多步距抬起步伐式输送带

介绍实现多种步距输送的原理和输送带结构，实践证明，运行可靠，效率较高，成本低，具有明显的经济效益。

多步距带式输送机棘轮机构的优化设计

提出了一种多步距间歇运动的带式输送机棘轮机构的优化设计方法 ,并给出了设计实例。

刀具磨损状态的多步向前智能预测

刀具状态的准确监测对于提高切削加工质量和加工效率至关重要。在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大。高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高。针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测。为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法。研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上预测误差分别降低了85.68%,20.67%和63.32%。

TC21合金在不同温度下进行连续多步置氢处理时的显微组织及室温力学性能

利用OM、XRD、TEM以及压缩试验等方法研究TC21钛合金经不同温度连续多步置氢处理后的显微组织及室温力学性能。结果表明:当氢处理温度超过1073 K时,α相的尺寸明显降低,β相成为主要相。随着氢处理温度的升高,δ氢化物的含量呈先增加后逐渐降低的趋势。当氢处理温度超过1073 K时,TC21钛合金在室温压缩变形过程中出现应变软化现象,且该现象随氢处理温度的升高而越来越显著。随着氢处理温度的升高,TC21钛合金的极限变形率呈先降低后增加的趋势。当氢处理温度为1123 K时,TC21钛合金的极限变形率比原始合金增加67.51%。

双路卷积神经网络和序列到序列的多步短期负荷预测

为提高多步短期电力负荷预测精度,满足实际应用中对于不同时间长度的预测需求,提出一种双路卷积神经网络和序列到序列相结合的多步预测方法。首先,构造双支路并行结构的特征提取网络双路卷积神经网络对负荷输入数据进行不同尺度的深层次特征提取;其次,分别以双向门控循环单元和长短期记忆网络作为编码器和解码器构建序列到序列网络,利用编码器对双路卷积神经网络的输出特征进行编码,并引入注意力机制完成输入数据到动态变化的中间向量的信息转换;最后通过解码器解码实现未来多个时刻的负荷序列输出。实验结果表明,所提方法较其他方法具有更优的多步预测性能。

基于CNN-GRU模型的USV运动姿态多步预测方法

针对单一模型在预测无人水面艇(Unmanned Surface Vessel,USV)运动姿态时精度不高的问题,提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的USV姿态多步预测模型。首先,使用滑动窗口法构造运动姿态数据集作为模型输入;然后,使用CNN模块挖掘时序数据的局部特征;最后,使用GRU模型进行多步预测。使用实测USV运动姿态数据进行预测实验,实验结果表明,该模型比XGBoost模型、单一LSTM模型和单一GRU模型具有更高的预测精度,各项评价指标表现更佳,具有重要的应用价值。

受海龟爬行与山羊行走启发的四足仿生移动机器人多步态规划及动力学分析

为解决救援机器人运动速度慢、环境适应性差和步态单一等问题,参照海龟与山羊的生理结构,设计了一种四足仿生移动机器人。首先,根据海龟能在松软地面上爬行以及山羊运动能力强的特点,为机器人规划了仿海龟爬行和仿山羊行走两种步态以适应不同环境,提高了机器人的运动性能。然后,对机器人支腿进行了动力学分析,通过建立动力学模型来获取机器人关节扭矩与运动性能参数之间的定量关系。最后,通过仿真和样机实验来验证机器人步态的可行性以及机器人的环境适应能力。结果表明,所设计的机器人结构稳定,步态规划合理,可适应不同的复杂地形。研究结果可为仿生机器人的设计与开发提供重要参考。

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

变压器油中乙炔门控循环单元网络多步预测超参数优化方法

油中溶解乙炔作为电力变压器中重要的放电程度表征参量之一,对其进行多步预测可以为变压器故障诊断及预警提供重要依据。现有的状态预测模型主要集中于单步预测,对于未来更长时期变化趋势的预测手段不足。此外,基于深度学习的多步预测模型的超参数选择大多基于经验和朴素的单一控制变量法,超参数之间的耦合关系没有得到充分的研究。文中提出基于多输出策略的门控循环单元(gated recurrent unit,GRU)神经网络多步预测模型,通过改变模型结构超参数和训练超参数研究超参数之间的耦合关系,使用多目标灰狼优化算法对不同预测结果倾向的GRU模型进行超参数优化。结果表明,GRU模型可以较为准确的对变压器油中乙炔含量进行30天预测,GRU模型的各超参数对输出预测结果的影响规律并不统一且相互影响,一组超参数无法同时达到多目标最优。多目标灰狼优化算法能够根据预测目标的不同,优化选择合适的超参数,为人工智能算法超参数的选取提供参考。

DPCA-POA-RF-Informer在多情景光伏多步预测中的应用

针对光伏发电波动性与不确定性对电力系统稳定产生的影响,对多情景光伏发电功率的多步预测进行研究。首先通过密度峰值算法根据太阳辐射量、温度、湿度等气象数据对天气状况进行精确分类。其次,为了使模型表现出更好的性能,建立了鹈鹕算法优化随机森林(POA-RF)的因素筛选特征变量,模型用鹈鹕算法对随机森林的决策树数目和深度两个参数进行寻优,加强了因素筛选的有效性。最后,基于Informer模型对不同天气状况的光伏功率进行多步预测。实例计算结果验证了所提模型预测精准度的有效性与精准性。

