基于灰色神经网络模型的企业碳排放峰值预测

为预测企业碳排放峰值,帮助企业设计碳排放的减排路径,需要对企业碳排放峰值预测方法进行研究。当前采用基于TFDI模型的预测模型对企业碳排放峰值进行预测,预测过程中无法全面考虑企业碳排放影响因素,导致预测企业碳排放峰值出现误差。为此,提出一种基于灰色神经网络模型的企业碳排放峰值预测模型。该模型是以灰色模型为基础,与神经网络相融合构建的灰色神经网络,将模型中企业碳排放原数据进行叠加,并用微分方程表示,将VSTE算法作为灰色神经网络模型预测的基础算法,计算企业碳排放路径碳排放值,满足高斯分布随机函数,以此进行企业碳排放峰值的预测。实验结果证明,所提模型可以准确预测企业碳排放峰值,有效帮助企业设计碳排放减排路径。     

手机用户网络行为预测方法研究

传统离线方法对手机网络耗电量进行的优化不能准确判断用户网络消耗状态,对用户正常使用手机带来很大影响,针对这个问题,本文提出了基于用户习惯的网络行为在线预测方法。该方法分析用户使用网络的历史数据,建立对用户使用网络行为进行在线预测的数学模型,使用0-1背包算法求该模型的最优解,预测用户使用网络情况。并在此基础上对最优解进行模糊处理,以增强预测方案的适应能力。实验结果表明,所设计的方法能够有效预测手机用户网络的使用状态,为基于用户习惯的手机网络节电研究奠定了坚实的理论基础。     

基于对数变换的六相永磁容错电机故障预测研究

研究电力作动系统用永磁容错电机故障预测问题,有利于准确监控飞行器健康状态,为飞机维修提供决策支持;TS(2*2永磁容错电机特征信号复杂无序,传统灰色模型故障预测精度不高,基于此,提出一种新的故障预测改进方法;TS(2*2首先对原始故障能量特征序列进行对数变换处理,对序列进行一次累加生成,建立GM(1,1)灰色模型,最后将得到的拟合还原成模拟值,得到预测数据;TS(2*2结果表明,故障原始序列经过对数函数变换处理后,预测误差相比于未经处理的基本灰色模型降低了4.63%,预测精度提高到96.5%以上,有效提高了永磁容错电机的故障预测精度。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

基于激光自混合干涉技术和小波变换的齿轮箱故障诊断

激光自混和干涉(SMI)技术是一种利用光反馈原理进行的振动检测技术,它具有结构简单,非接触式测量振动信号的特点。为了解决齿轮箱故障诊断的问题,提出了用激光自混合干涉技术提取信号,并通过小波变换对信号分析进行处理的方法。通过分析小波变换的各个分量以及最终经过小波变换去噪后的信号,能够准确地识别出齿轮箱在运转时所存在的周期性振动故障信号,实验得到的结果与理论值结果完全吻合。     

灰色预测优化模型及其在光电跟踪中的应用

针对光电多目标切换跟踪中的预测跟踪问题,提出了一种基于灰色理论的目标位置预测方法。以传统的灰色模型为基础,充分考虑光电跟踪的特点,分别从原始数据预处理、背景值和时间响应函数三个方面对GM(1,1)模型和GM(1,1)幂模型进行优化,并修正了GM(1,1)幂模型中幂指数的确定方法,最终建立新陈代谢模型,将两者均运用到对光电跟踪目标的位置预测过程中,实验结果表明,优化后的模型预测精度更高,可应用于光电预测跟踪。     

基于GA参数整定的时变时滞系统灰色预测控制

针对一类数学模型未知且存在时变时滞的复杂系统,提出一种基于遗传算法参数整定的灰色预测控制方法。该方法采用BP神经网络对系统的时变时滞进行辨识,利用灰色预测算法对系统的输出进行预测,进而使用基于遗传算法整定PID控制器对系统进行输出反馈控制。该方法将灰色预测算法与遗传算法相结合,有效提高了控制器的自适应性。通过仿真实例,结果表明该方法能够对具有大时滞、大惯性、模型不确定等特点的复杂系统进行有效地控制。该方法是可行的、有效的。     

基于LSSVM的电子装备故障预测研究

针对电子装备的故障信息不足,故障发生率高等特点,通过故障预测有效的监测设备故障状态以及发展趋势,实现对设备的事先维修,避免重大事故的发生,提高电子设备的安全性。对电子装备故障预测进行了分析,提出了一种基于最小二乘支持向量机（LSSVM）的故障预测方法。首先介绍了LSSVM故障预测算法的基本原理和预测流程;然后,对整个电子装备的故障预测研究可以从一个类似的模拟带通滤波器电路故障预测研究出发,将该元件容差设为不同范围来定义电路的不同故障状态,将LSSVM方法与最小二乘法、支持向量机法对电路的不同状态进行预测,可以得到不同状态的预测值,研究结果表明提出的方法能够实现模拟电路的缓变故障预测,且预测效果较好。     

