异方差回归与自回归模型

建立时间序列异方差回归和预测模型,将现行的误差项方差相同、均值为零的回归分析推广到误差项方差变化且均值不为零的情况,解决了实际中常见的异方差以及由于自变量不能充分解释因变量而引起的误差项均值不为零的问题。针对误差项相关且均值、方差都变化的情况,文中还进一步建立异方差回归-自回归模型,将误差项为传统平稳序列(均值和方差为常数)的回归-自回归模型推广到误差项为相关系数平稳序列(均值和方差变化)的情况,给出回归-CCAR(P)模型和回归-CCARMA(p,q)模型的参数估计方法,提出异方差回归-自回归预测模型。该模型能充分发挥回归和自回归各自的优点,对时问序列进行高精度的分析和预测,可广泛用于自动控制、结构响应分析、故障诊断以及经济和商业预测等。     

递进自回归预测方法

提出递进自回归预测方法,其中包括递进自回归模型、递进自回归滑动平均模型、递进时变自回归模型、递进时变自回归滑动平均模型、递进回归一自回归模型。建立时间序列的递进预测公式,给出其最佳无偏预测,并推导出递进均方误差计算公式和高置信水平的递进预测区间估计。该方法是以逐步线性形式表示的一种非线性预测,既具有线性预测的简单性,又具有非线性预测精度高的特点。它不但可用于平稳时间序列预测,而且还可用于非平稳时间序列预测、确定性时间序列预测和小样本预测。此外,文中还给出时问序列线性组合及乘积的预测方法。并通过加权累加、倒数变换等方法,对观测值进行映射变换,使其呈现出更强的规律性,以进一步提高预测精度。     

回归与时变自回归模型

提出回归-时变自回归（regression and time-varying autoregression,RTVAR）模型和广义回归-时变自回归（generized regression and time-varying autoregression,GRTVAR）模型,将误差项为平稳序列（均值和方差为常数）的回归-自回归模型推广到误差项为广义时变自回归序列（均值、方差及自回归系数都变化）的情况。文中给出RTVAR模型和GRTVAR模型参数的估计方法,并建立广义回归-时变自回归预测公式。该模型能充分发挥回归和时变自回归各自的特点,通过自回归对回归分析中的误差项进行补偿,同时采用回归分析解释变量的作用,大大提高时间序列的分析与预测精度,可广泛用于自动控制、故障诊断以及经济预测等领域。     

基于高斯回归分析的高温合金刀具磨损在线预测方法

目前的高温合金刀具磨损在线预测方法预测时间过长,预测误差较大.为了解决上述问题,基于高斯回归分析方法建立了一种新的高温合金刀具磨损在线预测方法,设立高斯回归模型,分析切削力和刀具磨损时间序列数据,对数据进行划分,列出线性数据和非线性数据.引入平滑度理论对建立的高斯回归模型进行优化,借助构建的高斯回归模型计算刀具刀面的最...     

西安市日用水量预测模型研究

从分析影响西安市日用水量变化的主要因素着手,建立了西安市日用水量预测的回归模型,然后利用自回归模型对回归残差进行了修正.最后,结合所建的两个模型得到了西安市日用水量预测的综合模型,经检验,所建模型简单易用,预测误差小,能满足供水系统管理调度的要求.     

基于自回归模型的齿轮轴破损诊断

齿轮轴失效引起的齿轮箱振动行为与轮齿失效引起的齿轮箱振动行为不同.传统的齿轮故障诊断方法大多针对于轮齿破损,难以有效识别齿轮轴破损.用自回归模型拟合正常齿轮振动的时域同步平均信号,利用Akaike判据获得自回归模型的阶数,用Levinson-Durbin递归算法求解Yule-Waker方程获得自回归模型的系数.将建立的自回归模型作为线性滤波器处理齿轮箱振动信号,获得预测误差信号.之后对预测误差信号进行两样本Kolmogorov-Smimov检验,获得正常齿轮轴振动信号和待处理齿轮轴振动信号预测误差的K-S统计距离和相似概率,并将其作为齿轮轴破损特征指标量.实际试验表明这一特征指标的有效性.     

