基于果蝇算法和灰色神经网络的电子装备故障预测方法研究

针对电子装备故障数据小样本、非线性的特点,在相空间重构处理原始时间序列数据的基础上,基于k折交叉验证和果蝇算法优化灰色神经网络模型参数,从而提出一种基于果蝇算法和灰色神经网络的故障预测方法,并以某型雷达高压电源监测数据仿真结果为例验证其模型性能;实验结果表明,相比已有方法,该方法在全局优化、收敛速度、预测精度方面都具有一定优势。     

基于周期性截断灰色系统的电力负荷预测

电力负荷预测是电力系统调度和电力生产计划制定的重要依据。电力负荷时间序列有着明显的周期性特征。传统的电力负荷预测主要侧重于预测方法的研究,而忽略了电力负荷数据周期性特性的分析,影响了预测的准确性。针对电力负荷时间序列的周期性特征,提出了一种基于周期性截断的灰色系统模型来进行电力负荷预测。该模型利用周期性截断来反映负荷数据的周期性特征,提高了预测的精度。仿真采用EUNITE Network的公开负荷数据进行算法性能的测试,并与一些主流的电力负荷预测算法：BP神经网络、极限学习机、自回归模型以及传统的灰色系统模型做比较。仿真结果表明,周期性截断的灰色系统负荷预测的归一化均方误差和绝对平均误差是最小的。周期性截断的灰色系统为电力系统负荷预测提供了一种新的有效方法。     

基于特征投影图的小麦近红外光谱变量选择方法研究

为了简化模型,提高模型预测精度,利用特征投影图(LPG)进行变量选择。对原始光谱进行连续小波变换(CWT),利用主成分分析(PCA)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数特征光谱变量建立预测模型,所得模型预测均方根误差(RMSEP)为0.345 4,优于其他建模方法,研究结果表明,LPG变量选择可有效简化近红外光谱模型,提高模型预测精度。     

灰色极限学习机在滚动轴承故障预测中的应用

针对较强噪声环境下的滚动轴承故障预测问题,为提高轴承故障预测的精度,提出并研究了一种新的滚动轴承预测技术。采用将灰色模型和极限学习机（ELM）相结合的方法,针对轴承运行状态值的非线性特点,先将样本数据进行灰色处理,解决数据的随机性和波动性问题,然后代入学习速度快,泛化精度高的ELM神经网络进行训练。在训练完毕后,对未来的轴承运行状态数据进行分析,将其与轴承设备的理论诊断标准相比较以达到故障预测的目的。     

基于小波分析的ARIMA与LSSVM组合的高炉煤气预测

高炉煤气发生量的准确预测对钢铁企业能源优化调度具有重要意义。针对钢铁企业中基于机理模型的高炉煤气发生量难以准确预测问题,建立了基于小波分析的最小二乘支持向量机(LSSVM)和自回归差分滑动平均(ARIMA)相结合的高炉煤气预测模型。预测前利用小波去噪对原始数据进行消噪处理,并对处理后的数据进行小波变换得到趋势序列和波动序列,然后对各部分序列分别建模和预测,最后将各部分预测结果叠加;仿真结果表明,组合预测模型减小了预测误差,提高了预测精度。与其他模型相比,组合预测模型更适合高炉煤气预测。     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

基于小波变换的水果糖度近红外光谱检测研究

利用小波变换滤波技术对90个水果样品的近红外光谱信号进行了去噪处理,并结合滤波后重构光谱信号对水果糖度进行逐步线性回归(SMLR)建立其校正模型,通过34个样品的外部检验对校正模型精度进行评价。研究结果表明: 校正模型的预测精度在小波尺度为3时其预测精度最好,预测集的决定系数由原来的0.84提高到0.85, 预测集相对标准误差由原来的6.1% 降为6.0%。因此,使用小波去噪方法有消除原始光谱噪声作用,从而使最终的SMLR模型更具有代表性和稳健性,也提高了品质检测时模型预测精度。     

基于小波包—灰色神经网络的机电作动系统故障预测

针对健康状态难以预测的机电作动系统,提出一种基于小波包—灰色神经网络的机电作动系统故障预测方法;该方法利用小波包分解对机电作动系统的故障特征进行提取,利用灰色GM(1,1)模型对提取出的12种不同故障模式下的频带值进行预测,并作为神经网络的输入,采用BP三层结构,通过验证取隐含层数为10进行训练,预测结果相对误差只有-0.014 6,取得了较好的预测效果;仿真结果表明:小波包—灰色神经网络方法在机电作动系统故障预测中具有一定的有效性。     