基于多视角特征提取与多任务学习的光伏功率多步预测

准确的光伏功率多步预测结果对于电网的调度优化具有重要指导意义,针对现有光伏功率多步预测方法对历史数据特征提取不充分、忽略多步预测值之间的关联性而导致的预测精度不足等问题,提出了一种基于多视角特征提取与多任务学习的光伏功率多步预测方法。首先,为获得丰富且全面的特征信息,从时序、局部、全局3个不同的视角对输入数据进行特征提取;其次,将多步光伏功率预测任务转化为多个单步光伏功率预测子任务,使用基于注意力机制与专家网络的多任务学习模型进行多步预测,实现对多步预测值关联性的充分利用;最后,提出了一种改进的动态权重平均法对损失权重进行自适应优化调整,进一步提升模型性能。算例测试结果表明,该方法能够有效提高光伏功率多步预测的准确性。

基于多通道多步融合的生成式视觉对话模型

当前视觉对话任务在多模态信息融合和推理方面取得了较大进展,但是,在回答一些涉及具有比较明确语义属性和位置空间关系的问题时,主流模型的能力依然有限。比较少的主流模型在正式响应之前能够显式地提供有关图像内容的、语义充分的细粒度表达。视觉特征表示与对话历史、当前问句等文本语义之间缺少必要的、缓解语义鸿沟的桥梁,因此提出一种基于多通道多步融合的视觉对话模型MCMI。该模型显式提供一组关于视觉内容的细粒度语义描述信息,并通过“视觉−语义−对话”历史三者相互作用和多步融合,能够丰富问题的语义表示,实现较为准确的答案解码。在VisDial v0.9/VisDial v1.0数据集中,MCMI模型较基准模型双通道多跳推理模型(DMRM),平均倒数排名(MRR)分别提升了1.95和2.12个百分点,召回率(R@1)分别提升了2.62和3.09个百分点,正确答案平均排名(Mean)分别提升了0.88和0.99;在VisDial v1.0数据集中,较最新模型UTC(Unified Transformer Contrastive learning model),MRR、R@1、Mean分别提升了0.06百分点,0.68百分点和1.47。为了进一步评估生成对话的质量,提出类图灵测试响应通过比例M1和对话质量分数(五分制)M2两个人工评价指标。在VisDial v0.9数据集中,相较于基准模型DMRM,MCMI模型的M1和M2指标分别提高了9.00百分点和0.70。

考虑未来功率需求的锂离子电池SOC多步预测

为提高荷电状态(SOC)多步预测精度,提出了基于长短期记忆(LSTM)的编码器-解码器用于SOC多步预测,在输入中考虑未来电池功率序列,在编码器和解码器上依次提取历史特征序列和未来功率序列的时间依赖信息。以某全电动飞机用锂离子电池包为应用案例,采集电池实验平台测试数据构建训练集和测试集,通过五折交叉验证选择模型的超参数。预测时长为300 s时,平均绝对误差、最大绝对误差和均方根误差分别为0.4231%、2.4847%和0.6450%。与没有输入未来功率的SOC多步预测模型进行对比,验证了在输入中增加未来功率能有效提高预测精度,与同样输入所有特征的多层感知机进行对比,验证了LSTM编码器-解码器具有更好的预测性能。

基于头峰的多步分解反应过程热失控特征参数计算方法研究

目前微通道反应器在含能材料合成领域广泛应用,极大提高了合成过程的安全性,但是仍然需要关注物料的热稳定性。绝热条件下最大反应速率到达时间(TMR_(ad))与TMR_(ad)为24 h所对应的引发温度(T_(D24))是两个表征危险化学品及含能材料热分解危险性的重要特征参数,这两个参数的传统计算方法为单步N级法和数值计算法,存在分析过程费时费力的缺点。为此,根据差示扫描量热仪动态升温测试曲线,提出了基于头峰(即多峰曲线分峰后的第一个峰)的热分解失控特征参数计算方法,采用穷举法比较了该方法与模型计算法的T_(D24)偏差,进行了数值模拟验证,并基于文献实验计算了1,8-二硝基蒽醌、改性硝基胍(M-NQ)、1,5-二硝基蒽醌和3,4-二硝基呋咱基氧化呋咱(DNTF)4种物质的热失控特征参数。数值模拟结果表明,对于两步和三步连续反应,T_(D24)的最大偏差百分比分别为2.88%和6.9%,最大偏差为6.41℃;对于三步连续反应,T_(D24)最大偏差为5.39℃。结果表明,4种含能材料的T_(D24)计算偏差分别为-4.55,0.71,3.16℃和-0.84℃,与模型计算法得到的T_(D24)相比,偏差百分比的绝对值均小于2%,证实了T_(D24)计算方法的有效性,计算T_(D24)时偏差较小,计算简便,能够较为准确地获得其热分解失控特征参数。

