基于小波-ARIMA的航空运输企业能耗预测模型（英文）

针对航空运输企业月度能耗进行预测,提出基于小波分析与求和自回归移动平均模型(ARIMA)相结合的混合预测模型。该模型根据航空运输企业月度能耗序列的特征,对其进行二尺度小波分解,对分解后的能耗序列根据自身规律分别进行ARIMA预测,重构各尺度序列的预测值得到最终预测结果。利用某航空运输企业2009年1月至2013年12月五年的月度能耗数据进行验证,结果表明:小波-ARIMA模型的预测精度高于ARIMA模型,对数据的波动性有较好的响应,提高了能耗序列的整体预测精度。     

基于ARIMA模型对氧化钕价格的预测分析

稀土产品的价格受多方因素影响,而且各个因素之间有着极其复杂的关联。通常,稀土产品月度价格数据是非线性、非平稳的,相应的给预测增加了难度。近年来,稀土永磁材料发展迅速,为此选用其主要原料之一素有稀土价格"晴雨表"之称的氧化钕月度价格为例,建立非平稳时间序列ARIMA(3,1,3)模型,以2013年～2017年数据为基础对2018年～2020年氧化钕出口月度价格进行预测分析,并用真实观测值与预测值进行预测拟合精度分析。结果表明,该模型拟合精度较高、适用性较强,可为稀土产品市场信息的准确预测提供参考,同时还对稀土企业及投资者给出了管理及中短期投资建议。     

基于新陈代谢灰色马尔科夫-ARMA模型的航空公司能耗预测（英文）

航空公司能耗的预测直接影响能源需求的规划与节能的决策。针对航空公司能耗数据既有趋势性又有波动性的特点,提出了新陈代谢灰色马尔科夫-ARMA的能耗组合滑动预测模型。该模型利用灰色马尔科夫方法描述了能耗的变动趋势,通过ARMA模型捕捉残差序列的相关性来描述波动性,用新陈代谢的方法剔除模型中失去时效性的旧数据,解决了常规预测模型不足以完全描述航空公司能耗运动趋势的问题,提高了模型预测精度。仿真结果表明:提出模型精度优于传统ARMA模型和灰色马尔科夫模型,能够实现月度能耗的有效预测,为航空公司能耗监测和节能工作的优化开展提供了有力支持。     

基于新陈代谢灰色马尔科夫 ARMA模型的航空公司能耗预测

航空公司能耗的预测直接影响能源需求的规划与节能的决策.针对航空公司能耗数据既有趋势性又有波动性的特点,提出了新陈代谢灰色马尔科夫-ARMA的能耗组合滑动预测模型.该模型利用灰色马尔科夫方法描述了能耗的变动趋势,通过ARMA模型捕捉残差序列的相关性来描述波动性,用新陈代谢的方法剔除模型中失去时效性的旧数据,解决了常规预测模型不足以完全描述航空公司能耗运动趋势的问题,提高了模型预测精度.仿真结果表明:提出模型精度优于传统ARMA模型和灰色马尔科夫模型,能够实现月度能耗的有效预测,为航空公司能耗监测和节能工作的优化开展提供了有力支持.     

基于ARIMA的民航发动机下发预测

时间序列自回归滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)能较准确处理和预测依循环顺序获得的航空发动机性能数据。采用分箱改进的拉伊达准则处理起飞EGTM数据，可为ARIMA模型提供了更加真实的数据，获得航空发动机起飞EGTM预测值，依据航空公司发动机设定的可靠度进行下发预测。应用验证表明:基于ARIMA的起飞EGTM时间序列能够满足航空发动机的质量管理的要求。     

多维非平稳时间序列在机床主轴故障诊断中的应用

采用ARIMA模型将数控机床主轴故障初期的非平稳时间序列转化成标准平稳时间序列,然后利用多维自回归(AR)模型进行数据处理与趋势预测,并分析了基于多维自回归序列参数估计的Yule-Walker算法以及FPE阶次判定准则.实测数据的计算结果表明:经稳态处理后的多维AR时序模型能够很好地拟合数控机床主轴故障模型,预测的精度符合要求.     

