基于知识图谱的鼓风机轴承温度智能预测

轴承温度是衡量鼓风机是否正常运行的重要指标之一.然而,轴承通常安装在狭小密闭的空间中,导致其温度难以实时准确检测.为了解决这个问题,设计了基于知识图谱的鼓风机轴承温度智能预测方法.利用统计方法分析鼓风机运行系统,获取与轴承温度相关的影响因素.结合运行机理和领域知识构建知识图谱,提取影响轴承温度的直接和间接特征变量.采用双模块模糊神经网络对知识图谱进行推理,实现对鼓风机轴温的实时准确预测.结果表明,基于知识图谱的鼓风机轴承温度智能预测方法可以准确地建模鼓风机系统,具有良好的温度预测能力.该项研究可以为轴承温度的实时监测和变化趋势预测提供支持.

基于敏感性分析的区间二型模糊神经网络出水总氮软测量

【目的】出水总氮检测在监测污水处理厂超标排放和预防水质富营养化中发挥了重要的作用,但仍存在精度低,实时性不强的问题。为解决城市污水处理过程出水总氮难以在线精准检测的问题,提出了一种基于敏感性分析的区间二型模糊神经网络(SA-IT2FNN)出水总氮软测量方法。【方法】采用敏感性分析法(Sensitivity Analysis,SA),选取与污水处理过程出水总氮关联性较强的主元变量。然后,将所选的关键主元变量作为IT2FNN的输入变量,通过训练模型参数建立出水总氮软测量模型。【结果】仿真结果显示:对于冬季数据集,SA-IT2FNN选取6个、8个、10个主元变量进行预测时,训练时间分别为6.2 s、7.8 s、9.7 s;均方根误差(Root Mean Square Error,RMSE)分别为0.44、0.35、0.33。另外,SA-IT2FNN选择8主元变量预测时,夏季和冬季对应的测试RMSE分别为0.38和0.39。【结论】结果表明:SA通过对模型的输入变量降维,有效提高了模型的预测效果;基于IT2FNN的总氮软测量模型在不同工况下都能够保证预测精度,具有较好的学习和预测能力。研究成果展示了人工智能在总氮检测中的独特作用,为污水处理出水指标高精度检测提供了有效的方法。