及实用性加以验证,为基于数据驱动的锂离子电池寿命预测和健康管理提供理论支撑。     

基于循环神经网络的IGBT退化特性参数研究

绝缘栅双极型晶体管(IGBT)在应用中存在器件退化问题,分析了采用数据驱动技术实现退化特性参数识别的合理性,并提出了一种基于循环神经网络的分析方法.该方法通过选择集电极-发射极关断峰值电压作为退化特性参数,采用循环神经网络建模,实现退化特征参数的预测.采用了NASA PCoE研究中心提供的IGBT加速老化数据集,进行数据预处理,得到IGBT关断尖峰电压序列,并划分出训练集和测试集,其中训练集用于训练循环神经网络,测试集用于评估方法的准确性,实验结果表明循环网络相比于经典机器学习算法具有更高的预测精度.     

水电机组状态退化评估与非线性预测

提出了基于Shepard曲面、经验模态分解法(ensembleempirical mode decomposition,EEMD)、混沌理论和灰色理论的水电机组状态退化评估与趋势预测模型。该方法首先用Shepard曲面建立综合考虑有功功率、工作水头作用的水电机组状态退化趋势模型。然后将水电机组状态退化趋势进行EEMD分解,得到若干个相对平稳的固有模态函数(intrinsic mode function,IMF)分量和一个余项分量,对每个IMF分量进行特性识别,根据其不同属性,选用混沌预测模型或灰色模型预测,同时对余项分量进行灰色预测。最后将所有分量的预测结果进行重构,获得最终预测结果。实例分析表明,该方法能有效地评估水电机组状态的退化过程,且能提高退化趋势的预测精度。     

BP与AR模型在轴承性能退化评估和预测中的应用

为解决滚动轴承性能难以评估与预测的问题,提出BP神经网络与AR模型相结合的方法,以评估滚动轴承失效退化程度,并预测从正常运行到最终失效的性能退化趋势。基于正常运行到最终失效的全寿命数据,利用BP评估模型估计轴承的失效退化程度,网络输出的评估结果为隶属于正常概率的目标向量。分别选择BP预测模型与AR模型作为预测系统,利用得到的评估结果进行训练,训练结束后,采用BP预测模型与AR模型分别对滚动轴承进行性能退化的单步和多步预测。基于两组全寿命数据的对比分析,验证了该方法的有效性。结果表明,使用BP神经网络可实现对轴承性能退化程度的良好评估,相比BP自身预测模型,AR模型在性能预测上能得到更优的结果。     

基于性能退化数据的履带起重机关键部件可靠性分析

针对履带起重机液压元件的性能具有退化的特点,以履带起重机的电磁液压阀为典型零部件,采用规则型退化实验方法,根据每个退化试验时间点的退化数据,算得各个退化试验时间点的可靠性,然后利用威布尔函数把各个退化试验时间点的退化可靠性数据进行拟合,得到产品的全寿命可靠性退化函数。最后通过一个工程实例,说明了该方法的可行性。     

基于加速退化数据和现场实测退化数据的电机绝缘剩余寿命预测模型

该文针对机器学习、随机过程、贝叶斯滤波算法等剩余寿命（RUL）预测模型存在的不足,融合热应力作用下电机绝缘加速寿命数据和现场监测数据,结合随机过程和支持向量机模型,提出了基于拓展卡尔曼滤波的电机绝缘寿命预测模型。以剩余击穿电压为状态变量,基于Wiener过程建立了卡尔曼滤波模型的状态方程;以最大局部放电量的加速退化数据及现场监测数据为依据构建卡尔曼滤波模型的观测方程;为解决卡尔曼滤波模型由于无法获取新的监测信息而导致的预测精度不足问题,采用支持向量机建立了最大局部放电量预测模型。最后,针对电机主绝缘用6650聚酰亚胺,基于290℃、300℃、310℃、320℃下的加速退化数据构建状态方程,结合240℃下试样的局部放电数据构建观测方程,并以240℃下60h的试样实测老化数据为基准对模型进行了验证,证明了所提出模型在提高剩余寿命预测精度方面的有效性。     

