预测性维护任务计算卸载与资源分配联合优化

针对预测性维护(predictive maintenance,PdM)人工参与资源调配的问题,提出了一种基于改进人工蜂群算法(artificial bee colony,ABC)的计算卸载和资源分配方案。该方法利用遗传算法的进化思想,改进了侦察蜂的搜寻步骤,解决了传统人工蜂群算法容易陷入局部最优解、多样性不足等缺点,能够根据设备故障率生成维护成本最低的资源分配方案。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、减少维护成本更明显,能够有效解决PdM场景的计算卸载和资源分配问题。

远程办公背景下工作不可预测性对工作与家庭冲突的影响——一个有调节的中介模型

远程办公已成为数字化工作实践的常态,ICT技术使用过程中和工作与家庭生活相关的负面影响越来越受到信息系统领域学者们的重视。本研究运用工作家庭资源理论模型,探究员工在远程办公情境下适应数字技术以及体验工作形式和工作方式转变的过程中感知到的新型工作压力,并阐释其损害员工家庭领域繁荣的具体路径。问卷调查结果表明,远程办公情境下的工作不可预测性导致员工心理弹性的应对资源减少,造成了工作与家庭冲突,而自尊可以有效地帮助员工缓解工作压力和恢复个人资源。实证结果为远程办公如何影响员工的工作体验以及工作与家庭关系提供了新的见解和启示。

预测性侦查的权力扩张与程序规制

预测性侦查从行为主体和行为方式等外观上检视,基本符合刑事侦查权的特征。但实质上预测性侦查的权力扩张已突破传统以犯罪嫌疑为中心的侦查权运作逻辑,而延伸出的向犯罪风险转向的权力缺乏法理定性,使得公安机关双重职权的界限变得模糊,其中的强制性行为易侵犯公民权利,也突破了传统权力的启动要求。从实践运用观之,预测性侦查亦出现制约机制缺失,授权基础不足,侦查目的错位等问题。为规范预测性侦查,应明确问题核心在于犯罪预防职权不适应传统危害防止—犯罪侦查二元职权体系。故规范的重点并非在于刑事侦查权内部的权力调整,而在于行刑衔接。为此首先应将预测性侦查中的危害防止、犯罪侦查行为分辨清楚,重点是将扩张部分的犯罪预防定性为不同于危害防止和犯罪侦查的第三领域警察职权,并厘定犯罪嫌疑在规范上的定位,厘清三职权的行为边界。其次应补足新兴犯罪预防职权的一般授权和特别授权基础,确保公安传统治安和刑侦部门权力行使的被动性,鼓励合成作战中心的主动式职权,并构建犯罪前沿阶段的特殊行政管控制度。最后还应完善犯罪预防后阶段的其他“行刑衔接”措施,完善立案“选择权”和刑事立案标准,通过行政法和刑事诉讼法对预测性侦查予以双重规制。

预测性数据对刑事案件构成要素外延的补充

传统的刑事案件构成要素理论包括五要素说、七要素说、纵向动态和横向静态要素说、信息化侦查要素说等,并且随着学者对侦查实践、犯罪活动规律和特点的思考,刑事案件构成要素理论体系已相对完善。然而,随着大数据思维和技术的发展与渗透,学界虽意识到应当将数据要素融入理论体系中,但并未意识到大数据背景下预测性数据的价值。而预测性数据作为由案件本身延伸出的有重要实践价值的信息,能够丰富刑事案件构成要素的外延,因此,可以遵循现有刑事案件构成要素理论构建逻辑,将预测性数据要素补充进原有要素理论。

人工智能在农机软件故障诊断和预测性维护中的应用研究

探讨了人工智能技术在农机软件故障诊断和预测性维护方面的应用。首先,分析了农机软件功能安全的重要性和现有挑战;然后,深入探讨了人工智能在数据处理、故障模式识别、实时监测、长期性能监测和用户行为分析等方面的应用潜力;最后,预测了未来发展趋势,并总结了人工智能技术在推动农业机械化方面的重要作用。

基于XGBoost增量实现业务流程执行结果的预测性监控方法

随着工业制造业务流程智能化提升,以预测执行结果为目标的监控技术成为必需。该技术基于历史执行构建预测模型,从而对正在执行的流程进行结果预测。但现有研究假定流程执行行为一直保持不变,实际上流程在运行中常发生变化(即流程执行发生漂移),因此预测模型也需要适应这种漂移。针对这种情况,受到在线学习思想的启发,提出了基于XGBoost增量实现以流程执行结果为目标的预测流程监控技术,并分别在真实数据集和合成数据集上进行了大量的实验。实验结果表明,基于XGBoost的增量学习技术能够很好地为工业制造真实场景中的预测性流程监控提供一种有效的解决方案。

