基于多元协变量和随机森林算法的宁夏用电量预测

以2000—2010年宁夏用电量相关资料为基础,提取用电量的影响因子,并于Rstudio平台构建基于随机森林算法(RF)的预测模型,对2012—2017年用电量进行预测验证。结果表明,模型输出值与实际值相吻合,训练误差与预测平均误差分别为7.02亿k W·h、9.20亿k W·h,该算法模型有效。对比可知,RF模型的MAE、RMSE(9.20亿k W·h、10.57亿k W·h)小于RBF(13.24亿k W·h、14.04亿k W·h)和SVM(22.39亿k W·h、25.57亿k W·h)模型,基于RF的用电预测模型效果更优。另外,RF能够准确计算预测因子的重要性,这对于变量筛选具有重要意义。     

基于深度学习的软件缺陷预测方法研究

软件缺陷预测的任务是以较高的精度识别软件中有缺陷的代码,是保障软件质量和可靠性的关键因素。随着智能化的发展,大量的机器学习、深度学习等技术应用到了软件缺陷预测中,并取得了良好的效果。汇总了近5年国内外缺陷预测技术的前沿成果,以深度学习的预测方法为主线进行分析,对不同深度学习方法的缺陷预测效果进行了比较,最后探讨了智能化软件缺陷预测方法的进一步研究方向。     

基于深度学习的航空发动机剩余使用寿命预测研究

随着深度学习不断的发展,航空发动机成为近年来的研究热点,其寿命预测的研究也受到了研究学者的关注。本文主要介绍航空发动机的剩余使用寿命预测背景,数据获取过程及基于深度学习的剩余使用寿命的预测方法,以及深度学习在航空发动方面预测的难点和发展趋势。     

基于深度学习模型的海洋平台健康状况预测

对海洋平台的健康状况进行客观合理的评估是保障海洋平台正常安全运作的重要前提.针对海洋平台日益突出的健康状况评估问题,提出了一种基于深度学习模型的海洋平台健康状况预测方法.在该模型中应用Adam算法优化各网络层之间的权重和参数,并在网络训练中加入了批量归一化层加快模型收敛速度,提高预测的精度,采用ReLu激活函数避免深度...     

基于深度学习的多孔介质渗透率预测

渗透率是多孔介质的重要属性,衡量多孔介质对流体的阻碍能力。现有渗透率计算方法如有限体积法(Finitevolume method, FVM)、格子玻尔兹曼(Lattice Boltzmann method, LBM)等有计算耗时缺点。因此,基于深度学习研究了多孔介质渗透率的快速预测。利用X射线断层扫描成像技术获得了40个真实多孔介质图像,利用人工合成多孔介质的方法扩充400个图像。在孔隙尺度上,利用传统有限体积法模拟制作了图像的渗透率。数据集共440套,按照9∶1划分了训练集和验证集。建立深度学习网络并进行渗透率预测。训练完成的网络在验证集上表现良好,误差在±15%内。结果表明,在渗透率预测速度上,深度学习网络预测时间是传统有限体积法的25%左右。验证了直接从图像到渗透率映射的可行性,同时也有助于理解孔隙与渗透率的关系。     

基于深度学习的矿井电力短期负荷预测方法

短期电力负荷预测能准确评估出煤矿的整体电力负荷变化情况,保证煤矿供电系统的安全与可靠运行。由于煤矿电力负荷预测受多种因素影响,难以实现精确预测,文章针对此问题,基于深度学习理论,提出了一种卷积神经网络(CNN)和双向门控循环单元(BiGRU)相结合的矿井电力短期负荷预测方法,并用于煤矿的实际电力负荷预测中。首先,构建了煤矿电力负荷预测的混合学习模型;然后,给出了数据处理方法,设计了模型评判指标,搭建了仿真平台并进行了多种算法的分析与对比;最后,基于组态软件开发了电力监控与预测系统,并应用于煤矿实际监控中。经现场试验表明,设计的方法可以实现对矿井短期电力负荷的准确预测,为煤矿电力系统的安全运行提供准确的决策支撑。     