基于迁移学习和降噪自编码器-长短时间记忆的锂离子电池剩余寿命预测

针对锂离子电池退化数据噪声大、数据量少以及不同生命时期的退化趋势不同而导致的模型预测精度低、泛化能力差等问题，从数据预处理、预测模型的构建与训练三方面展开研究：首先结合变分自编码器（VAE）和生成对抗网络模型（GAN）构建VAE-GAN模型生成多组数据，实现电池的退化数据增强；然后结合降噪自编码器（DAE）和长短时记忆（LSTM）神经网络构建DAE-LSTM模型进行数据降噪和容量预测，为了降低模型参数，此过程中的数据降噪和预测共享同一个损失函数；最后先利用生成数据对DAE-LSTM模型进行预训练，再利用真实数据对其进行迁移训练。在CACLE和NASA公开数据集进行性能测试，实验结果表明该文所提方法精度高、鲁棒性强，能够有效提高锂离子电池剩余寿命的预测效果。     

Wiener过程性能退化电子产品的剩余寿命预测方法

针对Wiener过程性能退化电子产品剩余寿命预测中存在先验信息获取困难、预测不能有效体现个体差异性的问题,研究一种基于自助法的电子产品剩余寿命预测方法。首先,基于Wiener过程建立性能退化模型;其次,利用自助法获取先验数据,并以此数据确定退化模型参数的先验分布;最后,由贝叶斯方法融合退化数据确定退化模型参数的后验估计,进而由剩余寿命分布确定产品的剩余寿命。该方法能够得到具有个体差异性的预测结果,适合于单个电子产品的在线剩余寿命预测,并通过对GaAs激光器的实例分析验证了该方法的有效性。     

基于两阶段支持向量机的电力系统暂态稳定预测及预防控制

针对数据驱动的电力系统暂稳分析,考虑到安全域概念下的暂稳预测和预防控制对输入特征的不同要求,以及充分兼顾数据挖掘模型的直观性与准确性,该文提出两阶段支持向量机用于暂稳预测及预防控制。在第一阶段,采用可控特征和直观模型挖掘运行方式与暂态稳定的内在联系,并用于制定预防控制策略;第二阶段,采用复杂模型构建准确率高的暂稳预测模型;此外,第一阶段模型能够为第二阶段的暂稳预测模型的训练提供样本筛选的依据,从而缩短了预测模型的训练时间。仿真分析表明,经过数据缩减后,预测模型的训练时间大大缩短,所得模型仍具有较高的准确率;当系统被判断为不安全时,可提供发电机有功调整的预防控制措施,以保证电力系统安全稳定运行。     

利用 QPSO 改进相关向量机的电池寿命预测

锂离子电池作为系统供能的关键部分,其寿命终结往往导致用电设备的性能下降或故障,甚至整个系统的崩溃。因此,研究电池剩余使用寿命(RUL),提前预知失效时间,显得日趋重要。针对锂离子电池寿命预测过程中训练时间较长、参数确定困难、输出结果不稳定等问题,提出了利用运用泛化能力更好,更稀疏,测试时间更短,更适用于在线检测的相关向量机(RVM)进行预测,并通过量子粒子群对相关向量机进行了优化,保证了预测输出结果的稳定性。分析结果表明,量子粒子群算法改进后的相关向量机对锂电池失效时间的预测准确度高达99%,电池寿命预测的绝对误差平均值2%,均方根误差3%,验证了该改进算法的可行性和优越性。     

Performance Degradation Prediction of Proton Exchange Membrane Fuel Cell Based on CEEMDAN-KPCA and DA-GRU Networks

In order to improve the performance degradation prediction accuracy of proton exchange membrane fuel cell (PEMFC), a fusion prediction method (CKDG) based on adaptive noise complete ensemble empirical mode decomposition (CEEMDAN), kernel principal component analysis (KPCA) and dual attention mechanism gated recurrent unit neural network (DA-GRU) was proposed. CEEMDAN and KPCA were used to extract the input feature data sequence, reduce the influence of random factors, and capture essential feature components to reduce the model complexity. The DA-GRU network helps to learn the feature mapping relationship of data in long time series and predict the changing trend of performance degradation data more accurately. The actual aging experimental data verify the performance of the CKDG method. The results show that under the steady-state condition of 20% training data prediction, the CKDA method can reduce the root mean square error (RMSE) by 52.7% and 34.6%, respectively, compared with the traditional LSTM and GRU neural networks. Compared with the simple DA-GRU network, RMSE is reduced by 15%, and the degree of over-fitting is reduced, which has higher accuracy. It also shows excellent prediction performance under the dynamic condition data set and has good universality.     

