基于IoTDB的航空发动机试验数据清洗与升维方法

航空发动机型号研制过程中会产生大量的试验数据,为了充分发挥这些数据的作用,选用IoTDB数据管理平台,对航空发动机多源试验数据的清洗和升维方法进行了研究,并提供了一种面向多源数据融合的分布式数据平台架构。通过该平台,可保证数据得到高效利用,解决了通过人工手段处理、整合数据费时耗力且效果不理想的问题,同时为后续开展数据挖掘奠定了基础。

结合多通道MTF和CNN的框架结构损伤识别方法

为提高复杂框架结构损伤识别的准确率,提出了一种基于多通道马尔可夫变迁场(multi-channel Markov transition field,简称MCMTF)和卷积神经网络(convolutional neural network,简称CNN)的框架结构损伤识别方法。首先,采用MCMTF理论将原始一维振动信号转换为二维图像,实现数据升维和多通道数据融合;其次,以MCMTF转换后的图像数据集作为输入训练CNN模型;最后,经调参优化自动提取损伤敏感特征,并实现损伤识别。将该方法应用于IASC-ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验,对比研究了多通道MTF、单通道MTF和原始数据矩阵3种数据输入方式,CNN、长短时记忆(long short term memory,简称LSTM)神经网络和深度神经网络(deep neural network,简称DNN)3种网络模型,以及噪声对框架结构损伤识别准确率的影响。结果表明:MCMTF与CNN结合方法的损伤识别准确率最优且具有良好的鲁棒性,其对Benchmark框架数值模型模拟损伤的识别准确率可达94.4%,对3层钢框架试验模型实际损伤的识别准确率可达98.4%。

有限感知条件下的停车数据批量式修复研究

随着城市中私家车保有量和使用频次显著增加,"停车难"问题逐渐成为制约城市发展的"瓶颈".为了合理利用城市中有限的停车资源,最好的方式是建立城市级的停车诱导系统,而现阶段尚且没有有效的方案出现,究其原因是获取停车数据成本过于高昂导致的.因此,如何在不影响停车数据准确性的前提下降低其获取成本成为解决"停车难"问题的关键.本文首先基于停车数据的时空敏感性,将数据差异明显的停车场分为不同簇;再验证同一簇中停车数据符合二八定律后,筛选出影响力最大的前20%的停车场作为样本停车场,对其安装传感器获取实时停车数据并作为样本数据;考虑到现有算法得到的修补数据效果不理想,本文将一维停车数据升至二维,使用改进后的深度卷积对抗生成网络(Deep Convolution Generative Adversarial Networks, DCGAN)生成与样本数据近似同分布的新数据集.新数据集的任一条可作为同簇中任一缺失的停车数据.实现结果表明,本文提出的方案不仅可在有限感知的条件下批量式的获得大量高仿分的"伪数据",大幅降低停车数据的获取成本,而且修复效果较当前研究有明显提高.

多源试验数据重构与融合存储技术研究

针对国内航空发动机试验数据的属性单一、数据割裂和独立存储等问题,开展多源数据重构技术及数据库融合技术研究,重点突破多维试验数据的模板化抽取、数据升维、数据重构和数据融合存储等关键技术,以满足航空企业的多源数据升维、重构和融合存储等需求,为航空工业企业由传统制造业向数字化、智能化、网络化的工业企业战略转型升级提供驱动力,优化资源配置。

基于多列神经网络的用电行为自诊断技术研究

为了进一步提升电能计量的整体自诊断管理,使用3列相对独立的多列神经网络算法,在有限且不完备数据的基础上,利用全网计量节点提供的上行、下行尖峰平谷计量数据,实现对计量系统故障、用电器配置变更、用户窃电等三大主要可能性做出基于大数据深度挖掘的主动判断。在计量系统故障、用电系统变更、窃电行为影响和总和敏感性方面,该系统较早期方法分别实现了14.3%、83.7%、36.3%、34.8%的计算效能提升,对未来电力计量系统的整体管理效率提升有积极意义。

一种电能计量检查的数字智能速算方法设计

研究一种面向智能电能表计量检查的快速推算法。对m周期内抄表数据结果进行标准偏差率分析,将标准偏差率除以电能消耗均值形成熵值S,将排除近f个周期的标准偏差率与全周期标准偏差率形成熵值R,通过统计学方法确定熵值S、R的报警触发阈值,从而发现智能电能表的计量问题。利用电网营销部门的实际抄表数据和电表拆修数据构成真实数据集,比较革新方法与传统方法的差异。结果表明:革新方法的误差率显著低于传统方法,故障敏感性略高于传统方法,检查过程的人力成本和时间成本远小于传统方法;革新方法可以实现在无人干预的情况下随时对全网智能电表进行不完备数据条件下的高精度计量问题预警。