牛奶蛋白质含量的SSA-SVM高光谱预测模型

牛奶中包含着很多人体需要的营养元素,如脂肪、蛋白质、钙等;对牛奶营养元素进行分析是牛奶安全检测关键的一部分。高光谱技术可以有效地结合图像和光谱数据识别牛奶种营养元素。为了实现对牛奶中蛋白质含量快速、精确的预测,采用竞争性自适应重加权(CARS)算法选取特征波长,并提出一种基于麻雀搜索算法(SSA)优化支持向量机(SVM)实现对牛奶蛋白质含量预测。利用高光谱仪获取牛奶反射光谱(400～1 000 nm)。通过选取归一化(N)、标准化(Standardization)和多元散射校正(MSC)对原始的牛奶数据进行光谱降噪处理提高光谱利用率;利用竞争性自适应重加权算法和连续投影算法(SPA)对经过处理的牛奶光谱数据提取特征波长,求取蛋白质和光谱间的相关系数并进行重要性排序,获取重要的特征波段;最后,通过遗传算法(GA)优化SVM, 粒子群算法(PSO)优化SVM和偏最小二乘法(PLS)算法对牛奶蛋白质进行预测并比较预测结果,为了提高蛋白质预测的精度和模型稳定性,提出利用SSA对SVM的核函数g和惩罚参数c进行优化,以均方根误差(RMSE)作为适应度函数,通过迭代选择最优的回归参数训练模型。牛奶数据预测结果表明最优组合模型为：MSC-CARS-SSA-SVM。模型测试集的决定系数R2为0.999 6,均方根误差RMSE为0.001 1,耗时4.112 1 s。结果表明：使用CARS算法能实现特征波段的提取和冗余信息的剔除,从而提高模型效率,简化了算法的复杂度;SSA算法优化SVM的参数,通过迭代更新麻雀最优位置,可以快速得到全局最优解,与SVM,GA-SVM,PSO-SVM和PLS相比,牛奶蛋白质的预测准确度和模型稳定性都得到了明显提高,满足了对乳品检测的精确度要求,是快速检测牛奶蛋白质的一个可行新方法。为光谱模型的优化及预测模型精度的提高提供参考。     

冷水机组故障特征优化选择

从现场应用的角度,针对冷水机组典型故障,提出了一种特征选择(FS)的方法,选择少量获取成本低的特征表征故障,达到以最低成本的传感器投入获得最优的故障检测与诊断(FDD)性能,从而节省FDD成本。首先,在现场应用的约束下,对64个原始特征进行特征初选,选择出传感器成本低和对故障敏感程度高的16个特征;然后,基于互信息的FS模型对这16特征进行特征中选,确定故障指示特征的最佳个数;最后,基于灰色聚类分析的FS模型再对这16特征进行特征终选,确定具体的特征种类。使用ASHRAE RP-1043故障实验数据和基于支持向量机的FDD工具验证了提出FS方法的有效性。     

基于故障矩阵的贝叶斯故障定位方法

故障的准确诊断和定位是云计算系统提供持续服务的前提条件。为了提高系统故障诊断和定位的性能,本文提出了一种基于故障矩阵的贝叶斯故障定位方法。首先,对云计算系统的软件结构进行了抽象,对事物进行了定义,并描述了事务的执行路径。其次,将系统运行的多个执行路径表示为故障矩阵,并给出了组件健康状态的逻辑命题表达式。最后,应用贝叶斯概率分析了系统故障的概率。实验表明,本文提出的方法与其它相关方法相比,故障识别的准确性更高,所用的执行时间更短。     

基于不完全故障数据的分布式系统故障诊断方法

在分布式系统中,系统的规模庞大,结构复杂,这使得故障数据的收集十分困难;为了对分布式系统进行故障诊断,文章提出了一种基于不完全故障数据的故障诊断方法;首先,应用非对称比较方法进行系统的故障诊断;其次,将系统的故障诊断转化为一个二分类问题;最后,根据系统运行的部分症状数据,应用线性支持向量机模型对系统中的节点状态进行分类;模拟实验表明,文章提出的方法能有效的识别出系统中的故障;此外为了进一步提高该方法的执行效率,可以采用系统的部分症状数据将故障节点限定在一定的范围内。     

基于故障树的地铁屏蔽门故障诊断专家系统的设计

在地铁屏蔽门系统的故障诊断中,传统方法存在效率低、人工负担重等缺陷。为此,设计了基于故障树的故障诊断专家系统。先用屏蔽门的资料构建出扩展故障树,然后使用早期不交化和模块化等方法将其简化成基本故障树,求出最小割集。在故障树的基础上,设计了专家系统的知识获取和表示机制,建立了知识库。在构建推理机时,采用了双向推理、全自动推理、半自动推理、人工回溯等策略,提高了诊断效率和可信度。该系统可与综合监控系统进行接口,能对相关信息进行推理分析,对潜在故障进行预警,对已发生故障进行快速定位和诊断,出具故障报告和处理建议书,并提供故障模拟及培训功能。试用者的反馈意见表明该系统具有较好的实用价值。     

Constrained Active Fault Tolerant Control Based on Active Fault Diagnosis and Interpolation Optimization