异方差回归-时序模型

提出一种异方差回归一时序模型,通过建立回归分析残差的标准差自回归方程,给出回归系数、自回归系数和滑动平均系数的最小二乘估计和极大似然估计。该模型能够在小样本情况下充分发挥回归分析和时间序列各自的优点,对回归模型的残差项进行有效补偿,提高回归分析的精度。文中对回归模型残差相互独立和自相关两种情况分别进行讨论。大量计算表明,该方法具有较高的分析和预测精度。     

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。     

基于支持向量回归机的机翼盒段结构健康监测研究

针对大型飞行器结构的健康监测问题,提出采用光纤光栅型智能结构监测方法对机翼盒段进行载荷监测.对埋置的光纤光栅传感器的光谱进行了分析,研究了光纤光栅传感器中心波长变化与载荷位置的关系.采用支持向量机研究机翼盒段载荷自诊断问题,并对支持向量机的相关调整参数进行了优化,预测结果与广义回归神经网络进行对比.结果表明,支持向量机的网络测试误差为0.23%,预测精度明显高于广义回归神经网络.实验证明该方法在训练样本较少时,仍然能有效地判定载荷位置, 系统的辨识力较高.     

基于整群抽样和支持向量回归模型的高功率半导体激光器剩余使用寿命预测

剩余使用寿命（RUL）预测是高功率半导体激光器在各种环境应力作用下可靠性评估的核心问题。在实际应用中,现有支持向量回归（SVR）方法均侧重于保证所训练模型的回归曲线的整体误差最小,以追求方法的泛化性,这往往造成关键预警阶段特别是临近故障失效前的预测结果不理想,不能可靠地支持维护决策。提出了一种基于整群抽样的SVR模型训练方法,对测试样本后期观测数据进行多次整群抽样后用于SVR模型测试,SVR模型中的参数使得SVR模型对训练样本的后期数据拟合得更好。实例分析验证了该方法的有效性和稳健性,研究结果表明,所提方法的预测性能和实用价值优于现有几种代表性的小样本分析方法。     

基于相关向量EMD和GMDH重构的故障率预测方法

针对故障率数据的非线性非平稳特性及现有预测方法精度不足的问题,提出了一种基于相关向量经验模态分解(relevance vector empirical mode decomposition,简称RVEMD)和数据处理组合法(grouped method of data handling,简称GMDH)重构的预测方法。首先,通过RVEMD分离故障率时间序列的波动项和趋势项,分解产生序列的固有模态函数(intrinsic mode function,简称IMF)和残余函数(residual function,简称RF),通过相关向量机(relevance vector machine,简称RVM)预测端点局部极值的方法抑制传统经验模态分解(empirical mode decomposition,简称EMD)存在的端点效应,进一步利用RVM回归生成序列的上下包络,替代了常规三次样条插值法;其次,建立各IMF分量的RVM预测模型和RF分量的灰色预测模型,其中对标准RVM回归模型进行了改进,通过构建一种方差高斯核函数(variance Gauss kernel function,简称VGKF)来提高核函数的全局性能和泛化能力,利用H-Q准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,同时构建了一种基于背景值优化的灰色预测模型;最后,通过GMDH算法产生的最优智能组合模型得到最终的预测结果。仿真实例结果表明,相比常规EMD分解后叠加预测法和其他单一模型预测法,该方法具有更加优异的预测性能,能够对故障率的变化趋势进行准确预测。     

Statistical monitoring for non-Gaussian processes based on MICA-KDR method

The focus of the current work attempts to propose a purely data-based model for generating residuals for non-Gaussian process monitoring purposes, the idea of residual generation is borrowed from the field of model-based fault detection and applied in statistical monitoring, the generated residual instead of the measured variables is thus modeled and monitored. The proposed approach first employs the modified independent component analysis (MICA) algorithm to extract independent components (ICs) from a given dataset. Secondly, through assuming but only one variable is missing at one time, the known data regression (KDR) method dealing with missing data problem is then used for estimating the corresponding ICs. The inconsistency between the actual and estimated ICs is called residual and may present much lower level of non-Gaussianity, in contrast to the actual ICs. Thirdly, a principal component analysis based statistical monitoring model can be utilized for online fault detection based on the generated residual. Finally, the superiority and efficiency of the MICA-KDR approach over its counterparts are validated by implementing comparisons on two industrial processes, the proposed MICA-KDR method is demonstrated to be a comparative alternative in monitoring non-Gaussian processes     

Asymptotic stabilization of a class of nonlinear systems with long input delay in the presence of disturbance

