A Model-free Approach to Fault Detection of Continuous-time Systems Based on Time Domain Data

In this paper, a model-free approach is presented to design an observer-based fault detection system of linear continuoustime systems based on input and output data in the time domain. The core of the approach is to directly identify parameters of the observer-based residual generator based on a numerically reliable data equation obtained by filtering and sampling the input and output signals.

Direct data domain approach to space-time adaptive processing

In non-homogeneous environment, traditional space-time adaptive processing doesn＇t effectively suppress interference and detect target, because the secondary data don＇ t exactly reflect the statistical characteristic of the range cell under test. A ravel methodology utilizing the direct data domain approach to space-time adaptive processing （ STAP ） in airbome radar non-homogeneous environments is presented. The deterministic least squares adaptive signal processing technique operates on a ＂snapshot-by-snapshot＂ basis to dethrone the adaptive adaptive weights for nulling interferences and estimating signal of interest （SOI）. Furthermore, this approach eliminates the requirement for estimating the covariance through the data of neighboring range cell, which eliminates calculating the inverse of covariance, and can be implemented to operate in real-time. Simulation results illustrate the efficiency of interference suppression in non-homogeneous environment.

Using Data Mining with Time Series Data in Short-Term Stocks Prediction: A Literature Review

Data Mining (DM) methods are being increasingly used in prediction with time series data, in addition to traditional statistical approaches. This paper presents a literature review of the use of DM with time series data, focusing on shorttime stocks prediction. This is an area that has been attracting a great deal of attention from researchers in the field. The main contribution of this paper is to provide an outline of the use of DM with time series data, using mainly examples related with short-term stocks prediction. This is important to a better understanding of the field. Some of the main trends and open issues will also be introduced.

Direction-of-arrival estimation based on direct data domain (D3) method

A direction-of-arrival （DOA） estimation algorithm based on direct data domain （D3） approach is presented. This method can accuracy estimate DOA using one snapshot modified data, called the temporal and spatial two-dimensional vector reconstruction （TSR） method. The key idea is to apply the D3 approach which can extract the signal of given frequency but null out other frequency signals in temporal domain. Then the spatial vector reconstruction processing is used to estimate the angle of the spatial coherent signal source based on extract signal data. Compared with the common temporal and spatial processing approach, the TSR method has a lower computational load, higher real-time performance, robustness and angular accuracy of DOA. The proposed algorithm can be directly applied to the phased array radar of coherent pulses. Simulation results demonstrate the performance of the proposed technique.

A Service-Based Intelligent Time-Domain and Spectral-Domain Flow Aggregation in IP-over-EON Based on SDON

The rapid growth of IP traffic has contributed to wide deployment of optical devices in elastic optical network.However,the passband shape of wavelength selective switches(WSSs)that are used in reconfigurable optical add-drop multiplexer(ROADM)/optical cross connect(OXC)is not ideal,causing the narrowing of spectrum.Spectral narrowing will lead to signal impairment.Therefore,guard-bands need to be inserted between adjacent paths which will cause the waste of resources.In this paper,we propose a service-based intelligent aggregation node selection and area division(ANS-AD)algorithm.For the rationality of the aggregation node selection,the ANS-AD algorithm chooses the aggregation nodes according to historical traffic information based on big data analysis.Then the ANS-AD algorithm divides the topology into areas according to the result of the aggregation node selection.Based on the ANS-AD algorithm,we propose a time-domain and spectral-domain flow aggregation(TS-FA)algorithm.For the purpose of reducing resources'waste,the TS-FA algorithm attempts to reduce the insertion of guard-bands by time-domain and spectral-domain flow aggregation.Moreover,we design a time-domain and spectral-domain flow aggregation module on software defined optical network(SDON)architecture.Finally,a simulation is designed to evaluate the performance of the proposed algorithms and the results show that our proposed algorithms can effectively reduce the resource waste.

