设备早期故障预测

通过对设备非正常磨损磨粒进行研究,可以准确预报设备的早期故障.铁谱磨粒分析技术就是设备故障早期预测的基础,它是通过技术手段将设备润滑油中的磨损磨粒分离出来,对其进行微观分析,从而判断故障的部位、性质,为止确处理故障提供科学依据.     

基于灰预测模型的变频调速系统的故障诊断

应用灰预测模型对变频调速系统进行了实例故障预报,并给出了具体的建模过程.实例结果表明该预报方法结论可靠,能够及早判明装备系统状态的发展趋势,并为装备系统的安全生产及维修方案提供决策指导.结果表明该预测模型能使预测精度提高了 10％以上,同时计算量并未明显增加.该方法还可以广泛应用于工业企业、医疗卫生等行业各种设备的故障...     

旋转机械趋势预测方法的研究

现代化设备的状态维护要求对设备的运行状态进行预测。随着运行设备的非线形特点越来越明显,传统的数学建模预报方法已不能满足设备的复杂化和现代化要求。针对现代状况,采用灰色理论和神经网络建模预报。对于灰色预报,将原始序列作累加生成处理后,采用ＧＭ（１,１）模型进行建模预测;对于神经网络预报,采用ＢＰ算法对时间序列进行预报。对从大庆油田采回的实际现场数据进行灰色理论和神经网络的联合预报。实践证明,提高了预     

基于神经网络模型的故障预报技术的研究与应用

探讨了故障预报技术的应用及其数值预测方法,给出了神经网络模型在预测过程中的算法,把神经网络,预测技术和诊断专家系统相结合建立了一个故障预报系统,以空间推进系统气略路部分的故障为例,实现了故障的预报。     

模糊神经网络技术在铝电解故障诊断中的应用

目的为了提高生产效率、降低成本、安全生产，通过对铝电解故障进行有效的检测和预报，减少铝电解过程中阳极效应、热槽、冷槽故障的发生．方法通过对铝电解故障发生机理和故障发生时相关特征量变化趋势的分析，基于模糊逻辑理论。建立了多级模糊故障检测模型，采用BP神经网络建立了故障分类模型，实现对铝电解故障的检测和预报．结果降低了模糊系统的维度，减少了规则数量，采用多级模糊与神经网络相结合的故障诊断预报的方法，提前了预报时间，提高了预报准确率．结论铝电解模糊神经网络故障诊断方法，有效地降低铝电解的故障发生率，降低了能耗，提高了铝的产量和质量，具有良好的应用前景．     

基于神经网络模型的故障预报技术研究

探讨了故障预报技术的应用及其数值预测方法,给出了神经网络系统模型在预测过程中的算法,把神经网络、预测技术和诊断上结合建立一一个故障预报系统;以空间推进系统气路部分的故障为例,实现了故障的预测。     

基于LAR和在线LS-SVR的非线性时间序列故障预报

针对非线性系统的故障预报,设计了一种在线最小二乘支持向量回归机(LS-SVR)算法,提出了一种基于在线LS-SVR和线性AR(LAR)混合预测的故障预报新方法.用LAR对非线性系统进行局部线性建模,用LS-SVR在线补偿局部线性模型的建模误差,实现了非线性时间序列的一步预测,并推广到N步预测.基于已知的正常时间序列数据,直接对当前N步预测值进行异常估计,实现故障预报,提高了实时性.同时方法的误检率和漏检率还可人为调整,对不同对象具有普遍性.仿真实验证明了方法的有效性.     

基于遗传小波神经网络的故障预报应用

目的减少铝电解故障的发生,提高阳极效应预报的准确性、实时性和铝的生产效率,节约能源.方法将遗传算法应用于小波神经网络,构成遗传小波神经网络,以确定小波基函数的个数、优化网络参数,以遗传小波神经网络为预测模型,通过预测槽电阻变化率来预测电解过程中的阳极效应.结果通过遗传算法能对小波神经网络的参数进行全局优化,确定了网络结构,而且小波神经网络具有较强的自适应性、鲁棒性和函数逼近能力,使预报精度提高了约9.5%,提前预报时间1 m in左右.结论该预测模型改善了故障预报准确性和实时性,避免了故障的发生,降低了能源消耗,提高了铝电解的生产效率,实现了安全生产.     

机械设备自动检测系统

介绍了大型设备状态监测与故障诊断系统.该系统对设备运行状态的进行实时监测,及早发现和确定故障的部位和性质,准确预报故障趋势并提出相应的对策.从而提高设备运行的可靠性,延长使用寿命,降低设备维修费用,以达到经济目标和社会效益的最大化.     

