数据驱动的旋转设备性能退化趋势预测方法

为解决在役状态监测系统采用常规固定阈值报警方法难以追踪旋转机械性能退化发生和发展的问题,应用振动监测原始数据和实时监测原始数据构建了数据驱动的旋转设备性能退化趋势预测模型,提出一种基于谱距离指标运行可靠性曲线l_(1)趋势滤波的旋转设备性能退化趋势预测方法。应用美国辛辛那提智能维修信息系统(IMS)中心轴承实验数据和中国某石化公司离心压缩机转子不平衡故障案例数据验证了所构建的旋转设备性能退化预测模型。结果表明,数据驱动的旋转设备性能退化预测模型只需要运行正常状态振动原始数据,无需依赖外部专家先验知识,能够准确预测和追踪旋转设备性能退化趋势的发生和发展。

数据驱动的滚动轴承实时健康状态评估方法

为解决工业企业旋转设备滚动轴承健康状态难以实时在线量化评估的难题,基于单调性原则筛选多尺度互相关系数均值和多尺度谱距离指标均值作为健康指数,采用多尺度分析、改进的l_(1)趋势滤波、模糊C均值聚类分析方法,构建了一种数据驱动的滚动轴承实时健康状态评估模型和评估准则知识库;借鉴迁移学习基本原理,提出了一种实时待测数据向构建的健康状态评估准则知识库对应的坐标体系下的数据映射方法;应用“运转到坏”的实验数据训练健康状态评估模型并实现工程实践运用。以辛辛那提大学智能维护系统(IMS)中心第二组轴承实验数据为模型训练数据,建立轴承健康状态评估准则知识库,应用IMS中心第一组实验数据和中国某石化公司加氢裂化装置P3409A离心泵轴承“运转到坏”的振动加速度数据为模型验证数据,对构建的滚动轴承健康状态评估模型进行验证。验证结果表明,该模型具有泛化性且能够有效表征滚动轴承健康状态,评估过程不依赖外部专家先验知识、不需要待评估轴承历史故障数据,对于实现旋转设备“无人化”智能运维具有重要的工程应用价值。

中国房地产市场周期分解研究——基于马尔科夫区制转移模型的分析

促进房地产市场平稳健康发展有利于我国宏观经济稳健运行。党的十九大以来,各级政府坚持"房住不炒"原则,出台了一系列政策细则,房地产长效管理机制逐步完善。本文梳理了我国房地产业发展的历史,探讨了我国房地产市场的周期特征及其成因,使用马尔科夫区制转移模型和改进后的l_(1)趋势滤波得到市场变化的拐点,由此划分出各个周期的起始点。结果表明:1991年至2016年第一季度,我国房地产市场经历了五轮完整周期,早在1998住房改革之前已经结束了一轮完整的周期;2016年第一季度以后直到2019年底,我国房地产市场处于第六个周期。最后,提出继续增加保障性住房和普通商品住房有效供给、完善土地财政税收制度、防范资金违规流入房地产市场等政策建议。