基于神经网络的建筑能耗及设备故障预测方法研究

文章在常规建筑能耗和设备故障预测方法的基础上,根据智慧建筑中BIM模型数据和物联网数据融合形成的数据集,提出了基于BP神经网络的多任务学习方法,将建筑能耗和设备故障预测采用同一神经网络模型进行学习和预测,并阐述了网络结构及损失函数的设计方法,为建筑能耗和设备故障预测提供了新的思路,也为智慧建筑运维管理系统中的智能诊断服...     

基于神经网络的大跨度空间钢结构应力实测缺失数据修复方法研究

结构健康监测技术正被广泛应用于大跨度空间钢结构.而在长期监测的实践中,由于设备故障、信号中断等各种原因,数据丢失问题不可避免.数据的缺失可能对进一步结构分析和安全评估的准确性造成影响.根据某体育场钢结构屋盖长期实测应力和温度数据的特点,基于神经网络建立测点应力数据间、应力与温度数据间的相关关系模型,从而达到修复缺失数据的目的,并对该方法的适用性进行了研究.     

基于改进BP神经网络的基坑支护结构数据处理

针对现有的基坑监测和预测数据处理方法的不足,对BP神经网络预测模型作了研究和改进,应用改进后的BP算法对基坑支护结构水平位移数据进行处理,并将改进的BP算法与传统算法所建立的模型应用于工程实例进行比较,结果表明,改进后的BP神经网络模型在预测精度、训练时间、稳定性等方面均优于传统BP神经网络模型。     

预报模型在GPS测沉降中的应用

变形监测一定程度上可以预测沉降发展趋势,本文采用灰色模型和神经网络的建模理论,介绍了GPS测沉降数据的预报处理流程,并利用上海市CORS网的数据分析GPS沉降预报,运用模型对GPS测沉降数据进行预测,最后利用中误差理论对精度进行评定,得出了灰色模型和神经网络模型在GPS沉降数据预报方面精度是可靠、精确的结论,从本文数据看神经网络预测的精度比灰色模型预测精度更符合实际。     

小波神经网络在高铁沉降预测中的应用研究

通过试验研究,成功将小波神经网络模型应用到高铁沉降预测当中,并通过实测数据比较了当前主流使用的几种模型,结果表明小波神经网络模型具有良好的拟合精度和预测效果。通过编写高铁沉降预测软件,证明了小波神经网络模型的可行性,并得出了一些有益的结论,供同行参考。     

BP神经网络在某深基坑工程监测中的应用研究

采用BP神经网络模型对某深基坑工程的变形进行了预测,通过与实测数据的对比分析表明:BP神经网络模型在深基坑工程监测中具有良好的容错性,在围护桩顶竖向及水平位移、围护桩深层水平位移、锚索内力预测方面具有较高的准确度,与实际内力及变形情况较为吻合;BP神经网络模型在地下水位预测中的准确度较低、数据结果离散性较大,不能充分反映水位变化的实际情况;BP神经网络模型在进行短期预测时准确率高,预测曲线与实测数据曲线吻合性较好;在进行锚索内力监测时,当传感器不能及时采集数据的情况下,BP神经网络能发挥预测准确数据的作用;BP神经网络模型隐含层数的选取对预测结果的准确性有一定的影响。     

一种组合模型在地面沉降预测中的应用研究

根据BP神经网络模型和自适应滤波模型模拟预测值相对于真实值上下波动的特点,应用方差理论建立BP神经网络自适应滤波组合模型,将其应用到天津富裕广场三期工程基坑周边地面沉降分析预测中.通过与独立的BP神经网络和自适应滤波模型模拟预测数据对比,证明了组合模型模拟预测的高精确性.     

基于级联长短期记忆神经网络的轴承复合故障预测

当前对轴承进行健康度评估和剩余寿命预测时通常采用共振解调、包络分析等方法,但仍存在健康度提取困难、故障预测种类单一、缺乏可靠模型等问题。针对这些不足,文章提出一种基于级联长短期记忆(LSTM)神经网络轴承复合故障预测的方法,其通过两级级联LSTM神经网络实现轴承的健康度评估和剩余寿命预测。文中采用西安交通大学的轴承数据集进行实验对比,结果表明,相比共振解调法,采用本方法在单一故障数据的健康度评估中,健康度曲线的单调性、鲁棒性和趋势性综合评价指标分别提升了12%、24.8%和5%;在复合故障数据的健康度评估中,综合评价指标提升了15.1%;并根据健康度评估曲线实现了剩余使用寿命预测,证明了该方法在健康度评估和剩余寿命预测方面的有效性。     

灰色BP神经网络组合模型在地铁沉降监测中的应用

地铁路基沉降监测是变形监测中的一项重要内容,关系到交通运营的安全问题。为准确对地铁沉降进行预测,在灰色GM(1,1)模型及BP神经网络模型的理论知识的基础上,利用某地地铁沉降监测数据,采用灰色BP神经网络组合模型对地铁监测数据进行预测。通过监测数据和预测数据的对比分析,得出组合模型对地铁沉降数据预测较为准确、精度较高的结论。     

土岩组合地区地铁深基坑变形分析与预测

以沿海某土岩组合地区一吊脚桩支护的深基坑工程为例,通过实测数据分析基坑变形情况。以实测数据为样本,建立小波神经网络与神经网络两种模型分别对基坑变形进行预测,研究表明:通过分析实测数据,吊脚桩支护的深基坑变形没有明显时空效应;小波神经网络模型的预测误差分别为1.617%、1.080%,均小于神经网络模型的预测误差(3.825%,1.349%)。说明小波神经网络在深基坑沉降预测中具有稳定性和准确性,能够为基坑后续监测工作提供依据。     