基于深度学习LSTM⁃DBN的水轮机振动故障预测方法

深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题,提出了一种基于深度学习长短时记忆（long short time memory, 简称LSTM）网络结合深度置信网络（deep belief networks,简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合,提取高维故障统计特征,利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示,准确地判断故障种类,并凭借LSTM对时序信号强大的预测能力,预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。     

基于深度学习的离散智能车间订单完工时间预测方法

设计了一种基于深度学习的预测模型,以提升具有大数据特征的离散智能车间订单完工时间预测能力。从当地企业的MES系统中查询选取生产线的数据用于研究,初步统计分类并使用主成分分析法处理;搭建基于DNN（深度神经网络）的预测模型,初始化模型参数,选择Softmax回归分类器;对比BP神经网络与RBF神经网络,以验证模型准确度和可靠度。     

基于深度学习的工业装备PHM研究综述

随着物联网和通信技术的快速发展,现代工业装备海量运行数据被实时监测传输,推动装备服役阶段的故障预测与健康管理进入大数据时代。面对具有不确定性强、价值密度低及多源异构特点的装备运行大数据,传统浅层模型算法存在难以自主挖掘数据蕴含特征、对装备健康状态表征能力弱的先天不足。近年来,作为机器学习领域的研究热点,深度学习理论得到了学术界与工业界的广泛关注,相关的工业装备故障预测与健康管理（prognostics and health management, 简称PHM）研究与应用层出不穷,为解决大数据背景下的故障预测与健康管理难题提供了新的思路和技术手段。为此,笔者回顾了工业装备故障预测与健康管理技术发展历程;从异常检测、故障诊断以及故障预测3个方面综述了深度学习已取得的研究成果;讨论了深度学习在当下工业装备故障预测与健康管理中的热点话题;分析了该研究方向在工程实际中面临的挑战,并探讨应对这些挑战的有效措施和未来发展趋势。     

基于深度学习工况预测的稳压器控制优化

为了优化传统核电站稳压器控制,本文将深度学习方法引入PID控制器。将长短期记忆（Long Short-Term Memory,LSTM）模型使用传统PID控制仿真数据训练后,为PID控制器提供工况预测数据,弥补因为传感器信号传输以及PID控制器计算带来的反馈延迟,从而使得PID控制器能够依据更实时的工况进行控制信号的计算。在验证实验中,对基于上述方法的智能PID控制器进行了功能验证和复杂工况运行验证。实验结果表明,智能PID控制器能够有效降低传统PID控制过程中的超调量（最高可降低80.7%）,同时可以将传统PID控制达到稳态的时间缩短最多60.73s。该控制器的控制性能虽然受工况变化影响仍然较大,但是为核电站稳压器的智能优化方法进行了有益探索,为后续进一步利用人工智能方法改进传统核电站仪控方法提供了借鉴。     

基于机器学习的收入预测研究

个人收入关系着居民幸福指数和国家经济发展水平,个人收入的分析与研究一直是人们关注的热点之一。现主要研究机器学习在个人收入预测方面的应用,涉及的机器学习模型主要包括KNN、SVM和随机森林。实验结果表明,在这三种模型中,随机森林模型的预测准确率最高。     

数字孪生与深度学习融合驱动的采煤机健康状态预测

针对处于恶劣工作环境的采煤机状态预测与维护困难的问题,结合数字孪生高逼真度行为仿真特性和深度学习强大的数据挖掘能力,提出数字孪生与深度学习融合驱动的采煤机健康状态预测方法。基于物理空间多物理参数构建采煤机数字孪生体,通过在虚拟空间的可视化展示与分析实现健康状态预判;建立基于深度学习的采煤机关键零件剩余寿命预测模型,实现实时监测数据驱动下的零件剩余寿命的在线预测;综合数字孪生体状态和剩余寿命值,实现采煤机健康状态预测。通过试验验证了该方法的有效性,为采煤机健康状态预测与管理提供新思路。     

