基于粗集的遗传挖掘在故障诊断中的应用研究

介绍应用粗集理论和遗传算法相结合进行数据挖掘的方法.利用目前企业采集到的关键设备运行状态的大量数据,首先运用粗集理论的属性约简消去冗余的属性,然后以约简后的数据作为样本训练集,应用优化改进的遗传算法建立分类模型.根据构建的分类模型,可以发现故障设备运行的内在规律,快速对未知故障设备进行归类,从而为故障诊断与故障预测提供决策依据.     

温度控制系统的灰色理论故障诊断研究

实验台温度控制系统的正常工作是煤自然发火实验成功与否的关键因素,故进行实验台温度控制系统的故障诊断至关重要.温度控制系统温度数据变化属于灰色系统,故可以利用灰色系统理论预测温度.本文提出利用灰色系统理论进行煤自然发火试验中煤体温度定量预测的新方法,根据煤自燃基本规律,建立灰色预测GM（1,1）模型并进行预测.预测结果对设备故障诊断具有指导意义,通过设定门限值判定温度控制系统工作状态,并对其进行软件实现,构建故障诊断软件系统.     

温度控制系统的灰色理论故障诊断研究

实验台温度控制系统的正常工作是煤自然发火实验成功与否的关键因素,故进行实验台温度控制系统的故障诊断至关重要.温度控制系统温度数据变化属于灰色系统,故可以利用灰色系统理论预测温度.本文提出利用灰色系统理论进行煤自然发火试验中煤体温度定量预测的新方法,根据煤自燃基本规律,建立灰色预测GM(1,1)模型并进行预测.预测结果对设备故障诊断具有指导意义,通过设定门限值判定温度控制系统工作状态,并对其进行软件实现,构建故障诊断软件系统.     

基于解析模型的石化装置状态监测系统研究

由石化生产测量数据推理设备运行状态,可以提高设备故障预测和事故分析的能力.基于解析模型建屯了石化设备的状态监测系统,提出了设计和运行模式下状态监测的具体构建方法.应用物料衡算、热量衡算、动量衡算和相平衡方程建立解析模型.选择欧拉法为模型算法,形成的石化设备模块可以系统、机理地分析设备内部运行状况.由SQL Server数据库获取石化装置在线操作数据,由解析模型预测设备内参数变化趋势,从而实现状态监测.状态监测分为设计和运行2种模式,前者给定解析模型输入数据和模型参数,后者显示设备状态.开发了石化装置状态监测系统软件,系统采用模块化思想进行构建.用VisualC++ 2005分别开发了模型运算模块、设计模式界面和运行模式界面,形成了独立的DLL库函数,可供系统主程序按照用户需要来调用.针对换热器等5类设备实现了具体设备的状态监测功能,结果表明该软件可以帮助操作人员分析设备内部状况,很好地起到了故障诊断的作用.     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

基于HMM的设备故障预测方法研究

故障预测是设备实施基于状态维修的1个重要内容,是实现真正意义上精确维修的前提和基础。隐马尔可夫模型（HMM）作为1种统计分析算法,在设备的故障诊断中获得了成功应用。但对于故障的预测,传统隐马尔可夫模型存在很多缺陷,因此研究相关的改进算法,构建了基于隐马尔可夫的故障诊断和预测框架,使设备的故障诊断和预测能够同时进行。最后通过对滚动轴承实测数据的仿真验证,表明该算法具有较高的故障识别率并且对设备的剩余寿命能进行有效的预测。     

基于物联网和工业云的选矿设备状态监控研究

为改善传统选矿设备监控画面不清晰、故障诊断预测难、无法精准建立数学模型等问题,本文提出基于物联网和工业云的选矿设备状态监控系统的研究。物联网技术能够准确采集在选矿设备运行时的数据,为设备诊断提供数据支持;微服务构架将设备监控系统与工业云结合,可根据不同选矿厂的需求定制设备监控云服务,完成设备监控的服务化;多传感器融合技术将采集到的视频数据与设备过程参数融合,通过与多种建模方式的匹配构建模型,完成故障预测和报警功能,为企业智能化奠定了基础。     