基于ARMA模型的船舶海水冷却系统参数预测

船舶海水冷却系统与船外海水直接接触,工作环境较为恶劣,而基于小波理论、灰色理论等参数预测方法受环境影响较大,为了实现对船舶海水冷却系统状态参数的准确预测,提出了根据平稳时间序列建立自回归移动平均模型（ARMA）的方法;介绍了ARMA模型原理及建模过程;选取“育鲲轮”海水冷却系统6天的状态参数作为训练样本,输入到ARMA预测模型中进行训练;在MATLAB环境下,获得预测数据;运用平均绝对百分比误差对预测模型的准确性进行验证并对误差进行分析,结果表明所建立的船舶海水冷却系统状态参数预测模型具有良好的预测能力,能有效的反应未来一段时间海水冷却系统的工作状态的变化,提示系统是否存在异常,为早期故障诊断提供有效手段,进而为船舶的稳定运营提供了条件。     

旱涝预测的演化建模方法

发展了一种旱涝预测的演化建模方法, 数值试验结果表明, 该方法能够从历史资料中准确地挖掘出气候要素演化的主要动力学特征, 所建立的模型不仅能够较好地模拟要素的历史演变情况, 而且还能够对未来的演变趋势进行准确的预测. 对于演化建模所得到的误差较大的模型, 对其预测误差序列进行二次演化建模可明显提高模型的预测精度.     

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。     

Crack level estimation approach for planetary gearbox based on simulation signal and GRA

The planetary gearbox is a critical mechanism in helicopter transmission systems. A crack level estimation methodology for planetary gearbox has been devised by integrating a physical model for simulation signal generation, a statistic algorithm for feature selection and a grey relational analysis (GRA) algorithm for damage level estimation. The physical model is used to generate simulation datasets for developing and evaluating the diagnostic scheme that will be further calibrated with real world test data during application. The proposed method was calibrated with historical test data and then validated with real-time test data. The estimation results coincide with the actual test records, showing the effectiveness and accuracy of this method in providing a novel way for more accurate health monitoring and condition prediction.     

Gear Fault Diagnosis Method Based on Multi-Sensor Information Fusion and VGG

The gearbox is an important component in the mechanical transmission system and plays a key role in aerospace, wind power and other fields. Gear failure is one of the main causes of gearbox failure, and therefore it is very important to accurately diagnose the type of gear failure under different operating conditions. Aiming at the problem that it is difficult to effectively identify the fault types of gears using traditional methods under complex and changeable working conditions, a fault diagnosis method based on multi-sensor information fusion and Visual Geometry Group (VGG) is proposed. First, the power spectral density is calculated with the raw frequency domain signal collected by multiple sensors before being transformed into a power spectral density energy map after information fusion. Second, the obtained energy map is combined with VGG to obtain the fault diagnosis model of the gear. Finally, two datasets are used to verify the effectiveness and generalization ability of the method. The experimental results show that the accuracy of the method can reach 100% at most on both datasets.     

Fusion Domain-Adaptation CNN Driven by Images and Vibration Signals for Fault Diagnosis of Gearbox Cross-Working Conditions

The vibration signal of gearboxes contains abundant fault information, which can be used for condition monitoring. However, vibration signal is ineffective for some non-structural failures. In order to resolve this dilemma, infrared thermal images are introduced to combine with vibration signals via fusion domain-adaptation convolutional neural network (FDACNN), which can diagnose both structural and non-structural failures under various working conditions. First, the measured raw signals are converted into frequency and squared envelope spectrum to characterize the health states of the gearbox. Second, the sequences of the frequency and squared envelope spectrum are arranged into two-dimensional format, which are combined with infrared thermal images to form fusion data. Finally, the adversarial network is introduced to realize the state recognition of structural and non-structural faults in the unlabeled target domain. An experiment of gearbox test rigs was used for effectiveness validation by measuring both vibration and infrared thermal images. The results suggest that the proposed FDACNN method performs best in cross-domain fault diagnosis of gearboxes via multi-source heterogeneous data compared with the other four methods.     

