基于优化小波分量的高铁桥墩沉降异常探测方法

针对高铁桥墩沉降数据中传统异常值探测方法存在探测结果不理想的情况,提出一种基于优化小波分量的高铁桥墩沉降异常值探测方法。所提方法在拉依达准则法的基础上,通过优化小波分量降低小波分量中的噪声影响并充分利用小波分量中的有效信息。利用模拟实验数据和工程实例数据进行实验,并与拉依达准则法、IQR法、MAD法以及4种传统小波组合方法进行对比分析。实验结果表明,文中所提方法相较于单一异常值探测方法和其它小波组合方法能够探测出更多的异常值,且探测结果更加可靠。

基于VMD-ORELM-EC的超短期风速组合预测模型

为提高超短期风速预测的精度,文章提出一种基于变分模态分解(variational mode decomposition,VMD)、离群鲁棒极限学习机(outlier-robust extreme learning machine,ORELM)和误差修正(error correction,EC)的超短期风速组合预测模型VMD-ORELM-EC。首先利用VMD将原始风速序列分解,并对每个分解子序列分别建立ORELM模型,将各子模型预测结果相加得到模型初步预测序列;然后将原始风速序列与初步预测序列相减得到模型的误差序列,并对误差序列进行VMD分解,对分解得到的误差子序列建立ORELM模型,从而得到误差预测序列;最后将模型的初步预测序列与误差预测序列组合得到最终的风速预测序列。利用该文提出的预测模型对北京测风塔实测的风速数据进行分析,结果表明模型可以有效挖掘风速序列特性,在超短期风速预测上具有较高的预测性能。

基于速度-关联约束的风电机组风速感知异常数据识别方法

该文以风速时空关联特性为理论依据,针对风速数据单独清洗构建一种基于速度-关联约束的异常风速数据识别方法。分析了风电场典型异常风速的产生原因和分布特征,根据数据的变化趋势,将异常风速概括为突变型异常数据和渐近型异常数据两类;为提升风速数据清洗方法的准确性,提出一种基于二元形态分割算法的风速数据时序区间分割方法,将全局风速序列在时序上划分为多段分布独立的局部风速子序列,分别对每段风速子序列构建速度-关联约束条件,实现异常风速数据的识别。验证结果表明,所提方法能够有效识别风电场各类异常风速数据,清洗效果好、效率高,具有普适性和鲁棒性。

一种飞参发动机转速数据中野值去除方法

为了提高飞参发动机转速数据中野值的剔除效率,提出使用基于样本分位数原理并采用间隔取样的野值检测法能够有效识别并合理替换野值。该方法采用样本分位数方法无须进行复杂的参数及内部设置即可实现野值。对基于Savitzky-Golay滤波器的野值去除方法研究发现该方法也具有良好的野值识别能力,虽然计算量较大但通用性较强。两种方法均可有效提取出飞参数据中的野值,为后续飞参数据处理奠定基础。

PLC中建立离群数据算法模型在光缆生产绞合线上的应用

生产中扎纱装置高速旋转,纱线的断开不易发现,传统的成绞扎纱设备没有合理有效的检测装置,导致套管在过绞合装置、扎纱装置时断纱误报警或报警不及时。由于设备以65m/min的速度高速运转,断纱的产生如不及时发现,将对后续护套生产工序的生产产生很大的安全隐患,导致非标产品,即浪费原料成本、人工成本,同时也影响产品的产能,不利于生产。通过PLC采集扎纱电机和纱团电机速度信号利用其生产的工艺原理,在PLC对扎纱电机与纱团电机速度信号做离群数据分析算法模型,发出报警信号并控制安装所述断纱检测装置的装置停机。

动态检测数据驱动的高速铁路有砟轨道几何不平顺超限大值预警方法

为了对高速铁路有砟轨道几何不平顺幅值超限进行准确预警,结合局部异常因子算法,提出了一种动态检测数据驱动的轨道几何不平顺维修作业识别方法。首先,基于支持向量机(Support Vector Machine,SVM)算法对轨道几何不平顺超限劣化过程进行分析,将影响列车运行的持续劣化超限作为研究对象;随后,使用局部异常因子(Local Outlier Factor,LOF)算法对轨道几何不平顺维修作业进行识别,依据识别结果划分超限劣化过程;最后,对两次维修作业之间的检测数据进行分析,验证轨道几何不平顺幅值的劣化为线性过程,并对几何不平顺幅值进行预测。利用该方法对某线路进行劣化分析,并与近6年的动态检测数据对比。结果表明:该方法识别维修作业准确度达91%;基于鲁棒回归的劣化模型能够准确预测轨道几何不平顺超限大值。该方法不需历史维修作业数据,可自动划分劣化过程,通过几何不平顺幅值预测模型对超限发展进行预测,及时预警几何不平顺超限大值。