基于随机滤波理论的剩余寿命预测方法研究

状态预测是进行视情维修决策的关键和难点。针对工程实践中越来越多的非线性失效过程,利用随机滤波理论,基于当前时刻的状态监测历史信息,建立了含可变参数的状态预测模型。该模型克服了通用和两阶段状态预测模型的缺陷和不足,不仅能够动态地预测被监测设备在运行时的剩余寿命,而且能够准确灵活地反映出设备状态在失效过程中的变化,更接近于描述设备的真实运行过程。通过在MATLAB环境下对该模型进行仿真,验证了该模型的有效性。     

基于softmax回归的工业设备多类故障诊断方法研究

工业设备的故障诊断问题一直是工业界的关注重点。本文提出了一种数据驱动的故障诊断方法,该方法不需要对工业设备的结构和机理有深入了解,只依赖于设备的历史运行数据。该方法以softmax回归模型为基础,能够应用于多类故障的诊断问题中,并且可根据需要采用最小错误率或者最小风险准则进行诊断决策。实验证明,本文提出的故障诊断方法具有较高的准确率,能够符合实际需要。     

基于灰色关联分析理论的企业用户用电负载率模型

为满足市场对于企业用户生产经营状况评估的需要,提出一种基于灰色关联分析理论的企业用电负载率模型.在获取充足用户历史用电数据的基础上,结合企业经济运行特点提出企业生产负载率指标的计算方法,通过该指标与灰色关联分析理论的结合获得企业负载率模型,最后比对不同计算组之间的关联系数,获得各企业在该行业中的影响力评估指标.实验结果证明,企业用电负载率模型所获得的企业生产相关度能够较好地反映企业实际运行情况、评估企业在行业中的影响力并预测企业未来的发展趋势.     

数据组合处理方法在数据预测中的应用

数据组合处理方法（GMDH）是20世纪70年代发展起来的一种启发式自组织建立模型的方法;它能充分地、合理地利用数据,自动进行变量组合,筛选以及判断从而得到合适的模型;简单介绍了该方法建模的基本原理和算法实现,给出了仿真算例,并与用相同资料建立的PPR预测模型的预测结果进行了比较;仿真结果表明,用GMDH方法建立非线性系统模型,具有预测精度高、计算稳定性好等优点。     

一种敬老院老龄人的健康状态预测方法

针对当前敬老院老龄人的活动监控系统缺乏低成本的健康状态预测,利用半有源RFID三层监控跟踪系统获得的老龄人活动数据,统计并分析得出标示健康的平均活动次数,根据活动次数与健康的自然关系,设计了一个表征健康状态的指数模型。使用8-9-1型的三层BP网络,通过数据预处理和训练来预测老龄人的健康指数。实验结果表明该模型计算和预测结果与医生的诊断能基本相符,误报漏报率较低。该模型为老龄人的健康状态预测、健康护理提供了一种低成本的决策支持,有效扩展了RFID的感知应用。     

基于CNN-LSTM的QAR数据特征提取与预测

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题,提出一种融合卷积神经网络（convolutional neural network,CNN）与长短时记忆网络（long short-term memory,LSTM）的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道,通过注意力机制（attention）融合,从而使模型能同时表达数据在空间维度和时间维度上的特征,并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明,双通道融合模型与单一的CNN、LSTM相比,能够更有效地提取数据特征,模型单步预测与多步预测误差平均降低35.3%。为基于QAR数据的故障诊断提供一种新的研究思路。     

多维空间中基于模式的移动对象轨迹预测

本文在分析了现有轨迹模型基础上,提出了轨迹相似度计算模型以及基于移动对象加速度和轨迹偏转角的移动对象轨迹预测模型,综合计算和预测模型提出了移动对象轨迹预测方法. 该方法包括：1）对历史轨迹基于轨迹相似度进行聚类分析,形成训练集聚类,并基于各训练集聚类对目标移动对象的轨迹数据进行轨迹相似度并行计算,找出最大相似度的历史轨迹;2）结合历史轨迹以及移动对象加速度和轨迹偏转角的预测模型进行轨迹预测. 经过对测试轨迹集进行实验的结果表明,本方法在误差为500 m以内的预测准确率能达到90%以上,而且预测时间相对较短,具有较高的实用价值.     

