基于Sigma-point设备可靠性抽样检测技术研究

在使用数学模型对动力系统进行定量描述时,需要通过分析最小化模拟结果和测量值之间的差异来识别未知参数,但是由于分析过程中存在测量噪声,所以估计得到的参数具有不确定性,这种不确定性通常用方差来表示。也就是说如果想要获得高精度的预测模型,就需要应用非常精确的参数。在对应的方案中,最优化实验设计(OED)作为数值优化方法,可以通过迭代最小化参数方差来降低参数的不确定性,其中对OED成本函数进行定义的一种常用方法则是基于Fisher信息矩阵的逆矩阵。但是这种传统方法的应用对于非线性参数模型来说至少有两个缺点:(1)仅仅给出了参数方差的下限;(2)常忽略运行过程中的估计误差。在本文中将证明Sigma-point(SP)的应用可以使操作者获得更合理的参数,而且可以避免以上缺点,进而更方便地对近似值进行统计,这一特点将对OED的运用有着直接的好处,不止如此,SP方法也可以用来研究参数不确定性对仿真结果的影响。最后,通过一个广泛使用的生物模型来对基于SP方法的OED进行说明。     

基于PDCA的设备资产数据可视化分析技术研究

从技术和成本效益方面来看,日益激烈的电力市场竞争促使能源供应商对其设备使用方法进行优化。但在对设备系统运行特点进行分析后可以发现,在数据传输及分配过程中,系统需要利用大量的组件以及通过对大量数据的分析来对资产数据进行整合,而以往的系统技术很难对大量数据进行即时快速分析。为了响应优化需求,引入电网设备资产以及风险管理方面的数据可视化分析技术。此技术基于PDCA方法,不仅可以提高设备服务可靠性,而且可以快速筛选资产管理系统所需的各类信息,从而分析系统在数据传输以及分配过程中存在的差异。对这种技术的使用特点进行介绍,也将通过资产模拟来验证此技术可以对大量数据信息进行即时分析处理,即对设备资产数据的快速分析传输是有利的。     

基于动态时间窗口的异常数据周期分析模型研究

通过分析大规模HPC系统所产生的信息来提取可以用来预测系统正常以及异常行为的相关事件序列,此过程将在不考虑事件之间时间延迟的条件下快速发现事件频繁序列。目前绝大部分研究都是基于固定的和相对较小的时间窗口来对事件序列进行提取,但是这些时间窗口并不能有效快速地反映整个系统的行为。而且系统生成的事件序列在机器的使用周期中呈现不断变化的状态,所以认为在系统运行过程中最重要的是序列的更新,同时在系统的每个预测阶段之后,也需要根据预测的准确性和实际发生情况之间的差异来进行修正。最后通过实证分析证明了基于动态时间窗口的分析模型能够预测绝大多数的事件,而且在较低的事件粒度上同样有着较高的预测精度。     

基于生存分析的设备剩余寿命预测技术研究

剩余使用寿命(RUL)是指在某一规定操作时间内设备的有效使用寿命,但是由于RUL通常是随机和未知的,所以对RUL的预测必须依据有效的信息来源(如在设备健康监测环境中获得的信息)来进行。近年来,由于设备健康状态监测技术的迅速发展,使得如何快速有效地预测RUL也已越来越受到人们的关注,然而,由于RUL与可观测的设备健康信息之间具有复杂的关联性,所以目前并没有最佳的方法来使得预测达到期望中的有效准确。在此基础上,回顾了近年来RUL的建模发展,并在基于条件维护和状态预测的生存分析下审查集中统计数据驱动的方法,且对设备剩余寿命预测技术的合理性作出介绍。在此项工作中,也以退化信号为预测手段,通过建立分析退化模型来对设备剩余寿命预测技术进行性能评估,从而验证此项技术对于设备剩余使用寿命的合理预测是可行且有效的。