一种基于k-means聚类的实时气温动态质量控制方法

针对当前实时气温质量控制存在的问题,提出了一种基于k-means聚类的动态控制算法。算法首先用k-means方法将区域内各测温点划分为若干气温相似的聚类,然后分别对各聚类内的点进行离群率和离群速度的判别,以确定各点的质量。与传统气温质量控制方法相比,该算法采用单点气温与整体气温相比较的思想,不需要预先设置气温参考极值,因而更具有实用性和科学性。而且,算法的复杂度较低,适合较大气温输入数据集的计算。

基于高斯过程回归和粒子滤波的短期风速预测

建立高斯过程回归和粒子滤波相结合的短期风速预测模型,实现对历史风速序列异常值的在线动态检测与修正。首先,在训练样本集中通过高斯过程回归建立状态空间方程,采用粒子滤波算法对当前量测值进行状态估计,对估计值和量测值的残差进行分析,并根据"3σ"原则判断异常值。其次,修正异常值,并对修正后的风速序列重新建立高斯过程回归预测模型。在进行提前15分钟风速预测时,同样采用粒子滤波算法对最新量测值进行状态估计,实现了异常值在线检测并修正。算例分析结果表明,粒子滤波算法能够有效检测出异常风速值,降低了风速预测误差,提前15分钟风速预测时平均绝对百分比误差和均方根误差分别降至8.92%和0.5826 m/s。

基于深层玻尔兹曼机的风电场异常风速值自适应检测预处理方法

为提高现有风电场数据采集系统的准确性和可利用性,提出了深层玻尔兹曼机(DBM)、经验模态分解(EMD)和隐马尔科夫(HMM)组合算法处理运行数据含有少量异常风速值的自适应检测方法。针对风速序列的随机多变性,采用DBM预测方法挖掘异常风速值的潜在特征,得到反映风速值异常情况的残差序列;进一步提高检测精度和降低系统误差的干扰,采用EMD方法捕获残差序列中粗大误差的特征;借助HMM算法的双重随机过程自适应地并剔除检测异常风速点,避免了传统阈值检测方法难以准确识别异常值的问题;最后,为了得到完整的风速序列,对检测出的异常点运用加权双向ARMA算法修正数据。RBF预测结果验证表明,经预处理后风速质量得到了提高,所提方法与传统小波异常值检测方法相比具有更精确的辨识能力,进一步提高了短期风速的预测精度。

基于离群点检测和PSO-BP的超短期风速预测

为降低风电场的运营成本和提高设备维护效率,提出了基于离群点检测和PSO-BP的风速预测模型。将基于距离和统计学的离群点检测方法结合,并通过分组剔除风速数据中的异常值;然后利用小波阈值去噪算法对风速数据进行去噪;最后使用粒子群算法优化后的BP神经网络进行预测。仿真结果证明,改进的离群点检测方法和小波阈值去噪降低了风速数据的波动性和随机性;对于3组不同风速数据,基于离群点检测和PSO-BP预测模型的预测精度均高于其他对比模型。

基于模糊聚类建立模糊模型的新方法

为了实现自动建立Mamdani模糊模型,提出了一种基于局部数据密度的新方法.该方法采用局部近似隶属函数的模糊聚类算法对数据进行学习,从而挖掘出潜在的模糊规则集和隶属函数的参数,实现自动建立Mamdani模糊模型.在聚类时,不需要事先指定类的数目,确定类中心的同时能自动识别噪声,因此在建模时不需要做额外的去噪声处理.使用该方法对交通信息预测进行了仿真实验,结果表明本文提出的模糊建模方法行之有效.

一种新颖的基于密度的祛噪声方法

由于采集技术和设备的局限,以及外界的各种干扰,采集得到的数据中常常参杂着噪声,直接影响着后续数据分析的结果.传统的祛噪声方法,或是依赖于数据服从某一特定分布的假设,或是只能对服从单一分布的数据进行祛噪声处理,这些固有的缺陷大大降低了处理后数据的可信度.本文提出了一种新颖的基于密度的祛噪声方法,并应用在实际交通数据的处理中.通过与传统方法的实验比较,结果表明该方法摒除了传统方法的缺陷,能够对服从多个相异分布的数据进行有效的祛噪声处理,且处理后的数据能够很好地保留系统本质的特征.