仪表预测性维护体系

通过智能运算和算法分析,对仪表健康状况进行评价、在线预警、故障诊断、安全运行等智能化管理,实现仪表的预测性维护。通过建立预测性维护体系,逐步推行仪表的全生命周期管理和预测性维护。

ENSO组合模态可预测性的季节-年代际变化

厄尔尼诺-南方涛动组合模态(C-mode)是厄尔尼诺衰减期西北太平洋上空异常反气旋发展的主要驱动力,通常可以形成水汽输送通道,导致我国南部地区降水增多并发生严重的洪涝灾害,而在拉尼娜期间则情况相反。利用1981—2020年美国国家环境预报中心和美国国家大气研究中心再分析数据集的表面风场资料分析了C-mode可预测性的季节-年代际变化。结果表明:C-mode在2000年以后的可预测性明显下降,主要原因是其变率减小、强度减弱、信噪比降低等。在季节尺度上,C-mode存在“秋季预报障碍”,这与信号的季节循环密切关联,当C-mode在秋季进入衰退期时,信号强度最弱、变率最小,因此其秋季的可预测性降低。

算法预测性警务的风险辨析及应对

随着算法时代的到来,在总结吸收问题导向警务和热点警务模式特性的基础上,通过对“不安全因素”的边际判断以及算法决策机制,算法预测性警务实现了对警情的预报预测预警。但算法预测性警务也存在风险,包括计算机学习的样本缺陷、技术上的利维坦化以及算法黑箱在内的技术风险,还包括算法在嵌入警察权的过程中可能带来的警察权扩张、“全景敞视主义”的自由困境、破坏警民关系等制度风险。为此,除了扩大数据池以及加强计算机学习模型的优化等技术升级保障外,更要做好个人信息保护与国家监管之间、算法预测的工具理性与伦理道德之间、算法技术垄断与公民参与之间三方面的平衡,以更好地应对算法预测性警务在未来可能面对的风险。

智能仪表预测性维护关键技术

智能仪表是大型工业过程和复杂装备系统传感与控制的“神经”,其健康状态直接影响系统的安全可靠运行。传统的智能仪表通常作为测量工具监测工艺过程和重点装备的运行状态,本体故障的忽视极易导致采集数据不准确、不可靠,影响工业过程管控效率,也易导致操作人员误判,从而引发安全事故。文中通过对智能仪表预测性维护的技术架构进行解析,建立了机理分析、数据采集、特征分析、故障自检、异常检测、故障诊断和寿命预测的技术路线,同时,从复杂工业过程视角将智能仪表分解为“传输”、“传感”和“传递”,总结了仪表本体级和系统级预测性维护的关键技术,分析了智能运维、安全仪表风险管控、信息安全风险管控3种典型应用场景,推演了诊断自组态和云边协同架构的技术发展趋势。研究可为智能仪表及系统运维由离线向在线、由预防性维护向预测性维护的转变奠定基础。

基于GA-BP的往复式压缩机状态监测与预测性维护

针对某增压站现有压缩机状态监控系统识别故障信号困难,故障发生前未能提前预警的问题,开发了面向预知维修的往复式压缩机状态监测与预测系统,建立一套完整的软件及硬件体系。气阀作为往复式压缩机的重要运动部件,其状态监测的测点位于阀盖外表面中心处,以气阀状态监测为例,建立了气阀盖振动力学模型。综合运用时域、频域和小波特征提取方法进行振动信号分析,得到正常状态和故障状态的信号特征,提取状态指标。运用遗传算法优化神经网络模型,建立基于GA-BP的往复式压缩机振动趋势预测模型,试验测得模型的预测误差小于0.04。现场应用结果表明,该系统可实现全天候实时在线监测与预测,实现预知维修,减少工作人员的维保压力,提高机组运行安全性和效率,节省运维成本。

不同预见期气候指数的干旱可预测性研究

为了探索可靠的干旱过程预测方法,以江苏省为研究区域,在识别历史干旱事件的基础上,提取干旱发生前期大尺度海气相互作用因子,形成0~12个月不同预见期的气候指数,将其分为大气环流类、海温类和大气海温综合类3个类别,分别建立具有0~12个月不同预见期的偏最小二乘回归干旱预测模型,通过模型后预测验证,定量分析干旱前期不同预见期气候指数对季节干旱过程的可预测性。结果表明,0~12个月不同预见期内,干旱同期“大气环流”模型对1994年夏秋季干旱等级预测较好;预见期为0~9个月的“海温”组的模型能预测出2010~2011年冬春连旱的过程变化,且结果稳定;干旱前期9~12个月西太平洋暖池的热力状况及西太平洋副热带高压,在不同预见期的干旱预测模型中均占较大权重,且在3个月预见期的干旱预测模型中所占权重最大,可作为江苏省季节尺度气象干旱的可预测性来源。研究成果可为季节尺度的干旱预测和干旱灾害综合防范提供科学依据。