基于组合时域特征提取和Stacking集成学习的燃煤锅炉NO_(x)排放浓度预测

为提高火电厂锅炉出口NO_(x)排放浓度的预测精度,提出一种考虑组合时域特征的Stacking集成学习模型。首先,为挖掘数据深层信息,采用时序分析、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)和统计学计算数据标准差、偏度等特征的方法进行组合时域特征提取以构建重构数据;其次,考虑到重构数据中存在的冗余变量对模型的精度有所影响,利用遗传算法(genetic algorithm,GA)对重构数据进行特征降维;最后,为充分发挥各个模型的优势以提高模型的预测精度,构建以极限学习机(extreme learning machines,ELM)、深度神经网络(deep neural networks,DNN)、多层感知器(multilayer perceptron,MLP)、极限梯度提升算法(extreme gradient boosting,XGBoost)为基模型和以回声状态网络(echo state network,ESN)为元模型的Stacking集成学习NOx排放浓度预测模型。实验结果表明:该预测模型在不同数据集下都有着不错的预测效果,预测误差均小于2%,能够对锅炉NOx排放浓度实现精准预测。

基于数据-模型混合驱动的电力系统机电暂态快速仿真方法

数据驱动建模方法改变了发电机传统的建模范式,导致传统的机电暂态时域仿真方法无法直接应用于新范式下的电力系统。为此,该文提出一种基于数据-模型混合驱动的机电暂态时域仿真(data and physics driven time domain simulation,DPD-TDS)算法。算法中发电机状态变量与节点注入电流通过数据驱动模型推理计算,并通过网络方程完成节点电压计算,两者交替求解完成仿真。算法提出一种混合驱动范式下的网络代数方程组预处理方法,用以改善仿真的收敛性;算法设计一种中央处理器单元-神经网络处理器单元(central processing unit-neural network processing unit,CPU-NPU)异构计算框架以加速仿真,CPU进行机理模型的微分代数方程求解;NPU作协处理器完成数据驱动模型的前向推理。最后在IEEE-39和Polish-2383系统中将部分或全部发电机替换为数据驱动模型进行验证,仿真结果表明,所提出的仿真算法收敛性好,计算速度快,结果准确。

基于时频域参数分析的直流电弧故障检测装置

针对现有的直流电弧故障检测方法容易受到环境影响,无法实现精准检测,且算法结构复杂,难以部署于实际应用,基于短时傅里叶变换设计一种直流电弧故障检测算法。通过分析电弧电流信号在频域上的幅值变化趋势,将频谱划分为不同的阶段,计算不同阶段频率积分的比值,根据大量实验结果得到判定的阈值从而实现电弧故障检测。最后,选择合适的单片机实现检测算法并进行测试,验证所提算法的有效性。结果表明,所提算法不仅能在多种类型负载并联的情况下及时检测出电弧故障,检测的准确率可达94.4%,而且在面对正常状态电流时的误判率为0,证明其具有较好的稳健性。

基于权值平滑的自适应调零算法研究与实现

在卫星导航定位系统中,由于导航信号的功率较低,在到达地面时极易受到干扰,导致定位失败。自适应零陷技术可以有效地提高卫星导航接收机的抗干扰能力,然而由于常规的空时联合最小功率响应会时常出现零陷抖动,不能有效的对准干扰来向,从而导致接收机的抗干扰性能下降。对于该情况,本文提出对抗干扰算法中的权值进行平滑滤波处理的方法,并且通过仿真验证、FPGA实现、现场实测等手段验证了该算法的可行性。该方法可有效抑制系统权值以及零陷位置的抖动,从而提高抗干扰算法的稳定性和可靠性,对相关工程领域具有一定的参考价值。

基于时域卷积网络的精轧出口厚度预测

以精轧过程为研究对象,引入时域卷积网络算法,构建了基于时域卷积网络的精轧出口厚度预测模型。利用时域卷积网络模型提取精轧过程时序数据的特征信息,通过优化模型结构和参数,提升精轧出口厚度预测性能。实际钢种数据集仿真实验结果表明,相较于传统方法,本文所提出的时域卷积网络算法在均方根误差、平均绝对百分比误差及决定系数等评价指标方面存在较大优势,可为现场工程师提供重要的决策信息。

