基于可达区在线预测的GPI中制导协同拦截策略

针对临近空间高超声速滑翔目标防御中存在目标机动能力强、机动意图不明确的问题,提出一种基于可达区在线预测的滑翔段拦截器(GPI)中制导协同拦截策略。基于滑翔弹道解析解给出针对目标横程机动的可达区在线预测方法。利用多项式拟合和反向传播(BP)神经网络给出GPI标控弹道的纵程可达区在线预测方法,并利用弹道解析解进一步给出拦截弹的横程可达区在线预测方法。通过对目标和拦截弹可达区在线预测,引入多弹协同思想,实现拦截弹可达区对目标可达区的覆盖,完成协同拦截策略的设计。拦截仿真分析表明:所提协同拦截策略可有效应对目标的倾侧反转机动。

含新能源发电的电力系统一次频率响应最低点在线预测

在低惯量电力系统中,一次频率响应是一个非常重要的问题。基于频率最低点,可以快速分析频率响应,判断其是否会影响电网的稳定运行,因此提出了一种预测频率最低点的方法。首先,建立了包含基于变频器产生的频率支持的详细频率响应模型,并根据复杂控制回路的共同特点对模型结构进行了简化。简化后的模型可以很容易地得到频率最低点的解析表达式,从而通过参数计算进行频率最低点的预测。在推导的频率最低点表达式中,保留了惯性等频率依赖性很强的系统参数和简化的频率调节参数。为了增强频率最低点预测与实际系统的拟合,这些参数通过在线信息获得,其中系统参数基于在线估计,通过参数辨识得到简化的频率调节参数。实例测试证明了该方法的有效性,且易于实现。

电驱动总成多场耦合数据驱动建模及瞬态温度场实时在线预测

开发电驱动总成(EDA)轻量级实时在线温度精确预测方法,对于提前有效监测其未来异常温度状态,确保车辆行驶安全至关重要。基于多物理场耦合与数据驱动融合建模,提出了EDA瞬态温度场在线预测方法。首先,建立EDA电-磁-热-流多物理场耦合有限元模型,并通过台架试验验证该模型准确性;其次,采用有限元模型生成了几种常规工况下的瞬态温度场数据集,以用于后续代理模型的测试验证;然后,结合有限元模型获取简化的热网络拓扑和图卷积神经网络,提出一种模型与数据双轮驱动建模的EDA时空关系图卷积神经网络预测模型;最后,通过不同工况下的离线仿真对比分析和台架在线测试,对所提出的温度预测模型进行有效性和实时性验证。实测离线数据集上的分析结果表明:全局预测误差和平均绝对误差分别为4.4和1.25℃,相较于常规时序图卷积神经网络和门控递归单元方法分别降低17.3%、28.1%和5.3%、29.3%。台架在线预测结果也与真实测量值十分接近,其全局预测误差和平均绝对误差为3.99和0.66℃。总之,所提出的实时在线温度预测方法可以准确预测EDA真实温度变化。

基于时间相似数据的支持向量机水质溶解氧在线预测

为及时辨识集约化水产养殖水质变化趋势、动态调控水质,确保无应激环境下健康养殖,该文提出了基于时序列相似数据的最小二乘支持向量回归机(least squares support vector regression,LSSVR)水质溶解氧在线预测模型。采用特征点分段时间弯曲距离(feature points segmented time warping distance,FPSTWD)算法对在线采集的时间序列数据进行分段与相似度计算,以缩减规模的子序列数据集对LSSVR模型进行快速训练优化,实现了多个LSSVR子模型在线建模,将预测数据序列与LSSVR子模型的相似度匹配,自适应地选取最佳的子模型作为在线预测模型。应用该模型对集约化河蟹福利养殖水质参数溶解氧浓度进行在线预测,模型评价指标中最大相对误差、平均绝对百分比误差、相对均方根误差和运行时间分别为4.76%、8.18%、5.23%、8.32 s。研究结果表明,与其他预测方法相比,该模型具有较好的综合预测性能,能够满足河蟹福利养殖水质在线预测的实际需求,并为集约化水产养殖水质精准调控提供研究基础。

基于LS-SVM的航空发动机气路参数趋势在线预测

将最小二乘向量机(LS-SVM)应用于航空发动机气路参数趋势在线预测。首先,分析了PATS系统所接收的空地数据链(ACARS)报文的特点,构建用于实时存储和解析的发动机报文并行处理系统,获取在线模型的训练样本;其次,针对实时样本,利用最终误差预报准则(FPE)确定嵌入维数,采用直接搜索法优化LS-SVM建模参数,建立了基于LS-SVM的气路参数预测模型。与航路飞机建立ACARS链接,获取发动机实时气路数据,预测气路参数变化趋势。与已有神经网络预测模型相比,具有更高的一步预测和多步预测精度。该方法解决了发动机预诊断中的数据趋势预测问题。