基于深度学习的多孔材料渗透率预测研究进展

渗透率作为描述多孔材料流动性能的重要指标,在机械、能源等领域有着广泛的应用。经验关系式作为传统的多孔材料渗透率预测方法,往往通过实验统计法建立,在通用性、预测精度方面存在不足。近年来,基于深度学习构建渗透率预测模型的方法受到了众多学者的关注,在解决经验关系式存在的不足方面表现出很好的前景。为此,围绕基于深度学习的多孔材料渗透率预测建模方法,首先阐述了深度学习技术在结构模型重构中的应用及发展趋势,然后综述了结构参数-渗透率、图像-渗透率以及图像-流场-渗透率快速预测建模方法的基本原理和研究进展,最后展望了该领域的研究方向,以及对多孔材料制造系统性能提升方面的前景。     

基于深度学习的索道轮胎损伤智能监测系统

文中将深度学习应用于胎压监测系统,提出了一种新的轮胎压力监测方法。首先对收集到的胎压数据进行预处理,使用深度学习的长短期记忆模型方法建立胎压、温度以及轮胎损伤程度的人工智能模型,然后将建立好的人工智能模型存储起来。最后利用存储好的人工智能模型对索道轮胎损伤程度进行预测。仿真结果表明：提出的方法可以有效地对索道轮胎损伤进行准确的预测。     

深度学习在设备故障预测与健康管理中的应用

在智能制造背景下,大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识,在领域自适应方面具有良好的数据适应性,近年来逐渐成为设备故障预测与健康管理的研究热点,并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用,总结、分类和解释关于这一热点主题的主要文献,讨论了各种体系结构和相关理论。在此基础上,阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势,为设备故障预测与健康管理领域选择、设计或实现深度学习架构,提供明确的方向。     

基于深度学习的偏光片检测技术研究

偏光片外观缺陷的在线检测一直以来就是业界难题,深度学习工具的出现有助于改善这一现状。实验中,对含有缺陷的偏光片进行图像采集,并将采集到的图像分成训练集和验证集。在训练集中利用深度学习工具学习到了缺陷的特征阈值,将阈值应用到验证集中进行缺陷检测,得到很好的检测效果。然而,打痕缺陷由于图像采集的原因并不能完全检出。此外,偏光片自身的翘曲对检测也有一定程度的影响。     

基于深度学习的无人驾驶技术研究

本文首先介绍了无人驾驶汽车的内涵,并对全球的无人驾驶在近几年的发展历史以及研究现状进行了阐述;其次分析我国无人驾驶汽车技术发展面临的主要问题,并提出一定的解决方案;同时分析了深度学习在无人驾驶领域的应用,最后对无人驾驶领域方面的未来做出预测。     

基于深度学习的复合材料螺栓连接失效预测

针对复合材料螺栓连接失效强度分析与预测问题,利用深度学习神经网络强大的非线性映射能力,将不同参数对复合材料螺栓连接失效载荷的影响进行非线性拟合,并分配各参数的影响权重;通过有限的训练样本构建预测模型,来预测复合材料螺栓连接的失效峰值载荷。使用有限元软件计算得到层合板螺栓连接失效峰值载荷的数据组,以此来构建深度学习神经网络。通过测试确定当隐藏层数量为两层时深度学习模型开发效果最佳,以预测值与有限元仿真值之间的均方误差作为损失函数、学习速率取0.01,当均方误差最小时停止训练,此时得到最佳深度学习预测模型;利用该模型预测得到所有失效峰值载荷预测结果中的最大值以及对应的参数组合,并与同样参数的仿真结果进行对比,两者相差1.4%;相比有限元仿真和拟合经验公式的预测方法,深度学习预测方法具有明显的时间效率优势。     

基于深度学习和迁移学习的液压泵健康评估方法

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。