不同域下基于UNet的三维地震数据重建

由于自然因素的限制以及经济条件的约束,采集到的地震数据通常存在地震道的缺失,需对缺失数据进行插值。然而,目前基于深度学习的方法大多在某一固定的域下完成地震数据的插值。为了对比不同域下地震数据重建结果的差异,本文基于UNet网络,对比了五种不同域下的地震数据插值方法,分别为:t-x(time-space)域,时间切片,f-x(frequency-space)域,频率域按炮切片以及三维方法。在仿真数据集和真实数据集上进行了实验,通过三维重建结果,二维切片,不同缺失率的地震数据重建信噪比以及五种方法的耗时对比,全面展示了几种方法在地震数据重建问题上的差异。实验结果显示,五种方法在一定程度上均可重建缺失数据,其中三维方法可以取得最高的重建精度,和基于f-x域的方法相比,重建信噪比提高了近2 dB;但三维方法以三维数据块作为输入训练网络,所以最为耗时,网络一轮的训练时间比其它方法多70~170 min。此外,对不同缺失率的地震数据重建结果显示,三维方法和基于f-x域的方法在重建高缺失率的地震数据时更有优势。

基于杂波和噪声联合稀疏特性的直接数据域STAP方法

针对机载预警雷达空时自适应处理(space-time adaptive processing,STAP)所面临的异构杂波环境,基于杂波和噪声的联合稀疏特性提出了一种直接数据域(direct data domain,D3)STAP方法。首先通过子孔径平滑技术扩充训练样本集合;然后基于杂波谱二阶表征理论构造STAP功率字典矩阵、导出目标函数,并解得待检测单元信号的空时功率谱;最后根据杂波先验信息重构无孔径损失的杂波加噪声协方差矩阵。数值实验验证了所提方法的协方差矩阵估计精度高于传统的稀疏恢复D3-STAP算法,且在理想情况和存在阵列误差的情况下,所提方法皆具备更好的低速目标检测性能。

光纤通信在远程电力监控系统中的关键应用

随着现代社会对电力系统稳定性和效率的要求日益提高,光纤通信技术在远程电力监控系统中的应用变得尤为关键。文章从光纤通信的基本原理出发,对比分析光纤与传统电缆的优势,并详细分析光纤在数据传输高效性、实时监控和故障检测等方面的应用。此外,深入讨论光纤监控系统中远程光纤测试系统(Remote Fiber Test System,RFTS)、光时域反射仪(Optical Time Domain Reflectometer,OTDR)以及地理信息系统(Geographical Information System,GIS)等关键组件的作用和功能。文章全面概述光纤通信在远程电力监控系统中的应用,强调光纤通信技术对于提高电力系统运行效率和可靠性的重要性。

基于双数据源的直流输电线路故障测距方法

介绍了针对直流输电线路的双端行波法、单端行波法和时域故障分析法等故障测距方法的原理、特点及应用现状。针对实际工程应用中出现的行波测距法数据来源可靠性相对较低以及时域故障分析法故障测距精度低等问题,提出了时域故障分析法与行波法相结合的直流输电线路综合故障测距方法。利用双数据源,包括高速数据及低速数据,通过单端行波法/时域法分别计算可能故障点,并利用小波变换模极大值的幅值、极性特征筛选确定故障点,将单端行波测距法的精度优势和时域法测距数据的可靠性优势相结合。最后通过PSCAD仿真对该方法的有效性进行了验证。

压裂工程智能预警模块建设与应用

围绕高效勘探开发和智能油气田建设的目标,介绍了压裂工程智能预警模块的设计,以正常施工特征集、异常数据知识库、标准规程等压裂专业资料为基础,采用大数据监测技术、预警计算分析模型,初步实现压裂工程预警和方案优化,形成数据驱动增产模式。在某工区的示范推广应用取得了良好效果,为国内压裂生产数字化提供借鉴。