一种基于C-GRU飞行轨迹预测方法

飞行轨迹是由大量时间序列数据组成,遵循一定的运动规则。对敌方巡逻机飞行轨迹进行预测,能有效的提高战斗机生存率。针对现有单一预测模型对飞行轨迹预测精度不高,提出一种基于复合门控循环单元飞行轨迹预测方法。使用飞行仿真模拟获取多组飞行轨迹坐标点数据,用于复合门控循环单元网络模型参数训练,实现飞行轨迹预测。通过仿真结果分析,复合门控循环单元网络模型在X、Y、Z轴上的多组预测数据平均绝对误差在4.5 m内,且网络模型预测平均时间开销约为4.1 ms;使用平均绝对误差变化较大与较小的轨迹数据进行对比,其Y与Z轴的两组均方根误差相近。同时与门控循环单元、长短期记忆网络模型对比,其误差最小,在平均耗时接近的情况下预测的结果更加准确。所以本文提出的模型适用于不同的飞行轨迹,而且预测结果具有较高的可信度。     

基于时间卷积神经网络的非侵入式居民用电负荷分解方法

非侵入式负荷分解技术通过从主表信息中恢复出用电侧单个用电设备的状态,可以准确地刻画用户用电画像,为用户侧精细化管理发挥重要作用。针对目前人工神经网络模型在负荷分解中存在的分解精度不高、训练效率低下等问题,文章构建了基于时间卷积神经网络(temporal convolutional neural network,TCN)的非侵入式负荷分解模型。通过分析设备的用电规律,采用扩张因果卷积在主表功率序列进行卷积运算,扩大了感受野,提取到更加丰富的特征;通过增加残差连接,权重归一化层,优化训练数据窗口,提高了网络训练效率。最后,在经过优化的UKdale数据集上对构建的模型进行测试,实验结果表明获得的平均绝对误差、均方根误差、相对误差都处于较小的范围,时间复杂度分析也进一步说明了在不损失负荷分解精度的情况下,模型具有较短的训练时间。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

基于多头注意力机制和门控循环单元神经网络的居民充电桩容量预测

居民充电桩的容量预测可为其定容选址提供参考,助力实现“双碳”目标,为此提出了一种基于数据驱动的居民充电桩容量预测方法。首先,采集了居民充电桩的历史容量数据并进行预处理;其次,利用不同大小的时序窗口对其进行切片作为输入特征;最后,构建了结合多头注意力机制和门控循环单元神经网络的预测模型,将特征输入模型从而实现了对未来容量的精准预测。通过实例分析表明,该模型预测结果的平均绝对误差和均方根误差分别为33.19和102.14%,预测精度相较于其他模型有较大提升,为居民充电桩的容量预测提供了新思路。     

海上平台电气温度监控系统及预测模型研究

针对海上平台电气设备温度监控的现实需求,以无线红外温度传感器及数据采集终端为基础,构建了海上平台电气设备温度分布式监控系统,配套开发了系统应用软件,实现了平台电气设备温度的持续监控。针对传统温度预测难以应对大量波动性数据且对时间序列处理能力有限的问题,提出贝叶斯优化与长短时记忆网络（LSTM）组合预测方法。以所监测的海上平台变压器为研究对象,分析变压器运行过程中的温度特征,采用时序性较强的LSTM网络预测模型,引入贝叶斯优化算法,用于训练和更新LSTM参数。实践表明,基于贝叶斯优化的LSTM模型对海上平台变压器温度具有良好的预测效果,其均方根误差为0.139、预测准确率为98.56%。通过对支持向量机、BP神经网络、LSTM、Bayesian-LSTM四种预测模型的比较分析,证实了贝叶斯优化的LSTM模型对海上平台变压器温度预测的优势。     

参数优选残差网络下的井震联合反演方法

声波测井资料在层位标定和储层反演等工作中发挥着重要作用。然而受仪器设备、地质环境等条件的限制,实际得到的声波测井曲线常有失真现象。为了向油气藏勘探提供可靠的数据支持,提高储层预测的准确性,提出一种参数优选残差网络下的井震联合反演方法,对失真的声波测井曲线予以重构。考虑到传统人工神经网络无法表达出井震间的强非线性关系,该方法以深度学习中的残差网络(Residual Network, ResNet)构建智能反演模型,通过网络设计、参数选择以及模型训练,找到井震间更好的映射表达。同时综合考虑测井曲线的特点与均方损失的不足,设计了一种代价敏感损失函数Fusion,进一步提高模型整体的反演精度。在真实地震数据和测井资料上展开实验,并与全连接神经网络(Fully Connected Neural Network, FCNN)和多元回归分析(Multiple Linear Regression, MLR)的反演结果对比分析,表明所提方法反演的声波测井曲线精度更高,相关系数达到0.912,均方根误差减小到13.399。将所提Fusion损失用于反演声波测井曲线,相关系数增加了2.5%,均方根误差减小了17.4%。     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。