Asymptotic stabilization of a class of nonlinear systems with known constant long input delay is addressed in the presence of external disturbance by applying sliding mode control method. Modified prediction variable scheme is employed to compensate long delays in the input, where conventional prediction variable approaches cannot be employed. This is mainly due to the fact that the external disturbance appears in the prediction variable, which renders the controller dependent on the external disturbance. In order to tackle this problem, the nonlinear disturbance observer based predictor is used. A suitable disturbance observer is designed to estimate the external disturbance that appears in the prediction variable. Respected to some existing results, the prediction-based control for more general class of the nonlinear systems in the presence of external disturbance is the main contribution of this paper. Actuator and sensor delays exist in the most common dynamic systems. So, the proposed control scheme can be employed in many conventional systems. The simulation results indicate the robustness and efficiency of the proposed controller.     

基于多变量统计过程监控的盾构机故障诊断

由于盾构机安装有众多监测仪表,且依靠单变量过程监控和人工诊断方式已经无法满足监测的要求,因此引入多变量统计过程监控方法(MSPM).主元分析(PCA)是应用最广泛的MSPM技术,PCA根据盾构运行监测的过程变量和历史数据建立数学模型,并计算统计监控量T2和平方预测误差δ,以及主元空间和残差空间的控制限,分析过程变量是否发生异常.最后以盾构刀盘驱动系统和螺旋输送液压系统为例说明MSPM的详细应用.     

Residual fatigue life prediction of ball bearings based on Paris law and RMS

Paris law can reflect the failure mechanism of materials and is usually used to be a method to predict fatigue life or residual fatigue life.But the variable which can represent the health of machine i...     

基于信息融合的钢包精炼炉元素收得率预报

为提高元素收得率的预报精度,针对元素收得率主要影响因素无法及时获得的问题,提出一种基于信息融合的预报方法。该方法对原始数据层与特征层分别进行融合操作。在原始数据层,首先将相关性较为明显的可测变量按照机理进行结合,然后使用基于改进遗传算法的特征构建方法对由可测变量与结合变量组成的变量集合进行融合,使融合后的特征作为元素收得率主要影响因素的评价指标。在特征层,使用自适应神经-模糊推理系统对构建后的特征进行融合,从而得到元素收得率预报模型。将此方法应用于Q345B钢种Si、Mn元素收得率的预报,实验结果表明所提出的方法不仅可以满足生产要求,而且比其他预报方法有更高的预报精度。     

基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归（online support vector regression,OSVR）预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。     

基于小波神经网络的机械故障预测

良好的局部放大特性和多分辨率学习特性使得小波神经网络比神经网络有更强的自适应能力、更快的收敛速度和更高的预报精度。本文构造了一个小波神经网络,给出了基于小波神经网络的机械故障趋势预测方法,并通过对煤矿提升机闸瓦间隙进行故障预测,验证其方法的可行性。     

Feature signature prediction of a boring process using neural network modeling with confidence bounds

Prediction of machine tool failure has been very important in modern metal cutting operations in order to meet the growing demand for product quality and cost reduction. This paper presents the study of building a neural network model for predicting the behavior of a boring process during its full life cycle. This prediction is achieved by the fusion of the predictions of three principal components extracted as features from the joint time–frequency distributions of energy of the spindle loads observed during the boring process. Furthermore, prediction uncertainty is assessed using nonlinear regression in order to quantify the errors associated with the prediction. The results show that the implemented Elman recurrent neural network is a viable method for the prediction of the feature behavior of the boring process, and that the constructed confidence bounds provide information crucial for subsequent maintenance decision making based on the predicted cutting tool degradation.NSF Industry/University Cooperative Research Center (NSF I/UCRC) forIntelligent Maintenance Systems(IMS).     

像差修正拼接法测量非球面精度的评定

针对用子孔径干涉像差修正拼接法测量非球面的拼接精度问题,提出了一种基于t分布统计的拼接精度分析评定方法.根据测量原理及拼接模型特点,利用残差分析对模型进行回归诊断,使用因变量预测算法和t分布统计模型对拼接精度进行估计与分析.实验结果显示:按t分布评定拼接结果的扩展不确定度为0.362 3λ(0.229 μm),而常规的系统误差检验方法评定拼接结果的扩展不确定度为0.234 μm,两种方法结果基本一致,表明基于t分布统计的方法在保证评定结果准确度的前提下,克服了比较分析法的不确定性,解决了正态分布统计法中置信系数k不能反映子样标准差可靠性对置信概率的影响问题.