基于Kmeans-EMD与IWOA-Elman的碾压速度异常值检测与修正

碾压速度是评价压实质量的重要指标,但在监控过程中,碾压速度易受施工环境、定位漂移等干扰而出现异常检测值,影响压实质量的评价精度,但目前还缺乏对碾压速度异常值检测与修正的相关方法研究。为保障碾压速度的数据质量,结合碾压速度的时序变化特征,利用Kmeans算法初步定性检测异常值,弱化异常值对经验模态分解(EMD)结果的影响,并基于EMD实现对异常值的精细定量检测,提高异常值检测的精度;进而利用经混沌种群初始化、非线性收敛因子、自适应惯性权重与鲶鱼效应-黄金正弦改进的鲸鱼优化算法(IWOA)优化Elman神经网络,并构建碾压速度异常值修正模型,实现对碾压速度异常值的修正。将本文方法应用于西南某大型水电工程,结果表明:Kmeans算法与EMD的联合作用相比箱线图法可更高精度地检测碾压速度中的异常值;IWOA-Elman神经网络预测值与真实值的相关系数达到0.907 75,相比常规模型不仅可以更好地确保数据的完整性与可靠性,还可以为压实质量的高精度评价奠定良好的数据基础。

基于AMDF和DTS的洗衣机脱水阶段振动信号转速提取

国标GB/T4288-2018要求将传感器安装在洗衣机箱体上进行振动量检测,而转速测量要求传感器安装在洗涤筒外,效率较低。因此,提出采取利用外箱体的加速度传感器来进行脱水转速提取,可实现不拆卸状态下的转速及振动量的同时检测。根据洗衣机脱水阶段的上升控制段与自由衰减段转速曲线的不同特点,提出采用平均幅度差函数(Average Magnitude Difference Function,AMDF)和差分阈值分段(Differential Threshold Segmentation,DTS)处理相结合的算法来提取脱水阶段振动信号对应的转速,判断并截除衰减段信噪比和能量过低信号对应的转速曲线,修正完整转速曲线中的少数奇异点。采用某型波轮洗衣机的三种不同的脱水时间模式进行实验,实验表明:实测的平稳段和目标段转速曲线和理论转速曲线相比较,误差满足国标精度要求。

QJT250/1140(660)型调速启动器在煤矿中的应用

针对QJT250/1140(660)型矿用刮板输送机调速启动器使用限矩型液力耦合器、双速电机存在的问题,详细介绍了JT250/1140(660)矿用刮板输送机调速启动器的控制原理、调速启动方式,通过在晋华宫矿使用,取得良好的效果,基本满足使用要求。

基于EWT-FIG和ORELM模型的风速多步区间预测

针对风速预测具有较强的不确定性,提出了一种经验小波变换—模糊信息粒化和变异鲁棒极限学习机组成的短期风速区间预测模型。该模型采用经验小波变换将原始风速分解为若干个模态分量和一个剩余量,并对所有分量进行重构,为了缩小预测区间范围,仅对重构后的剩余量进行模糊粒化,根据需求提取每个窗口的最大值、平均值和最小值,然后对极限学习机进行优化,最后对所有分量建立离群鲁棒极限学习机预测模型,叠加预测值实现风速多步区间预测。实际算例表明:所提多步区间预测方法能有效跟踪风速变化,具有较高的预测精度和可靠的区间预测效果。

基于混合分解技术的鲁棒极限学习机的风速预测

提出一种基于混合分解技术的改进鲁棒极限学习机的风速预测模型。混合分解技术的特殊性在于采用变分模态分解,把互补集合经验模式分解所产生的高频固有模态函数进一步分解为多个模态分量,以提高短期风速预测的精度。然后对混合分解技术分解得到的全部风速分量分别建立鲁棒极限学习机模型进行预测,并采用一种改进鲸鱼优化算法对鲁棒极限学习机的参数进行微调。最后,根据西班牙某一风电场实际风速数据进行风速多步短期预测。实验结果表明:基于混合分解技术和改进鲸鱼优化算法优化鲁棒极限学习机的组合预测模型在风速预测中取得较好的预测效果。