基于自回归预测的故障报警方法研究

工业生产过程由于设备的复杂性,系统的安全性和可靠性日益受到人们的重视。研究了工业生产中的故障报警方法技术,通过建立自回归模型,利用拉依达法确定系统的报警阈值。以齿轮泵泵壳振动信号作为研究对象,对其常见的四种故障进行了实验验证,并在液压试验台上进行实验。结果表明,该方法故障报警率较高,能够有效地对齿轮泵故障进行报警。由于报警阂值利用每一次设备运行时的数据进行动态调整,可以实现对设备故障进行及时有效地报警。     

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

机械故障预测模型应用研究

机械故障的预测技术已经成为了确保机械设备能够满负荷、长期和安全运作的一项关键性技术,预测模型在机械故障的预测技术当中是一项核心的内容。加强机械设备故障的预测技术和预测模型应用的研究,意义和作用极为重大,发展前景十分广阔。本文简要介绍了机械故障预测技术的含义、作用及发展趋势,深入分析了机械故障预测技术常见模型及其应用,希望对于机械故障预测模型的应用研究和实践工作能够起到一定帮助和借鉴作用。     

叶片抛磨表面粗糙度优化预测模型及实验研究

抛磨作为提高叶片表面质量的最后一道工序,能够显著提高叶片表面完整性,表面粗糙度是衡量叶片抛磨后表面完整性最重要的技术指标。采用六自由度机器人+百叶轮弹性磨具对叶片进行抛磨加工,首先采用单因素实验法分析了影响叶片表面粗糙度的主要工艺参数,接着采用正交试验得出了叶片抛磨加工的优化工艺参数区间,最后采用非线性回归模型对表面粗糙度进行了预测。实验验证结果表明,影响叶片表面粗糙度的主要工艺参数依次为百叶轮目数、接触压缩量、抛磨循环次数和机器人进给速度,采用川崎RS20N机器人抛磨某型号精铸汽轮机叶片,优选区间为百叶轮目数（200～600）#之间,接触压缩量为（0.2～1.2）mm,抛磨循环次数为（2～4）次,进给速度为（0.1～0.4）mm/s,在优选工艺区间进行加工,表面粗糙度均低于0.4μm,预测模型和实际抛磨结果误差率低于10%,表明该预测模型能够为实现叶片抛磨工艺参数在线控制和调整提供理论依据。     

柴油机NO_X排放预测模型研究

选择催化还原法(SCR)作为柴油机尾气排放机外控制的有效方法之一,正得到不断的发展和推广应用。针对SCR技术中尿素喷射控制的难点,并结合系统部分输入已知的特点,提出了应用一种带有外部输入的线性/非线性自回归模型(GNARX模型),将净扭矩、增压机转速和油门踏板位置这3个序列作为模型外部输入,对柴油机氮氧化物(NOX)原机排放量做出预测预报。结果表明,GNARX模型对NOX原机排放量的建模预测精度高于GNAR和ARX模型,可为柴油机SCR系统尿素喷射控制提供了可靠的数据反馈。     

工程机械销售量的灰色优化预测模型研究

结合工程机械年销售量的实例，并对传统的G(1，1)模型的建立过程进行了分析，指出了其存在的缺陷，同时给出了1种改进办法，提出了基于系统几种误差最小评价准则的G(1，1)优化模型，通过实例比较论证，改进的优化预测模型有更好的适应性和更高的精度。     

基于Kalman滤波的自适应离散递归神经网络模型的研究及应用

提出一种新基于自适应自回归神经网络控制模型,能够对未知的非线性动态系统进行预测控制,并成功地将其应用在化工热交换过程的流速与温度控制中,系统具有较好的鲁棒性.     

基于Kalman滤波的自适应离散递归神经网络模型的研究及应用

提出一种新基于自适应自回归神经网络控制模型,能够对未知的非线性动态系统进行预测控制,并成功地将其应用在化工热交换过程的流速与温度控制中,系统具有较好的鲁棒性.     