一种基于概率关联的局部高斯过程回归算法

在针对控制和机器人的机器学习任务中, 高斯过程回归是一种常用方法, 具有无参数学习技术的优点. 然而, 它在面对大量训练数据时存在计算量大的缺点, 因此并不适用于实时更新模型的情况. 为了减少这种计算量, 使模型能够通过实时产生的大量数据不断更新, 本文提出了一种基于概率关联的局部高斯过程回归算法. 与其他局部回归模型相比, 该算法通过对多维局部空间模型边界的平滑处理, 使用紧凑支持的概率分布来划分局部模型中的数据, 得到了更好的预测精度. 另外, 还对更新预测矢量的计算方法进行了改进, 并使用k-d树最近邻搜索减少数据分配和预测的时间. 实验证明, 该算法在保持全局高斯过程回归预测精度的同时, 显著提升了计算效率, 并且预测精度远高于其他局部高斯过程回归模型. 该模型能够快速更新和预测, 满足工程中的在线学习的需求.     

基于主成分分析法的人工免疫识别软件缺陷预测模型研究

针对软件系统日益复杂以及软件缺陷难以预测的问题,提出了一种使用人工免疫识别系统的软件缺陷预测模型。模型的构建首先通过主成分分析法对软件缺陷预测数据集进行特征的识别和提取,进一步提高学习算法的性能;针对计算亲和度时欧氏距离不能满足非线性应用需求的情况,为了提高算法对非线性应用的适用性,使用基于高斯径向基核函数的亲和度计算来计算抗体和抗原之间的亲和度阈值。再基于亲和度计算,进行抗体训练、资源竞争以及记忆细胞的选择。最后,利用记忆细胞集进行分类。模拟实验表明,针对实验中的数据集,所提模型的预测准确度达到84%~90%,精准度达到85%~91%。     

基于B-P神经网络的环境空气质量预测模型

B-P神经网络是一种刻画非线性现象的强有力工具,可以将它应用到环境空气质量预测中。B-P神经网络针对不同的监测项目,根据不同的气象特征因子,将污染源排放数据为输入因子,监测点位监测数据作为输出因子,形成多组训练样本,进行学习训练,建立起不同的预测网络。然后用空气污染源排放监测数据输入相同气象条件的、已调整好权值的B-P神经网络系统,即可输出该项污染物的监测点位预测监测值。实验证明B-P神经网络预测模型取得了较好的结果,比现有预测模型具有更大的优势。     

融合知识交互关系的认知诊断深度模型

认知诊断是基于学习数据挖掘学习者潜在认知状态的一种智能评测技术.当前大多数认知诊断模型将学习任务中的知识视为同等重要,未考虑知识间的交互关系,从而影响诊断的准确性,同时也缺乏可解释性.针对上述问题,文中提出融合知识交互关系的认知诊断深度模型,实现学习者认知状态与知识权重的统一表达.同时,实现基于Choquet积分的理想作答反应计算算法.最后提出模糊测度的深度神经网络,预测学习者的作答表现.大量实验表明,文中模型不仅取得较好的预测结果,还能为预测结果提供知识交互层面的解释,具有一定的优越性.     

基于协方差指标预测的MPC实时性能监控

为利用过程数据实时监控模型预测控制(Model predictive control, MPC)的性能, 提出一种基于协方差预测残差的性能监控方法.首先在分析模型预测控制器优 化函数和控制结构的基础上, 构造包含预测误差、控制量和过程输出的监控变量集, 然后利用滑动时间窗口建立基于协方差的实时性能评价 指标.针对协方差指标缺少控制限的问题, 建立实时协方差指标的时间序列模型, 根据协方差指标的预测残差检测模型预测控制性能下降.进 一步利用基于数据集相似度的性能诊断方法确定性能恶化源.最后通过Wood-Berry二元精馏塔上的仿真研究验证了所提方法的有效性.     

基于AB-CNN-BiLSTM心衰死亡率预测模型

为了更有效地分配医疗资源并辅助医生诊疗,需要对ICU患者的死亡率做出更快、更准确的预测,提出一种融合注意力机制的CNN-BiLSTM ICU患者心衰死亡率预测模型。对MIMICIII数据集提供的入院48小时的数据进行一系列预处理操作;通过卷积神经网络模型(CNN)及双向长短期记忆神经网络模型(BiLSTM)考虑不同参数之间的空间联系,同时关注数据时间维度上的变化;引入注意力机制赋予特征权重。实验表明,该预测模型能够有效地对ICU患者心衰死亡率进行预测,提高死亡率预测的准确性。