基于MIC-EEMD-改进Informer的含高比例清洁能源与储能的电力市场短期电价多步预测

随着电力现货市场的开展,短期电价预测对于各市场主体的决策有着重要意义,而高比例清洁能源与储能的不断接入给短期电价预测带来很大挑战。提出一种基于最大信息系数法(maximum information coefficient,MIC)、集成经验模态分解(ensemble empirical mode decomposition,EEMD)和改进Informer的短期电价多步预测模型。首先,采用MIC分析出与电价相关性较高的几类因素作为模型原始输入序列;然后,将上述原始序列进行EEMD分解后得到多条本征模函数(intrinsic mode function,IMF)和一个残余项后输入改进Informer分别得到翌日24点多步预测结果,再对预测结果进行滤波;最后,将滤波后序列的预测结果叠加得到最终的预测值。以西班牙电力市场数据进行验证,实验结果证明该模型可以有效提高电力市场短期电价多步预测精度。

地铁车站深基坑开挖变形智能多步预测方法

为更好预测深基坑开挖期间地下连续墙的侧向位移变形,基于长短期记忆神经网络(LSTM)智能算法理论构建了LSTM多步预测模型.首先对多步预测模型的多输出策略进行论述,其次详细介绍了LSTM多步预测模型的构建方法,并对模型输入集空间维度和时间维度两项超参数进行探究,以提高模型的预测准确度.最后依托某富水砂土深基坑工程实例,分析了模型预测值与实际监测值的差异.3个典型监测点的数据分析结果表明LSTM多步预测模型具有较强的泛化能力,相关算法对深基坑开挖变形预测方法的改进优化具有参考价值.

基于数据重采样与GRU神经网络的风电功率多步提前预测

准确预测不同时间尺度风电功率对于实现能源管理系统可靠运行至关重要。针对当前预测方法随着步数增加无法保持较高预测精度的问题,提出一种数据重采样技术与GRU神经网络相结合的风电功率多步提前预测方法;利用数据重采样技术对原始风电功率时间序列重新采样,得到新的风电功率时间序列;通过GRU神经网络对重新采样的时间序列进行单步提前预测,实现对原始风电功率时间序列的多步提前预测。利用澳大利亚某风力发电厂2022年、2023年数据进行试验,结果表明,本文方法比已有方法的平均绝对百分比误差和均方根误差至少降低了1.94%和6.13,具有更好的预测结果。

汽车横梁多步冲压成形全工序仿真分析及应用

为研究多步冲压成形CAD/CAE技术对汽车结构件成形性能的影响,运用UG软件与AutoForm软件对汽车横梁进行坯料的排样设计、工序件的定位设计以及全工序冲压成形仿真研究。研究结果表明,所设计的12道工序排样能够满足制件的多步冲压成形需求;对虚拟去除材料对应的工序后获得的工序进行全工序有限元仿真,获得了合格的分析结果;制件形面精度满足装配要求,且关键部位的尺寸偏差基本达到要求。

基于机-岩状态识别和融合注意力的盾构姿态多步预测

为准确预测未来多个时刻的盾构姿态,帮助盾构操作人员提前识别盾构姿态变化趋势,以进行早期决策,提出基于机-岩状态识别和融合多尺度的特征-时域注意力机制的知识-数据双驱动盾构掘进姿态多步预测方法。引入实时反映机-岩工作状态关系的场切入指标FPI、单位贯入度的刀盘扭矩指标TPI、分区可掘性指标FPIR、螺旋机性能指标STP等复合参数指标,作为模型的输入特征参数,并构建以GRU为基础单元的Encoder-Decoder网络结构。在特征维度上,采用融合多尺度一维卷积的特征注意力机制,自适应捕捉不同层次、不同尺度的盾构掘进参数特征;时间维度上,在解码器中引入时域注意力机制,充分挖掘盾构掘进数据中的长期历史信息和短期输入输出序列的隐藏依赖关系。广州地铁12号线盾构掘进历史数据的模型测试结果分析表明,该预测方法在不增加网络复杂性的前提下,既缓解了算法自身在寻优、迭代和匹配时产生的可解释性差、效率低等问题,又大幅提升模型的特征提取、时间序列的相关性捕获及长期趋势挖掘的能力,实现盾构掘进姿态的精准多步预测,其性能明显优于门控循环神经网络LSTM、GRU及其经典组合模型GRU-SelfAttention、GRU-MultiheadAttention等。研究结果为进一步完善盾构掘进姿态预测方法、提升盾构掘进姿态优化控制水平提供参考。

多步攻击检测关键技术研究展望

多步攻击检测技术通过分析告警日志数据,挖掘攻击场景,辅助实现高威胁攻击路径的早期发现,从而降低安全威胁风险,提高网络和信息系统的安全性.分别介绍了多步攻击检测的3种关键技术:基于告警相似性、基于告警因果知识和基于模型的多步攻击检测技术.通过比较分析,剖析了3种技术的差异.同时,还探讨了多步攻击检测技术的未来发展方向,包括与隐私计算、溯源图和因果推断等技术的融合.这些技术的融合将为网络安全提供新思路和方法,以应对不断复杂化的安全威胁.