共查询到18条相似文献,搜索用时 93 毫秒
1.
2.
灰色系统理论在油管腐蚀寿命预测中的应用 总被引:1,自引:0,他引:1
利用灰色系统理论,对N80钢氮化在郝现联合站介质中的腐蚀数据进行了灰色分析,建立了对上述数据的GM(1,1)模型。经检验,此模型预测精度较高,对实际工程油管腐蚀寿命的研究起到指导作用。 相似文献
3.
企业生产过程中影响能源消耗量的因素繁多、影响关系复杂,导致能源预测较为困难。论文引入灰色理论,提出了基于GM(1,1)模型的企业能源消耗预测方法。以某企业历史能耗样本数据为基础,运用GM(1,1)模型,对2014-2020年的企业能耗总量进行了预测和分析。通过对其真实值与预测值相对误差等指标的分析验证,得到2014-2020年的能源需求量。论文提出的能源预测方法可作为评估项目经济效益的依据,为企业生产的有序用能安排提供了较为实用的技术手段。 相似文献
4.
贺剑 《工业仪表与自动化装置》2014,(5):100-103
面对中长期电力负荷预测“小样本”、“少信息”、“非线性”等特点[1],灰色预测模型在电力负荷预测中起决定性的作用。该文论述了基本GM(1,1)模型、一次平滑法的GM(1,1)模型。针对以上两种模型的缺点和不足,通过对初始数据的二次平滑处理,又提出了改进的灰色预测模型---二次平滑法的GM(1,1)模型。通过算例检验与典型的实例研究上述3种灰色模型在中长期负荷预测中的应用。结果表明,和前面两种预测模型相比较,二次平滑法的GM(1,1)模型在电力系统电量的实际预测中更精确,误差更小。 相似文献
5.
疲劳寿命预测的问题是疲劳研究中的重要课题。影响疲劳寿命的因素多且复杂,利用灰色理论方法进行疲劳寿命预测,提出了非等间距GM(1,1)模型和中心逼近式GM(1,1)模型两种预测疲劳寿命的方法。通过对实验数据进行分析和整理,然后建立微分方程,利用MATLAB软件计算得到灰色预测值。与实验数据值进行比较,得出结果表明灰色模型方法具有很高的预测精度,证明灰色理论是一种简单可行的、可靠的分析方法。 相似文献
6.
基于灰色理论的设备磨损状态辨识参数监测法的研究 总被引:5,自引:2,他引:3
灰色理论应用于滑油光谱分析的方法已经成为设备状态监测中油液监测的一种有效的建模手段。对取样时间间隔较长的机械设备磨损进行监测,以便得到设备磨损状态的预测信息。本文提出了基于灰色理论的GM(2,1)模型,对设备磨损状态进行预测和诊断分析,并与以往常用的GM(1,1)模型进行了比较,分析讨论这两种模型应用于设备磨损光谱元素浓度预测的精度,通过实例验证了GM(2,1)模型具有简单、准确和实用的特点。并在此基础上,又提出了应用灰色理论对设备磨损状态进行参数辨识,进而运用参数监测来对设备进行状态监测的方法,可以准确地发现系统的变化,为应用光谱分析法判定系统磨损的状态提供了一种定量的和定性的分析手段。 相似文献
7.
利用建立灰色系统理论的GM(1,1)模型,对50 t双梁桥式起重机的最大静轮压进行预测,结果显示预测值与实际值高度吻合,表明将灰色系统理论应用于起重机行业有关参数的预测是有效可行的。 相似文献
8.
9.
10.
11.
12.
13.
基于灰色理论的产品寿命预测研究 总被引:6,自引:1,他引:5
为了向产品生命周期设计提供寿命信息,在基于特征的产品全生命周期设计集成信息模型的基础上,提出利用灰色GM(1,1)模型对少量已有同类产品的寿命数据进行预测,扩充样本量,由灰色关联度分析得出其最符合的分布类型,由此预测与产品生命周期设计相关的寿命指标值。同时,在VC++6.0环境下,开发了产品寿命预测模块,并给出了应用实例。 相似文献
14.
液压挖掘机臂杆结构承受复杂的冲击载荷,其疲劳寿命存在许多不确定性因素。首先采用Miner准则,依据实验载荷谱和有限元方法对液压挖掘机工作装置寿命进行了预测。其次研究了结构疲劳寿命变化过程和灰色理论预测模型内在规律的一致性,建立了液压挖掘机工作装置疲劳寿命的灰色预测GM模型,并分别运用GM模型的两种形式--GM(1,1)线性模型及GM(1,1)幂模型对液压挖掘机工作装置进行疲劳寿命预测。分析比较Miner准则、GM(1,1)线性模型及GM(1,1)幂模型三种预测方法。结果表明,三种预测方法结果基本一致,灰色系统模型同Miner准则模型相比误差明显减小且非线性幂模型具有更高的预测精度。基于灰色理论的GM(1,1)幂模型考虑了非线性因素,更适合于液压挖掘机工作装置结构疲劳寿命预测。 相似文献
15.
小样本条件下的设备实时可靠度预测研究 总被引:1,自引:0,他引:1
为了能够准确地判定系统的时间动态特性,提出一种基于设备运行状态信息的实时可靠度算法。该算法从设备的状态特征指标出发,结合贝叶斯(Bayes)方法和KM(Kaplan-Meier)评估器思想,无需对设备失效概率密度函数(Probability Density Function,PDF)进行估计,也不会因样本太少而引起大的估计误差。以上述方法计算所得到的可靠度作为刀具实际可靠度,对比分析支持向量机(Support Vector Machine,SVM)与反馈神经网络(Back Propagation Neural Network,BPNN)两种方法在不同样本条件下的预测精度。结果表明在大样本条件下,两模型都具有较高的预测精度和较小的预测误差;小样本条件下,BPNN方法预测误差过大而达不到预测的功能,而SVM方法仍能保持较高的预测精度和较小的预测误差,与BPNN相比具有明显的优势。 相似文献
16.
17.
针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM)
网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机
运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分
类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行
状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的
动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁
棒性和适用性。 相似文献
18.
设备故障预警系统不同于发电厂传统的状态监视工具,Smart Signal能够为发电机组的所有主要系统在各种运行状态下及时提供异常的早期预警,便于电厂人员提前采取相应的措施。Smart Signal的核心专利是基于相似性原理的建模技术,能够分析历史数据,建立设备和过程正常运行的高保真经验模型。实时运行时,其自动将模型中传感器的"期望"值与从设备采集来的实时数据进行比较,实现预见性分析,并将设备的预警信息在Smart Signal上发布。Smart Signal提供设备或过程问题的早期预警,通过识别、警示潜在的设备问题,并把此设备及其相关的异常点显示在Smart Signal上,为设备的正常运行及状态检修提供理论依据。 相似文献