基于时间序列和聚类的挤压机能耗异常检测研究

挤压机能耗数据异常分为点异常和模式异常,传统的异常检测方法往往只能检测出其中一种。基于此,使用一种基于时间序列和聚类的能耗异常检测方法。针对点异常,提出一种基于K-Means和LOF的算法(K-MLS);而对于模式异常,设计K-异常因子(K-MLOF)检测算法。为验证方法的有效性,利用某铝型材企业能耗数据对其进行验证和对比分析,结果表明该方法具有较高的精度。     

配电网线损异常数据的辨识与修正方法

提出一种针对配电网线损异常数据问题的多级辨识与修正方法。首先,运用基于DBSCAN-新息序列算法做初级辨识,识别出异常数据和可疑数据,进而根据线损数据的时间惯性对可疑数据进行二次辨识以减少误判率;然后,采用改进的LSTM算法对异常数据进行修正;最后,在IEEE-69节点配电系统中应用甘肃临夏某配电台区的实际线损数据验证了所提方法的有效性。     

基于大数据分析的变频器异常检测方法

变频器设备机理复杂、设备监测数据异常样本少,导致在实际应用中基于经验和基于模型的异常检测方法操作性难、常规的数据驱动方法可行性差。针对上述问题,结合密度峰值聚类与时序运行数据的转移特点,提出一种基于大数据分析的变频器异常检测方法。该方法首先通过密度峰值聚类将运行数据聚类,然后将时序过程数据在不同类簇间的动态变化规律用概率表示,并基于聚类结果和转移概率提出异常检测体系框架,最后通过异常案例验证该方法的有效性,表明该方法能够正确识别变频器异常行为。     

基于ARIMA的盾构机液压推进系统数据预测方法研究

液压推进系统是盾构机的关键构成,承担着盾构机姿态控制、纠偏和同步前进等重要功能,以推进系统的运行数据为基础,精准预测数据的变化是分析、预测和避免盾构机产生安全问题的重要手段。基于随机时序分析法(Autoregressive Integrated Moving Average model, ARIMA)对盾构机液压推进系统数据进行预测研究。首先利用相关性分析方法,获得了与盾构机液压推进系统推进过程相关性较高的数据类别为掘进速度,基于该数据进行了自相关性的分析;之后,基于ARIMA方法,建立了盾构机液压推进系统ARIMA模型,并利用该模型进行了平稳性分析与贝叶斯信息准则;最后,基于优化模型分析比较了基于K-means的循环神经网络(Recurrent Neural Network, RNN)预测方法以及线性回归预测方法对数据预测的效果。研究表明,ARIMA模型下的线性回归方法能很好的预测盾构机液压推进系统数据变化趋势及异常数据预测,对盾构机的故障诊断及预测有重要的意义。     

基于Informer的变电站设备状态数据清洗方法

针对变电站设备数据量大、处理速度快的特点和区分异常值类型的需求，提出了一种基于Informer的变电站设备状态大数据清洗方法。首先基于Informer建立预测模型，根据监测数据时刻获取对应的时间窗口范围，预测窗口内数据值并计算其平均值和标准差，当监测数据远离平均值k倍标准差以上时则判定为异常点。然后结合异常点的连续性，检测异常数据类型和发生时刻，并对其中的噪声数据加以修正。最后，利用所述方法对我国县区某电力变压器温度监测数据进行了清洗验证，结果显示该方法不仅能准确地辨识并校正数据中的噪声点，还能记录设备异常时间，满足变电站设备状态数据清洗要求。     

融合煤矿多维时序数据的瓦斯异常检测算法

瓦斯是引起煤矿安全隐患的重大因素,高效准确地检测瓦斯异常在煤矿安全生产过程中扮演着重要角色。传统的瓦斯异常检测方法通常仅基于来自瓦斯传感器的单一监测数据,而矿井下的恶劣环境可能造成瓦斯传感器失效,监测数据可信度较低,从而导致误报、漏报等问题。为解决上述问题,基于多种传感器监测数据,提出一种融合煤矿多维时序数据的瓦斯异常检测算法。该方法首先对煤矿中多维时序数据进行滑动窗口采样;然后建立局部敏感哈希孤立森林;最后根据待检测样本在森林中每棵树上的路径长度计算异常得分及异常率,当滑动窗口中的异常率超出指定阈值时,则自动更新森林。通过在真实的淮南朱集煤矿数据集上进行的大量实验,表明了所提方法在提高检测精度上的有效性。     

基于BPMN的数控机床能耗多源动态特性建模及应用

针对数控机床能量源多、能量消耗动态变化复杂的特点,提出了一种基于业务流程模型和符号(Business process model and notation,BPMN)的数控机床多源动态能耗建模方法。依据数控机床不同子系统的功率特性,将其划分为时变能耗单元和非时变能耗单元,分析了其工作状态及耦合关系对数控机床能耗的影响;基于BPMN2.0规范,构建了能耗单元工作状态BPMN流程模型和BPMN耦合模型,提出了能耗单元工作状态能耗数据及耦合关系时序数据与BPMN模型的数据集成方法,构建了数控机床能耗多源动态特性模型。以某数控铣床加工过程为例验证了所述模型及方法的有效性。     