基于特征选择的风机检修流程预测性监控方法

针对风机检修业务流程中存在的操作失误和工作延期等问题,应用业务流程预测性监控方法,预测业务的下一事件、下一事件执行时间和剩余时间,以提醒工作人员预防和避免风险的发生。首先,针对不同预测任务,提出一种基于优先级的特征自选取策略,并使用LightGBM(Light Gradient Boosting Machine)算法作为特征选择策略的依托预测模型,得到对预测结果有积极影响的输入特征;然后,针对不同预测任务分别采用LightGBM算法和LSTM(Long Short Term Memory)神经网络构建预测模型;最后,经实验评估和分析,在风机检修业务流程中,特征选择策略能够为不同的预测任务提供有效特征,确保预测的准确率,具有实际应用价值。对于不同预测任务而言,LightGBM算法更适用于下一事件任务预测,LSTM模型更适用于时间方面的任务预测。

区域选取对图像信息法可预测性的影响

图像信息(PI)法是一种基于统计物理学的地震预测方法,因其对中长期地震预测有较好的效果已在国内外广泛应用。PI方法在计算过程中对选取区域的所有网格参量进行了归一化,因此不同的区域选取会产生PI热点结果的变化。本文基于中国地震台网中心自1970年以来的全国M_(S)≥3.0地震目录,采用5年尺度的“异常学习时段”和“预测时间窗”以及1年尺度的滑动时间步长,以南北地震带2016年以来发生的M_(S)≥6.0地震的回溯性预测检验为例,研究了不同空间范围的选取对PI方法地震预测效能的影响。地震预测效能检验采用R值评分法和受试者工作特征(ROC)检验方法。结果显示:①在其它计算参数相同的情况下,不同的区域选取对PI预测结果有较大影响;②利用R值评分和ROC检验方法对不同研究区的预测效能进行评估时,区域内部地震活动性差异小的区域预测效果较好,而对于地震活动性存在较大差异的区域,地震活动性高的区域内发生的地震更容易被预测,推测导致这一结果的可能原因是地震活动性较强的区域出现的异常更显著,而算法里的归一化过程会抑制地震活动性较低区域出现的异常,从而造成漏报;③对于具体的目标地震,震中附近的PI热点图像会经历演化,因此利用PI方法向前预测时要结合多个时间窗口进行综合预测;④不同于其它天然构造地震的热点演化趋势,2019年四川长宁M_(S)6.0地震和2021年四川泸县M_(S)6.0地震震中附近热点反复出现、消失,可能与人工活动有关;⑤滇西南地区、海原断裂中东部附近、小江断裂中部地区、龙门山断裂南部和小江断裂东北部地区存在持续出现的PI热点,这些区域为值得关注的M_(S)≥6.0地震发震区域。

基于数字孪生的空气预热器预测性维护模式研究

【目的】为解决大型火电机组空气预热器传统预防性维护手段的弊端,提出了一种基于数字孪生预测性维护的一般模式,并基于数字孪生技术,构建空气预热器数字孪生系统。【方法】所提系统包括回转式空气预热器物理实体、实时数据采集与分析模块、数字孪生模型构建模块、热力参数状态监测、转子热场视频与热变形可视化及积灰预测模块;实时采集温度参数状态和视频数据,通过温度场、视频图像、漏风计算等模块,实现热力参数的计算并进行积灰的预测。同时,以3D组态画面实时显示数据,利用软件算法不断优化热力参数计算及积灰预测的准确度,实现吹灰策略自动优化。【结果】所提方案实现了空气预热器热力计算过程的状态监测与动态控制,解决现有电站中回转式空气预热器积灰因素影响火电机组安全可靠运行的问题。【结论】通过实际机组的工程测试,所提方案有效提高了火电机组空气预热器运行维护的效率,验证了所提方法的可行性,为后期智慧电厂系统的开发提供技术支撑。

基于数字孪生的自动化单元预测性维护参考框架

为提高以自动化单元(AMU)为代表的复杂设备运行可靠性、安全性、经济性,提出一种基于数字孪生的自动化单元预测性维护框架(DT-PMAMU)。分析AMU的常见组成结构与故障特征,研究数字孪生预测性维护的关键因素;在此基础上构建了由物理设备层、物联网数据采集层、数字孪生数据层、虚拟设备层、预测性维护服务层组成的多层次预测性维护框架。某铣削AMU实际应用表明:该框架取得了较好的应用效果,能够帮助相关人员快速建立预测性维护系统,有效降低了AMU实现智能运维任务的复杂度。

