基于GPU的三维起伏地表单程波叠前深度偏移

相对于双程波逆时偏移,单程波叠前深度偏移具有计算效率高、高频信息保持好且易于提取成像道集等优势,适用于我国陆上高陡构造不甚发育探区。为满足陆上复杂地表三维探区海量地震数据成像的需求,发展了基于GPU平台的三维起伏地表裂步傅里叶(Split-Step Fourier,SSF)叠前深度偏移技术,并引入了单程波偏移的相位校正技术以及基于分布式炮域成像结果的偏移距域道集并行提取技术。陆上复杂断块及缝洞探区实际资料成像试处理表明:基于GPU的三维起伏地表单程波叠前深度偏移成像方法不仅计算效率高,而且能较为准确地刻画复杂断块及缝洞储集体,在横向变速不太剧烈及陡倾构造不甚发育的探区具有很高的应用价值。

基于谱形因子和Elman神经网络的高速轴承RUL预测方法

对风力发电机齿轮箱轴承进行有效地故障预测与健康管理(PHM),可以降低风力发电机轴承组件的故障率。针对风力发电机高速轴承剩余使用寿命(RUL)准确预测困难的问题,提出了一种基于谱形因子(SSF)和Elman神经网络(ENN)数据驱动的风力发电机高速轴承RUL预测方法。首先,引入了Teager能量算子(TEO)对所采集的风力发电机高速轴承原始振动信号进行了预处理;然后,基于短时傅里叶变换(STFT)构建了一种SSF,对轴承各故障特征指标进行了变换;利用TEO能量信号的单调性、趋势性及可预测性构建了适应度函数,对变换后的各指标进行了筛选,确定出了最适于预测轴承RUL的故障特征指标,并采用ENN和实测数据对一实际运行的风力发电机高速轴承进行了RUL预测实验;最后,将基于SSF和ENN的方法与3类已有数据驱动方法进行了定量对比分析。研究结果表明:轴承原始振动信号经过TEO预处理及SSF变换后,其对数熵的适应度最高;同时,与其他3类数据驱动方法相比,该预测方法的精度更高,且其预测精度能够在35 d内维持较高水平;该结果验证了高速轴承RUL预测方法的适用性与合理性。