基于高维空间聚类的集中供热末端数据异常检测

因集中供热建筑结构、住户行为习惯等差异,末端住户供暖数据具有特征差异大、非线性强、数据量大、响应时间长等特征,在原数据空间中利用聚类分析进行异常检测造成类间数据交叉,精确性无法保证。本文提出高维高斯混合聚类算法,将数据集映射到高维空间进行聚类,利用核函数映射、内积运算与高维特征空间分解等计算方法,提高精确度,规避维数灾难。搭建工业大数据分析平台,对比K-Means、高斯混合、恒虚警率、高维高斯混合算法聚类结果与异常检测精确度,本文所提算法将准确性提高到90.72%,误报率降低到5.92%,结合该算法完成4类异常用热数据集的解释与辨识。高维高斯混合聚类可以有效分析用户用热特征、检测异常数据,辅助降低采暖能耗,实现建筑节能。     

基于行驶状况识别的HEV驾驶人意图辨识模型研究

针对混合动力电动汽车(HEV)能量控制策略中驾驶人意图辨识不准导致整车能耗增加的问题,以某款混联式HEV为研究对象,首先在分析其结构参数的基础上,建立了汽车行驶状况辨识模型和驾驶人"加速踏板行程—车速需求"非线性关系模型。基于此,得出基于行驶状况识别的HEV驾驶人需求转矩意图辨识模型。最后,为分析基于行驶状况识别的驾驶意图辨识模型对HEV驱动能耗的影响,进行了实车行驶实验,得出有行驶状况识别的驾驶人意图辨识模型,相对无辨识的模型可以节约驱动能耗3.27%的结论。     

基于STL-1 DDCAE的轴承故障诊断研究

由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明：该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1 780、1 700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。     

数据驱动的机床等待过程节能方法研究

为了降低机床等待过程中的能耗,提出了一种实时数据驱动的机床等待时间预测与节能控制方法。首先,建立了射频识别驱动的生产进度评估方法,并以生产进度数据作为输入,构建了基于堆栈降噪自编码的机床等待时间预测模型;其次,依据预测的机床等待时间,提出了机床状态切换方法,以降低机床能耗;最后,通过一个电梯零部件制造车间的案例分析,表明该方法的预测误差仅为4.1%,同时将机床等待过程能耗降低了57%,实现了制造车间的节能减排。     

基于数据挖掘技术的重型装备企业工艺方案能耗预测方法研究

针对大中型高能耗的企业,提出了一种基于SQL Server2008的数据挖掘软件平台,研究从海量生产数据中挖掘节能潜力,并对该系统在重型企业的应用做了实例分析,采用线性回归等算法,从给出方案中选择最优,证明该方法在分析中具有实用性和可行性.     

基于DAE-HTPF的新能源汽车电池剩余寿命预测

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题,提出了基于降噪自编码器（denoising auto-encoder,DAE）与混合趋势粒子滤波（hybrid trend particle filter,HTPF）的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE,然后将使用中后期的电池信号特征输入DAE中,并提取重构误差。另外,利用HTPF方法对电池生命周期内的信号特征进行分析,建立自适应状态方程。分析结果表明,该方法能有效地对锂电池的性能退化趋势性特征进行自提取,从而有效地减少人为因素的干扰,同时相比于传统粒子滤波（particle filter,PF）,HTPF对电池剩余寿命预测精度更高。      

基于广义工作中心的作业成本法及应用

为克服传统作业成本法的缺点并更好地支持计算机集成制造环境下可动态重构生产系统的成本管理,提出了一种基于广义工作中心的作业成本法。该方法建立在广义工作中心列表的动态模块化结构基础上,由从企业资源消耗到基本工作中心产品成本的成本分配过程,以及从基本工作中心产品成本到企业产品成本的成本滚加过程组成。算例表明,与传统作业成本法相比,该方法能够为可动态重构的计算机集成制造系统提供更为有效、准确和集成化的成本信息和决策支持。     

面向企业能源消耗过程的模糊Petri网模型研究

针对企业能源消耗系统模型的需求性,在分析企业能源消耗过程的特点和模糊Petri网基本原理的基础上,从实用、可行的角度探索基于模糊Petri网的企业能耗过程模型,详细阐述了面向企业能源消耗过程的模糊Petri网模型的定义和运行规则,并依据特定的建模原则,进行举例说明.模型的建立独立于特定的能源类型和用能设备,全面反映企业能耗过程及其影响因素,为进一步仿真分析企业能耗状况提供了依据.     

数据驱动下基于元动作的数控车削能耗预测方法

针对传统的能耗预测模型预测精度较低、泛化性差的问题,提出一种数据驱动下基于元动作的数控车削能耗预测方法。通过分析数控车床的能耗特性,揭示各时段元动作与能耗的关联关系;提出车削元动作及能耗数据的获取方法,并通过元动作状态对数控车床状态进行判断;使用高斯过程回归构建以元动作状态作为输入的数控车削能耗预测模型,实现数据驱动的数控车削加工能耗动态预测。最后,对比3种拟合算法,验证高斯过程回归算法的优越性,并通过比较理论模型和基于元动作的数据模型,以加工某轴类工件为例,验证该方法的有效性。     

基于．NET平台的企业能耗仿真系统的设计与开发

主要介绍了在．NET平台下基于支持向量机理论,借助于ILOG控件的企业能耗仿真系统的设计与开发方法,给出了仿真系统的整体框架,并详细分析了利用X#程序开发语言搭建企业生产能耗过程的一般方法。系统选用SQL Server2005作为后台数据库管理系统,Microsoft Visual Studio．Net2005为编程工具。