基于进化神经网络外圆纵向磨削表面粗糙度的在线预测

将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢,容易陷入局部极小值以及全局搜索能力弱等缺陷,采用遗传算法训练 BP神经网络,设计了基于进化神经网络的学习算法,建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明,基于进化计算的 BP神经网络可以克服单纯使用 BP神经网络易陷入局部极小值等问题,预测精度较高,对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削参数,所提供的预测方法可以实现对工件表面粗糙度的在线预测。

利用代谢网络模型和线性规划法在线预测谷氨酸发酵中产物浓度

在好氧型的谷氨酸发酵实验中发现,溶解氧(DO)对发酵性能有很大的影响,谷氨酸的生成方式也因此有很大不同:较低的DO水平能够延长产酸期、提高谷氨酸的最终浓度,但是代谢副产物———乳酸也有较大程度的积蓄;而DO水平过高,虽然代谢副产物不会生成积蓄,但菌体消亡过快导致产酸期缩短、谷氨酸的最终浓度降低.同时,谷氨酸的生成方式与发酵过程中摄氧率(OUR)和CO2的释放率(CER)有着非常紧密的关联.作者利用代谢网络模型并结合使用线性规划优化法,通过在线测定OUR和CER,比较准确地在线推定出发酵过程中谷氨酸的质量浓度变化.与传统的非构造式动力学模型相比,上述预测方法具有建模简单、模型物理意义明确、通用性能好等优点,为后续过程的在线控制和优化提供一种全新和有效的途径.

在线预测高炉炉底炉缸侵蚀模型的研究方法

采用有限元法、两点法和边界元法 ,分别建立了高炉炉底炉缸侵蚀的数学模型并分析了三种方法的特点。这些模型可离线或在线监测高炉炉底炉缸侵蚀状况。马钢 2 5 0 0 m3高炉炉底炉缸在线侵蚀模型表明 :高炉炉底炉缸 115 0℃侵蚀线处于第七层碳砖的中部位置 ,形如“象脚”。因此 。

支持向量机在电站汽轮机排汽焓在线预测中的应用

为实现机组经济性能在线诊断,将支持向量机(SVM)方法引入电站汽轮机排汽焓在线预测领域。该预测方法很好地建立了电站汽轮机排汽焓特性与相关运行参数之间的复杂关系模型,并考虑到相关运行参数之间的耦合性,具有预测能力强、全局最优及泛化性能好等优点。将该SVM方法分别应用于某200MW机组和300MW机组中,对于200MW机组,经过训练后的SVM模型对检验样本排汽焓进行预报,均方根误差和平均相对误差分别为0．110%和0．101%,相当于反向传播(BP)网络模型的38．87%和38．11%,径向基函数(RBF)网络模型的52．38%和49．75%；同理,对于300MW机组,其均方根误差和平均相对误差分别为0．057%和0．069%,相当于BP网络模型的29．61%和25．45%,RBF网络模型的41．57%和34．97%。结果表明：SVM方法优于BP及RBF神经网络法,能很好地满足预测要求。

基于核极限学习机的液压泵特征参数在线预测

研究液压泵特征参数的在线预测问题。对表征液压泵工作状态的特征参数进行准确、快速的在线预测,对实时掌握液压泵健康状况的发展趋势具有重要意义。针对液压泵特征参数在线预测问题,提出一种在线核极限学习机方法(OLKELM)。OL-KELM采用Cholesky分解将核极限学习机(KELM)从离线模式扩展到在线模式,网络权值可在历史训练数据的基础上,随新样本的输入而递推求解更新,并以简单的四则运算替代复杂的矩阵求逆,从而提高网络的在线学习效率。仿真结果表明,在获得同样预测精度的条件下,OL-KELM比直接在线核极限学习机的计算速度更快,且预测误差小于贯序正则极限学习机,并具有更强的鲁棒性,故OL-KELM能够对液压泵特征参数进行快速准确的在线预测。

基于动态云QNN的污水出水水质在线预测方法

针对污水处理过程所具有的多变量、非线性和大时滞的特点,将云模型与QNN(量子神经网络)以串联方式有机结合,首先利用云变换方法进行网络的结构辨识和云模型的特征提取,同时通过在输入层引入单位延时环节描述污水出水的动态过程,研究提出了基于动态云QNN的污水出水水质在线预测方法;结合在线测得的污水水质数据,通过与规则多层前向神经网络对比分析的结果表明,该方法能准确的预测污水出水水质BOD5,均方误差性能函数(MSE)值为1.0×10^(-3),单步运行时长为1.122×10^(-4),完全能够满足实时性要求。

科氏流量计测量管固有频率在线预测方法

提出了一种基于幅值变化期信号特征参数识别的科氏流量计测量管固有频率在线预测方法,该方法对测量管固有频率变化时引发的过渡期振动信号进行两次整周期采样,进而通过傅里叶变换获得反映所采样信号特征的虚部与实部参数,并根据所建立的基于信号特征参数的固有频率改变量计算模型,计算出测量管当前固有频率。对所提出方法进行了实验验证。该方法可用于科氏流量计振动控制中,帮助其将驱动频率快速、精准地调整到固有频率上,从而提高科氏流量计在复杂多变工况下的测量可靠性。