机械振动趋势的灰色预测模型研究

基于振动特征量研究提高灰色模型 (GM)建模精度的方法。建立了基于机械系统振动特征量的时间序列趋势预测GM(1,1)并进行了后验差精度检验 ;针对模型精度低问题对模型修正进行了重点研究。在基于原始时间序列的一次累加生成运算 (1 AGO)序列与它的预测序列间的 1 AGO残差序列对基本GM (1,1)修正失效的基础上 ,提出了设置阈值考虑相对误差、调节量系数考虑原始数据幅度分布的GM(E ,1,1)。实例表明 ,该模型用于机械系统振动特征量预测时具有动态自适应补偿误差影响的功能     

基于自回归模型的短期海上风电功率预测

由于煤炭资源匮乏和环境污染,人类逐渐开始发掘风电能的利用价值。然而风速的强不确定性导致其很难预测,鉴于此,基于自回归模型进行风电功率建模与仿真研究。经过NAR神经网络训练选择合适的自回归阶数,继而选择该阶数及对应隐藏节点重新训练,最后代入数据仿真得到结果进行分析比对。通过比较预测值与实际值,总结自回归模型的特点,得出基于该模型的海上风电机组功率预测方法在海上风电场具有实际应用价值和意义这一结论。     

基于AR建模理论的汽车行驶姿态预测方法研究

采用AR模型开展了汽车运动参数预测研究,详细分析了其建模预测方法,并以侧倾角速度这一车辆行驶时的关键参数为例,讨论了AR模型在行驶安全运动参数预测中的应用,结果显示该模型取得了一定的效果。此外,AR模型仅利用自身的历史数据进行建模预测,故具有简便易行、通用性好、可操作性强的特点。     

基于灰色理论的我国人造金刚石产量的预测

介绍了适用于等间距序列的灰色预测模型GM(1,1)的建模步骤,预测了我国的人造金刚石产量。结果表明预测精度为优,2010年我国人造金刚石产量将达100亿克拉。     

基于模糊理论和数理统计的压煮器检测周期预测模型

压煮器是氧化铝生产关键压力容器,其在高温、中压及强碱等恶劣工作条件下运行,必须定期进行检验。为了准确给出检验周期,结合模糊理论和数理统计,建立以压煮器综合安全评价指数为关键因子的检测周期预测模型。通过一个检验周期的运行表明,本模型预测周期较好保证了设备安全和生产最大经济效益。     

基于马尔可夫链的白车身制造资源数量预测模型

在分析了白车身制造资源的故障满足马尔可夫链性质的基础上,针对不同的故障情况确定了状态转移矩阵,并运用马尔可夫链性质得到各故障情况发生的极限概率。进而确定了该制造资源的故障率。最后以白车身前门生产线外板加强板焊接工位用到的手工悬挂点焊设备为例。验证了该预测模型的有效性。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

轧线电机温度趋势预测研究

为了对轧线电机温度趋势预测进行研究,提出了一种基于支持向量机的温度趋势预测算法.在对轧线电机冷却系统的工作原理及结构进行深入分析的基础上,建立了SVM多步预测模型并给出了预测评价指标.实际结果显示,该方法预测准确,具有较高的应用价值.     

基于混沌v-支持矢量机的产品销售预测模型

针对制造企业产品销售时序具有多维、小样本、非线性和多峰等特征,将混沌理论与支持矢量机(Support vector machine,SVM)参数优选方法相结合,证明了结构风险最小化原则是在概率意义下近似正确的,由此得到支持矢量机的表现形式并不是唯一的,具有多样性的特征,在此基础上提出一种混沌v-支持矢量机(Chaotic-v SVM,Cv-SVM)模型,给出相应的产品销售预测方法。最后进行了汽车销售时序预测,结果表明基于Cv-SVM的产品预测方法是有效和可行的。     

支持向量机高阶累积量AR模型的筛分效率研究

利用采集的概率筛筛分作业时主筛体的振动信号,建立高阶累积量AR模型。将AR模型系数作为LS-SVM模型的输入变量,建立LS-SVM筛分效率预测模型。将AR模型与LS-SVM结合实现对概率筛筛分性能的实时监测。     

日化行业MES系统研究与设计

制造执行系统(MES)是改善车间管理的重要信息化手段,但不同行业MES系统存在较大差异。针对当前日化行业生产管理存在的问题,提出了日化行业MES系统建设目标,设计出一种适用日化行业的MES系统架构,阐述了MES系统下的车间作业流程,并对软件功能模块进行了总体设计。对系统的应用情况进行了分析,并对系统发展进行了展望。     

FMS加工尺寸及工艺能力预测控制研究

应用时间序列分析原理和方法对柔性制造系统（FMS）加工尺寸数据序列进行在线建模。将加工尺寸预测与工艺能力预测结合起来，提出对加工尺寸进行反馈补偿控制的原理和方法。实践证明，基于此模型的预测及反馈补偿结果是令人满意的。