物理指标与数据特征融合驱动的冲击地压时序预测方法

煤矿智能化建设的大背景下,如何高效的从冲击地压海量监测数据提取有效信息与提高预测预警准确率是未来的研究重点与难点。为解决目前基于物理指标冲击地压预测方法泛化能力较差、对海量数据特征挖掘不充分的困境,结合深度学习技术,初步尝试建立了物理指标与数据特征融合驱动的冲击地压时序预测方法。以陕西彬长矿区某强冲击危险工作面为背景,分析了多次大能量事件发生前物理指标的变化特征,并统计剖析了仅使用物理指标驱动的冲击地压危险预测指标的短板与不足;提出采用物理指标与数据特征融合驱动的冲击地压时序预测方法,预测模型包括数据预处理、特征提取以及预警模型构建3个模块,数据预处理将原有微震监测数据处理为具有特定时间窗的前兆模式序列,特征提取主要包括基于物理指标的显式特征以及基于卷积神经网络的数据隐式特征提取,提出基于注意力机制的显式特征和隐式特征的深度融合方法,并通过全连接网络实现预测模型分类,实现对不同冲击危险等级的大能量事件进行预测。模型测试结果表明:预测时长为未来1 d、未来2 d以及未来3 d时预测F1分别可达0.956、0.950以及0.854,现场可根据需求选用预测时长;工程应用时模型可对大能量事件准确预测,误差分析结果表明模型预测准确率较高,可满足现场需求。

一种改进的稀疏恢复直接数据域STAP方法

稀疏恢复空时自适应处理(Sparse Recovery Space-Time Adaptive Processing, SR-STAP)方法可以利用少量训练快拍数据估计出较为准确的杂波协方差矩阵(Clutter Covariance Matrix, CCM)。然而,复杂的杂波环境对运动目标的检测不利。为了改善检测性能,本文提出了一种改进的稀疏恢复直接数据域(Direct Data Domain, D3)STAP方法。首先构造待检测快拍数据对应的全局空时导向字典,对雷达检测回波数据进行稀疏恢复得到稀疏向量,然后根据先验知识从稀疏向量中挑选出杂波和目标元素,实现二者的分离,最后对目标和杂波进行功率谱估计和滤波处理。实验表明,本文所提方法可以在只有一个检测样本的条件下分离目标和杂波,避免杂波分布的非均匀性问题,提高运动目标的检测性能。

基于聚类轨迹优化机制的大数据网络社区人工智能评估算法

为解决大数据部署过程中存在的一些不足,如难以迅速实现热点捕捉、聚类生存周期短、能耗较高等问题,提出了一种基于聚类轨迹优化机制的大数据网络社区人工智能评估算法.首先,算法针对网络聚类存在的社区性及热度性特点,基于矢量矩阵映射并采取信号抽样方式精确捕获节点对应的信号时域特征,以提高算法对网络节点热度的评估效果;随后,进一步采取积分映射方式按列重新排列信号空间的特征矢量,设计了基于特征矢量的网络热点显示方法,以增强算法对网络热点的捕获能力,进一步提升算法性能.仿真实验表明:与常用的多维检测评估算法邻域相似度评估算法相比,该算法具有聚合显影能力较强、评估失误率低等特点,具有很强的实际部署价值.

应用样条拟合与插值法抑制航空电磁运动噪声

呈现低频特性的运动感应噪声源于电磁感应接收线圈在地磁场中的运动变化,在固定翼时间域航空电磁测量数据中,其幅值往往达到有用信号的成百上千倍,原始数据中运动噪声的精确估计是目前时间域航空电磁法数据去噪技术的重点研究方向。针对电磁感应接收信号的特点,首先应用三次样条拟合法在截取的半周期晚期信号中压制高频干扰,提取低频运动噪声信息,然后用一维样条插值法估计连续的全周期运动噪声,最后从观测信号中减去估计信号,从而实现对运动噪声的抑制。对模拟数据和实测数据的应用研究结果表明,样条拟合与插值法对低于发射基频运动噪声的抑制效果显著,选用较小的均衡参数可以提高噪声压制能力,选用较大的延迟取样点,可以减轻对晚期有用信号的损伤,提高深部探测能力。