A new active fault tolerant control scheme based on active fault diagnosis is proposed to address the component/actuator faults for systems with state and input constraints. Firstly, the active fault diagnosis is composed of diagnostic observers, constant auxiliary signals, and separation hyperplanes, all of which are designed offline. In online applications, only a single diagnostic observer is activated to achieve fault detection and isolation. Compared with the traditional multi-observer parallel diagnosis methods, such a design is beneficial to improve the diagnostic efficiency. Secondly, the active fault tolerant control is composed of outer fault tolerant control, inner fault tolerant control and a linear-programming-based interpolation control algorithm. The inner fault tolerant control is determined offline and satisfies the prescribed optimal control performance requirement. The outer fault tolerant control is used to enlarge the feasible region, and it needs to be determined online together with the interpolation optimization. In online applications, the updated state estimates trigger the adjustment of the interpolation algorithm, which in turn enables control reconfiguration by implicitly optimizing the dynamic convex combination of outer fault tolerant control and inner fault tolerant control. This control scheme contributes to further reducing the computational effort of traditional constrained predictive fault tolerant control methods. In addition, each pair of inner fault tolerant control and diagnostic observer is designed integratedly to suppress the robust interaction influences between estimation error and control error. The soft constraint method is further integrated to handle some cases that lead to constraint violations. The effectiveness of these designs is finally validated by a case study of a wastewater treatment plant model.     

故障树分析法在装甲车辆电源系统故障诊断中的应用

为了能够准确地进行装甲车辆电源系统的故障诊断,深入地研究了故障树分析法在其中的应用;首先,以某型装甲车辆电源系统为研究对象,根据系统失效模型和故障机理,将故障树分析法运用于装甲车辆电源系统故障诊断中,建立电源系统故障树模型,进行故障分析与诊断;其次利用电源系统故障诊断平台对电源系统4个模块进行故障模拟仿真研究,可看出故障树分析法能够准确地诊断出电源系统各个模块的故障,检测精度可达94%,取得了预期效果。     

基于Petri网和故障树的电力系统故障诊断模型

电力系统元件发生故障后,继电保护动作发出信号使相连的断路器断开,有效地保护了元件,但是也为故障的诊断增添了困难。本文针对带有主保护和后备保护的电力系统故障诊断建模困难复杂等问题,提出用故障树分析法对核心故障建模,并将故障树模型转换为对应的Petri网模型,运用Petri网的状态转移方程进行矩阵运算,不仅清晰的表示了故障的发生和形成,也能快速准确的诊断出故障发生元件,降低诊断的复杂性。实例分析说明了该方法准确性和有效性。     

Low-Pass Filtering Empirical Wavelet Transform Machine Learning Based Fault Diagnosis for Combined Fault of Wind Turbines

Fault diagnosis of wind turbines is of great importance to reduce operating and maintenance costs of wind farms. At present, most wind turbine fault diagnosis methods are focused on single faults, and the methods for combined faults usually depend on inefficient manual analysis. Filling the gap, this paper proposes a low-pass filtering empirical wavelet transform (LPFEWT) machine learning based fault diagnosis method for combined fault of wind turbines, which can identify the fault type of wind turbines simply and efficiently without human experience and with low computation costs. In this method, low-pass filtering empirical wavelet transform is proposed to extract fault features from vibration signals, LPFEWT energies are selected to be the inputs of the fault diagnosis model, a grey wolf optimizer hyperparameter tuned support vector machine (SVM) is employed for fault diagnosis. The method is verified on a wind turbine test rig that can simulate shaft misalignment and broken gear tooth faulty conditions. Compared with other models, the proposed model has superiority for this classification problem.     

光纤激光器故障模式分析

为满足实际工程、生产应用中专业及非专业人员对故障光纤激光器快速修理、修复的需要,研究了一种能够实现快速故障模式及故障原因分析系统。首先,采集实际使用与实验中损坏激光器的故障模式与故障原因记录为数据样本。接着,利用故障树与故障模式影响及危害性分析模型建立光纤激光器扩展故障树,即构建起故障模式与故障原因的对应关系。然后,利用贝叶斯网络分析并得出各故障模式与故障原因的先验概率与后验概率计算方法,再使用Python语言编写交互式窗口,并完成对数据库数据的调用与相应概率计算。最后,通过交互式界面输出当前故障对应的可能故障原因及发生概率,从而实现对光纤激光器故障的快速分析。程序模拟耗时小于1 s,模拟结果与统计结果相吻合,基本满足指导相关人员对故障快速排查并修理的要求。     

IRIS-ICP光谱仪点火故障分析

从ICP光谱仪点火系统的组成部分、工作原理、参数分析入手,分析不能正常点火故障及排除方法.     

Fault tolerant quantum computation with nondeterministic gates

In certain approaches to quantum computing the operations between qubits are nondeterministic and likely to fail. For example, a distributed quantum processor would achieve scalability by networking together many small components; operations between components should be assumed to be failure prone. In the ultimate limit of this architecture each component contains only one qubit. Here we derive thresholds for fault-tolerant quantum computation under this extreme paradigm. We find that computation is supported for remarkably high failure rates (exceeding 90%) providing that failures are heralded; meanwhile the rate of unknown errors should not exceed 2 in 10(4) operations.