基于风扰动预测的阵风减缓最优控制研究

目前大多数阵风减缓控制方法都是等到飞机到达风场之后才起作用,由此带来了时滞与舵面速率饱和等问题。为了解决这一问题,提出了一种基于风扰动预测的阵风减缓控制系统方案。首先,对风扰动预测技术进行了研究,利用二阶互补滤波器实现了一种基于激光测风雷达获取的阵风信息与其它渠道获取的阵风信息的数据融合算法。其次,以某型民用飞机模型为对象,采用LQR方法设计最优状态调节器使得性能指标最小。接着,引入基于风扰动预测的前馈补偿,使得在未来阵风到达时飞机状态要尽可能保持不变。仿真结果表明,基于风扰动预测的阵风减缓最优控制系统能大幅度地减少阵风干扰对飞机法向过载和俯仰角速度的影响,证明了所设计的控制系统方案的正确性和有效性。     

基于CBM电子设备故障预测技术研究

为解决电子设备结构复杂,故障信息不足,故障预测困难,并且现有方法不能直接对电子设备进行状态预测等问题,本文提出了基于状态维修（CBM）的最小二乘支持向量机(LSSVM)和隐马尔科夫模型(HMM)组合故障预测方法。首先采取灵敏度分析法确定电路中要可能发生变化的元件,通过改变元件参数来设置电路的不同退化状态;其次建立组合故障预测模型;最后对该电路进行状态预测。结果表明,本文提出的方法能够直接预测电路的不同状态,进而实现直接预测电子设备的故障状态,预测精度可以达到93.3%。     

语音信号序列的Volterra预测模型

对给定的英语音素、单词和语句进行了采集并完成预处理. 分别应用互信息法和Cao 氏法确定了实际采集的语音信号序列的延迟时间和嵌入维数, 以完成语音序列的相空间重构. 通过计算实际采集的语音信号序列的最大Lyapunov指数, 完成了语音信号的混沌特性识别, 判定其具有混沌特性. 引入Volterra级数, 提出了一种具有显式结构的语音信号非线性预测模型. 为克服最小均方误差算法在Volterra模型系数更新时固有的缺点, 在最小二乘法基础上, 应用基于后验误差假设的可变收敛因子技术, 构建了一种基于Davidon-Fletcher-Powell算法的二阶Volterra 模型(DFPSOVF), 并将其应用于具有混沌特性的语音信号序列预测. 仿真结果表明: DFPSOVF非线性预测模型对于单帧和多帧语音信号均具有更好的预测精度, 优于线性预测模型, 并且能够很好地反映语音序列变化的趋势和规律, 完全可以满足语音预测的要求; 可以根据语音信号序列的嵌入维数选取预测模型的记忆长度. 所提出模型可以为语音信号重构和压缩编码开辟一条新途径, 以改善语音信号处理方法的复杂度和处理效果.     

Network traffic prediction by a wavelet-based combined model

Network traffic prediction models can be grouped into two types, single models and combined ones. Combined models integrate several single models and thus can improve prediction accuracy. Based on wavelet transform, grey theory, and chaos theory, this paper proposes a novel combined model, wavelet--grey--chaos (WGC), for network traffic prediction. In the WGC model, we develop a time series decomposition method without the boundary problem by modifying the standard \grave\rm a trous algorithm, decompose the network traffic into two parts, the residual part and the burst part to alleviate the accumulated error problem, and employ the grey model GM(1,1) and chaos model to predict the residual part and the burst part respectively. Simulation results on real network traffic show that the WGC model does improve prediction accuracy.     

基于小波回声状态网络的混沌时间序列预测

混沌现象普遍存在于自然界及人类社会中,因此混沌时间序列预测具有重要意义. 提出了一种新的混沌时间序列预测模型------小波回声状态网络,该模型可以有效克服传统回声状态 网络模型中普遍存在的病态矩阵问题,提高了混沌时间序列预测精度.通过对Lorenz、含噪声Lorenz 及间歇式反应釜釜温三个时间序列的预测,将小波回声状态网络与传统回声状态网络进行了比较. 结果表明,小波回声状态网络与传统回声状态网络相比,预测精度提高一倍以上且预测结果更加稳定.     

振动噪声等高图的电驱动桥噪声预测及优化*

在项目开发前期通过优化电驱动桥扭矩特性的设计,可以规避噪声大问题。根据电驱动桥台架在对应扭矩下的振动噪声特性,提出了一套稳定高效的测试流程和分析方法。首先设计了一套完整的试验流程,制定了精准的数据分析方法。然后绘制出能够全面反映电驱动桥振动噪声特性的等高图。最后利用电驱动桥台架的振动噪声等高图,准确评估电驱动桥加速工况下振动噪声风险,为主机厂和电驱动桥零部件企业提供电驱动桥扭矩特性设计前期指导。利用该方法成功识别到某电驱动桥匀速及加速工况下电机及齿轮的啸叫问题。通过优化电驱动桥扭矩特性设计,电机48阶噪声峰值降低了8.5dB(A),确认该方法准确可靠,具备推广应用价值。