时间序列及其预报在结构可靠度上的应用

为了给建筑物的改造和加固提供可靠的依据,需要对建筑物的可靠性进行评估.应用时间序列预测法,通过对原始数据的处理,建立了时间序列模型,对未来的未知情况进行了预报.实例证明:时间序列及其预报能够简化分析过程,为结构可靠度的深入研究和工程应用提供新的途径.     

基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标影响差异问题,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。进一步地,针对不同序列长度对预测效果影响差异问题,本文还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的LSTM水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、S-LSTM和VA-LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制LSTM网络在面临复杂、大规模、噪点多的数据时有优于其它几种算法的预测效果,表明该算法的强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

基于实时电价特征的Seq2Seq-Attention 网络短期电价预测

电价预测中常选择负荷与电价作为输入特征,由于输入信息量少,难以得到较好的预测效果。为准确捕捉短期电价变化规律,提出基于实时电价原理进行电价特征提取,从电价形成机制的角度对电价波动原因进行分析,筛选出用于短期电价预测的实时电价特征。并使用擅于捕捉电价预测数据规律的Seq2Seq-Attention网络进行预测。通过美国PJM电力市场公开数据进行验证,证明了该方法的有效性。     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

基于R-OSELM的海洋环境数据在线预测

为及时辨识海洋环境的变化趋势和降低长期累积的海洋环境数据对预测模型的影响,提出一种基于循环在线顺序极限学习机(Recurrent Online Sequential Extreme Learning Machine R-OSELM)的海洋环境数据在线预测模型.采用完全在线的方法初始化海洋环境数据训练集,通过在线顺序极限学习机算法对已有的海洋环境数据进行逐块输入,利用极限学习机的自动编码技术与一种归一化方法对输入权重循环处理,实现预测模型的在线更新,最后完成对海洋环境数据的在线预测.使用该模型对溶解氧、叶绿素a、浊度、蓝绿藻进行预测,结果表明R-OSELM模型的预测精度高于对比模型,确定其具备海洋环境数据在线预测能力,可为海洋水域水体富营养化与海洋环境污染预警提供参考.     

基于PCCLSTMMTL的综合能源系统多元负荷预测

为了保证综合能源系统(IES)的运行效率和可靠性,能源需求的准确预测至关重要。提出了一种基于Pearson相关系数(PCC),长短期记忆(LSTM)神经网络和多任务学习(MTL)的多元负荷预测方法。首先,运用PCC选取与冷热电负荷相关性较大的影响因素作为模型的输入;然后,通过LSTM建立MTL的共享层,实现多元负荷的联合预测;最后,结合亚利桑那州立大学的实测多元负荷数据来测试所提模型的预测精度。结果表明:所提模型具有更高的预测精度。     

基于优化参数的LS-SVM模型的股票价格时间序列预测

为有效预测股票数据,提高投资者的股市投资能力,降低投资风险,提出一种基于优化机器学习方法的股价时间序列预测方法。对股票序列进行了主成分分析,提取累积贡献率大于95%的主成分作为输入变量,并对比了优化核函数宽度g和正则化参数γ后的LS-SVM和SVM模型的预测效果。运用的支持向量机技术经遗传算法优化参数后,降低了预测的均方误差,提高了预测效果和效率,较其他非线性预测方法,具有泛化能力好、鲁棒性强、预测精度高等优点。最后给出了实证结果分析和研究结论,对有效预测股票数据有一定现实指导意义。     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型。从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性。此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果。     

基于相空间重构的支持向量回归机在振动数据预测中的应用

支持向量回归机是近年来发展起来的一种通用的机器学习方法,后来被广泛应用于预测领域。在对模型进行训练时,输入特征在很大程度上影响了预测的精度。所以对于特征的选择一直是人们所关注的问题。提出了一种基于相空间重构的支持向量回归机方法。该方法首先对时间序列进行相空间重构,然后利用重构的相空间中的相点作为特征输入,对模型进行训练。经实验验证,该方法能够根据时间序列内在规律,自适应的构造输入特征,提高预测结果的精度。     

基于OS-ELM的光伏发电中长期功率预测

为了进一步提高光伏出力预测的精度,提出了一种基于在线序列极限学习机的光伏发电中长期功率预测方法. 结合在线序列极限学习机学习速度快、泛化能力强的特点,通过对大量气象数据和历史发电数据综合处理,对光伏发电系统的输出功率进行预测. 同时,由于实时数据的不断输入,该方法能够对预测模型进行在线更新. 算例仿真研究表明,该预测方法与反向传播神经网络、支持向量机方法相比,能够有效提高预测精度,满足在线应用的需求,具有较好的应用前景.