基于全局搜索策略WOA优化ELM的RUL预测性维护

实时掌握设备的剩余使用寿命(RUL),有助于降低工业互联网制造业中事故成本。为提高预测性维护准确度,使用基于全局搜索策略的鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)确定极限学习机(Extreme Learning Machine,ELM)的参数,提出一种新型剩余使用寿命预测模型(IWOA-ELM)。将该模型应用于膜过滤器剩余使用寿命的电子涂层超滤维护数据集,结果表明:与ELM、WOA-ELM预测模型相比,本文提出的IWOA-ELM模型极大地提高了预测精度,泛化能力更强,能有效地预测膜过滤器剩余使用寿命,以便提前计划维护。

面向预测性分析结果的数据故事化解释中的事件类型及生成方法研究

[目的/意义]数据故事化解释可以有效增强非专业人士对预测结果的信任和认知,事件作为数据故事的基本元素,研究事件类型和事件的自动生成方法对数据故事化解释有重要意义。[方法/过程]探讨了数据故事中事件的概念、特征、功能及类型,根据事件传递的信息类型将事件分为描述型事件和解释型事件。提出了事件的通用生成模式,基于此模式并结合概率统计方法,提出描述型事件中可靠性测试事件和公平性测试事件的生成方法,结合反事实解释方法、“What-if”和“Why-not”分析思想提出两种可解性测试事件的生成方法。[结果/结论]通过将事件生成方法应用到贷款数据集,验证了所提出的数据故事化解释中事件自动生成方法的可行性,并结合事件描述和解释了预测性分析结果。

中国东北极端持续大—暴雪事件的个例成因及可预测性

2013年11月东北大—暴雪持续日数为1982—2020年同期最多的一年。其中,2013年11月17—20日和25日先后发生两次强降雪过程,其中第一次过程降雪持续时间较长,而第二次过程日降雪强度强。基于此,从2013年11月月际异常气候背景和两次强降雪过程的角度,开展其成因和可预测性研究。研究结果表明,2013年11月北极涛动(AO)正位相异常偏强、类北太平洋涛动(NPO)负位相、巴伦支海以北的海冰月增长量(11月减9月)异常偏多和热带-南印度洋海温异常偏暖的气候背景有利于这次东北持续性大—暴雪事件的发生。其中,2013年11月巴伦支海以北的海冰月增长量偏多,意味着季节性海冰生长量增加使得向大气中释放的潜热通量增加,气温偏高,有利于AO正位相加强并激发罗斯贝(Rossby)波列,使得阿留申低压减弱;同时11月热带-南印度洋海温异常偏暖,热带印度洋对流加强和热带西太平洋对流减弱,有利于西北太平洋-阿留申地区维持“气旋-反气旋”式环流异常,呈现类NPO负位相。这样的环流形势有利于从北太平洋向东北地区持续输送水汽。第一次强降雪过程(17—20日)发生前5 d(12—16日)到降雪过程结束(20日),北大西洋涛动(NAO)维持正位相并且强度达到冬半年最强,由此激发持续东传Rossby波,使得西北太平洋-阿留申地区为持续性的南北向“气旋-反气旋”式环流异常,有利于北太平洋水汽持续输送至东北地区。在2013年11月25日第二次强降雪过程中,乌拉尔山阻塞高压显著加强,东北低涡加深,有利于热带西太平洋更为暖湿的水汽输送至东北地区,与北太平洋输送的水汽共同导致第二次强降雪过程的日降雪强度大。最后,利用CFSv2评估2013年11月异常气候背景的可预测性,结果表明CFSv2可提前1个月预测2013年11月热带-南印度洋海温异常偏暖,但对热带印度洋和西太平洋对流异常、NAO以及热带-中高纬大气遥相关预测能力较弱。在次季节尺度上,ECMWF(CMA)能提前29(12)d和13(16)d合理预测出两次过程降雪量的空间分布,这可能是由于模式能合理再现NAO和乌拉尔山阻塞高压等关键环流系统的逐日变化。因此未来还有待提升热带-中高纬大气遥相关、水汽输送以及平流层极涡的次季节-季节预测效能。

数字孪生技术在水厂设备预测性维护中的应用研究

针对水厂设备维护管理难度大的问题,研究利用数字孪生技术构建数字模型,并在故障预测中引入自组织映射神经网络,对水厂设备进行预测性维护。通过BIM技术构建水厂设备数字孪生底座,利用传感器、通讯网络等实现设备状态和关键参数的集成展示与实时监测,并结合自组织映射神经网络创建故障预测模型,制定相应的维护方案,通过数字孪生驾驶舱进行综合展示,为管理者提供全面的决策支持。结果表明,基于数字孪生的预测性维护管理显著减少了设备故障停机时间和维护成本,提高了设备管理效率。