基于PCA时间延迟神经网络的BOD在线预测软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题,提出了基于主元分析PCA时间延迟神经网络的污水水质BOD在线预测软测量方法。该方法由三部分组成:主元分析PCA、时间延迟神经网络、软测量模型的在线校正。其中离线模型采用GABP算法训练,仿真结果表明该方法可以实现污水水质的在线预测,具有实时性好,稳定性高,精度高,校正方便等特点。

基于动态神经网络的非线性过程在线预测

神经网络需满足以下两个条件方能用于非线性过程的在线预测:①神经网络必需以某种递推的方式出现;②神经网络的学习算法应尽可能简洁快速。为此改造泛回归神经网络(GRNN),运用递推更新的样本数据集训练GRNN,构成动态泛回归神经网络。该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求。仿真实验表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目标。

基于模糊神经网络与主成分分析的磨削表面粗糙度在线预测

基于声发射和振动信号提出了一种模糊神经网络和主成分分析的表面粗糙度预测方法,以提高磨削过程中工件表面粗糙度识别的准确性。首先,采集磨削程中声发射与振动信号,提取相关时域特征、频域特征和小波包特征参数,利用主成分分析对特征量进行降维优化;然后,构建表面粗糙度模糊神经网络预测模型,将信号特征量与表面粗糙度作为模糊神经网络的输入和输出;最后,对模型进行训练,并对表面粗糙度预测精度进行验证。实验结果表明:通过主成分分析(PCA)方法对声发射和振动信号特征量进行降维得到5个主成分,以此建立的模糊神经网络表面粗糙度预测模型的效果精度可达到91%以上,与局部线性嵌入和多维标度法降维方法相比,PCA方法降维后的特征所含信息更优,预测准确度更高。

基于自回归模型的汽车姿态角在线预测系统

针对汽车姿态角在线预测问题,利用微惯性测量单元以捷联方式测量汽车6自由度运动参数,通过四元数法解算汽车的姿态角,应用卡尔曼滤波器对姿态角进行最优估计处理,在此基础上建立自回归模型对未来1 s^3 s的姿态角进行实时预测,使用Visual Basic 2005、NI Measurement Studio开发汽车姿态角在线预测软件,并对其进行实车道路试验,结果证明该软件具有较高的预测准确性。

基于正交小波神经网络的广域紧急直流功率支援在线预测

鉴于BP神经网络较易陷入局部极小点且收敛速度慢、RBF神经网络因其激励函数是冗余的非正交基故其逼近函数的表达式并不唯一等缺点,构造以Harr正交小波尺度函数为激励函数的神经网络并提出其相应的权值训练新方法,将该正交小波神经网络应用于实现对云广特高压直流和贵广Ⅱ直流的在线紧急直流功率支援在线协调预测控制。仿真结果表明:正交小波神经网络采用正交尺度函数作为激励函数,能保证网络逼近的唯一性,且训练算法简单、收敛迅速;正交小波神经网络能映射聚合成的特征输入数据,准确给出紧急直流功率支援控制量,具有较高的可靠性和准确性。

在线预测原煤浮沉组成的方法

通过对不同矿区、不同煤种、可选性差异较大的６个炼焦煤选煤厂的７５份原煤资料进行分析，给出了预测数学模型，提出了根据历史资料用原煤灰分预测浮沉组成的两种方法。６个厂的２４次预测结果显示，预测误差小，结果令人满意。

汽轮发电机组优化运行专家系统中实时数据的在线预测—验证模型

从DCS系统得到的实时数据的完整性和准确性是汽轮发电机组优化操作专家系统的基础。针对预测—验证模型的关键问题--计算量和存储量,本文推导了一个实时参数在线预测—验证模型,能很好地预测—验证未来数据。测试结果和实际应用表明该模型适用于汽轮发电机组优化运行专家系统中实时数据的在线动态预测—验证。

用统计分析软件SPSS建立橡胶开炼机门尼黏度在线预测数学模型

研究了开炼机炼胶过程中天然橡胶混炼胶的门尼黏度与辊筒横压力、排胶时功率、单位能耗、排胶温度等参数的关系,运用统计分析软件SPSS进行了门尼黏度的相关性分析,采用逐步回归法建立了开炼机混炼胶门尼黏度与这些参数间的线性在线预测数学模型,并对其进行了适宜性检验,用其对混炼胶门尼黏度进行了预测。结果表明,在开炼机炼胶过程中,门尼黏度(y)与辊筒横压力(x1)、排胶温度(x2)有显著的相关性,其预测数学模型为:y=56.308+1.47 x1-0.301 x2;预测数学模型的适宜性较好;用本模型预测的门尼黏度值与实测值的绝对误差小于5.00,预测效果良好。