基于小波神经网络的建筑BIM能耗预测算法研究

为了提高城市建筑能源管理的效率，从而实现节能减排目的，提出了一种基于小波神经网络的建筑BIM能耗预测算法。该方法首先根据限制因素建立了标准的建筑模型。然后根据简化原则，以某商务型公寓楼为例通过BIM 技术对建筑模型进行了参数化。最后运用BP小波神经网络对模型能耗进行预测算。仿真实验结果显示，提出方法的预测误差在合理范围内，验证了其可行性。     

基于ARIMA的民航发动机下发预测（英文）

时间序列自回归滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)能较准确处理和预测依循环顺序获得的航空发动机性能数据。采用分箱改进的拉伊达准则处理起飞EGTM数据,可为ARIMA模型提供了更加真实的数据,获得航空发动机起飞EGTM预测值,依据航空公司发动机设定的可靠度进行下发预测。应用验证表明:基于ARIMA的起飞EGTM时间序列能够满足航空发动机的质量管理的要求。     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。     

基于小波时间序列模型的磨加工尺寸预测技术研究

磨削加工是高精密零件的重要加工环节,且影响磨削工件尺寸精度的因素复杂。针对传统预测模型无法准确预测其趋势变化或预测效果较差,且预测精度不高这一问题,通过对磨加工过程进行分析,对尺寸预测技术的适用性进行研究,提出将小波变换与时间序列分析相结合的预测模型。通过实验验证小波时间序列模型预测平均误差不超过1μm,平均绝对误差MAE=0.105,均方根误差RMSE=0.185,平均绝对百分比误差MAPE=0.159,证明了基于小波时间序列模型的磨加工尺寸预测技术的精确性与可行性。     

油品运输中减少能耗的精细化管理措施分析

油品具有两个基本的物理特性,第一个是挥发性,第二个是易燃性。这些物理特性使得油品在运输过程中的能耗现象非常常见,有时候还会引发安全事故。为了让油品在运输过程里面的能耗得到更加有效的控制,就应该对油品消耗管理体系加以改进,使能源能耗控制管理模式的层次不断提升。此外还要对水电气能源进行多层次管理,从而提升企业整体效益并实现节约能源的目标。本文主要对油品运输中优品损耗的精细化管理措施加以研究。     

基于能量输入与耗散反馈原理的机床热变形预报方法的研究

热变形是影响数控机床尤其是精密和超精密机床加工精度进一步提高的主要障碍。在研究一维钢轴热伸长理论模型的基础上,从能量角度入手,提出一种新的基于能量输入与耗散反馈原理的机床热变形预报模型的建立方法,并通过实验证明该模型具有较高的预报精度。     

基于ARIMA模型的压力机打击能量精准控制与预测的研究与应用

针对某型号80 MN电动螺旋压力机实际生产过程中打击能量设定值与实际值误差较大,导致能耗增高、影响设备寿命的现象,提出了一种打击能量的优化计算方法.在对该压力机进行系统结构分析与运行原理分析之后,在原有打击能量计算公式的前提下,综合考虑滑块自重、能量衰减等因素,针对不同使用情况,得到优化后的打击能量计算公式.并利用AR...     

基于BP神经网络的轮胎模具微铣削能耗预测

针对子午线轮胎模具微铣削加工过程中能耗计算问题,以主轴转速、每齿进给量、切削深度3个重要铣削参数作为变量,设计轮胎模具微铣削加工能耗实验.根据实验数据构建基于BP神经网络的微铣削能耗预测模型.通过改进预测模型的激活函数,提高模型的预测精度.结果表明:所提的预测模型有效,可以实现不同铣削参数组合下的能耗预测.     

数控机床能耗单元能耗成分分析数学模型

针对数控机床能耗源众多的特性,从能量消耗的去向出发对其能耗成分数学模型进行研究。分析数控机床各能耗单元的能耗构成,将数控机床能耗划分为加工能耗和辅助能耗,其中辅助能耗又可以细化为间接加工能耗和损失能耗,加工能耗主要与机床载荷有关,而辅助能耗与机床负载相对独立,可以近似为一个常量。基于数控机床各能耗单元的能量平衡方程,建立能耗单元能耗成分分析数学模型,该模型可为数控机床加工过程中的能量效率分析与预测提供一种新的理论方法,同时为进一步优化机床能效奠定理论基础。     

考虑多时间因素的绿色柔性作业车间动态调度

针对质检扰动引起的完工时间延迟和机床能耗高的问题,对绿色柔性作业车间动态调度进行研究.从考虑调整时间和质检时间的视角建立节能调度模型,采用加权归一的方式将多目标合并,利用改进的头脑风暴算法进行求解,在编码环节引进了转换机制和多层编码策略,优化了机器选择和工序排序问题.通过Matlab仿真软件对算例进行测试,研究结果表明...     

基于延时补偿和三状态控制的筒盖开关盖过程控制

我国舰艇导弹发射装置开关盖部分一直以来均采用液压系统配合以开环单向控制的方式执行动作,造成动作精度无法保证,成为制约系统发展的一个重要原因。为提高开关盖过程的控制精度,以电液位置-力闭环控制系统为控制对象,利用延时补偿解决换向阀换向过程中的液压冲击问题,利用三状态控制器提高动作精度。对设计的控制器进行实验,利用两液压缸分别模拟开关盖过程中的动作和井盖重力引起的干扰力,实现对干扰的抑制,提高动作精度。实验表明:该控制策略能够很好地提高开关盖的动作精度。