基于长短期记忆神经网络的空间网格结构损伤预测和评估

以凯威特型(K6)球面网壳为研究对象,研究基于数据驱动的空间网格结构的损伤预测和评估。通过数值模拟得到大气均匀腐蚀作用下结构模态频率的结构健康监测(SHM)模拟数据,基于长短期记忆(LSTM)神经网络,建立了结构损伤预测和评估的深度学习模型。最后,总结了基于LSTM神经网络的空间网格结构损伤预测和评估方法。结果表明:LSTM神经网络可以对SHM数据建立基于数据驱动的深度学习模型,对结构健康状态进行预测和评估。建立的模型在模拟数据上表现良好,具有良好的抗噪性,能很好地拟合SHM模拟数据趋势。利用更新后的数据集重新调整模型,可以达到持续对结构健康状态预测和评估的目的。     

一种基于神经网络的建筑设备故障诊断模型

阐述了BP神经网络学习功能及实现算法。分析了制冷系统的主要故障，并对制冷设备主要故障与征兆的关系作了定性的研究，在此基础上设计了一种具有学习功能的故障诊断神经网络模型。验证的效果显示了该诊断方法的有效性。     

软土变形特性的神经网络模型研究

根据软土三轴试验成果和神经网络技术建立不同应力路径下软土BP模型和软土蠕变BP模型,并通过独立试验数据验证模型的可靠性,说明神经网络模型可以作为土体建模的有效路径。通过不同训练方案的对比预测可知:作为软土变形试验的一种补充手段,神经网络模型更适用数据内插的预测。另外,训练样本的多少和可靠性对模型精度影响显著。     

ARIMA模型在燃气调压器故障诊断的应用

研究自回归差分移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)在燃气调压器故障诊断及预警方面的应用,为预测燃气调压器出口压力提供理论依据。介绍自回归模型、移动平均模型和自回归移动平均模型,根据这3种模型建立自回归差分移动平均模型,步骤为数据的平稳化处理,识别模型种类后建立模型、检验模型,应用检验通过后的模型预测出口压力。利用北京某燃气公司2018年11月至2019年1月期间中低压燃气调压站监测的历史故障数据,针对喘振、用气高峰压力低、用气低峰压力高这3种典型故障状态,使用IBM SPSS Statistics V21. 0软件建立了ARIMA模型,对燃气调压器出口压力进行预测,效果良好。根据ARIMA模型建立了一种燃气调压器故障智能诊断系统。结果表明,应用ARIMA模型对燃气调压器进行故障诊断具有可靠性,模型能够准确描述燃气调压器发生故障时出口压力随时间的变化; ARIMA模型能够在短期内对调压器出口压力进行预测,具有建模简单和预测准确的优点;基于ARIMA模型建立的燃气调压器故障智能诊断系统,可以在短期内对故障做出判断并预警。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。     

基于BP神经网络的丁坝坝头冲刷深度预测模型

将丁坝坝头冲刷影响因素分组,并分别用收集到的丁坝坝头局部冲刷数据样本训练并测试BP神经网络模型,进行了冲刷深度的预测,经过对比分析,从而得到了最佳模型,测试结果表明由BP神经网络模型得出的丁坝坝头局部冲刷深度预测值与实测值比较吻合,说明该神经网络模型预测丁坝局部冲刷深度是可行的、有效的。     

神经网络信息融合技术在TBM故障诊断中的应用

为了克服液压设备传统诊断技术上的不足,提出了多传感器信息融合技术的故障诊断模型。将信息融合技术与神经网络结合起来,充分利用检测到的各种故障征兆信息准确诊断岩石挖掘机系统的故障。采用混合式数据融合方法,将数据级、特征级和决策级融合通过神经网络的方法综合在一起,解决输入信息不对称性问题,使得小数据量和大数据量的信息融合成为可能。     

神经网络信息融合技术在TBM故障诊断中的应用

为了克服液压设备传统诊断技术上的不足,提出了多传感器信息融合技术的故障诊断模型。将信息融合技术与神经网络结合起来,充分利用检测到的各种故障征兆信息准确诊断岩石挖掘机系统的故障。采用混合式数据融合方法,将数据级、特征级和决策级融合通过神经网络的方法综合在一起,解决输入信息不对称性问题,使得小数据量和大数据量的信息融合成为可能。     

光伏直流串联电弧故障区域识别

摘 要：光伏直流系统中串联电弧无法被保护装置检测并切断,电弧将持续燃烧并产生高温,对光伏系统安全运行造成极大危害。针对此研究Cassie电弧模型,将电极间距变量引入该模型,分析电极间距与电弧稳定燃烧关系。搭建光伏串联电弧仿真模型,采集稳定燃烧时不同位置下的电流数据,通过分析电弧故障特性,确定电弧故障特征向量,搭建概率神经网络故障识别模型,引入BP神经网络作为对照,将串联电弧类别与区域对应,实现串联电弧故障区域识别。结果表明：改进型Cassie电弧模型能够表征不同电极间距下的动态过程与稳定燃烧状态;在相同数据下,概率神经网络模型识别率高于BP神经网络,能够准确定位串联电弧故障区域。     

某600 MW火电机组设备在线监测与故障预警系统研究

以某600 MW火电机组设备状态监测与故障预警系统为研究对象,重点探讨了设备状态监测与故障预警研究过程中算法和模型应用以及系统设计。介绍了系统的整体结构、设计思路、设计流程等内容,并分析了设备状态监测与故障预警系统在电厂中的应用情况。