基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测

针对水电机组运行状态预测问题,提出一种基于样本熵重构(sample entropy reconstruction, SER)与随机森林(random forest, RF)-长短期记忆网络(long short-term memory, LSTM)的混合预测模型。首先,利用改进自适应噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive white noise, ICEEMDAN)方法,将复杂非线性振摆信号分解为一组本征模态(intrinsic mode functions, IMFs)分量;其次,采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstruction feature components, RFCs);然后,利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后,叠加各RFCs预测结果,实现水电机组状态趋势的准确预测。实验结果表明,所提方法具备更优的预测性能,可为实施机组预测性维护提供可靠的数据支持。

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。

基于改进Elman神经网络的烟气轮机运行状态趋势预测

为提高烟气轮机状态趋势预测的精度,提出一种改进Elman神经网络的趋势预测方法。首先,引入以四分位数和四分位距为基础的箱线图方法判别异常值,并对缺失的数据进行插补,为状态趋势预测提供可靠的全数据序列;其次,根据设备运行状态数据序列具有的时间依存性,计算数据序列不同时延的相关程度,以相关系数最大值点对应的时延为最优预测步长;最后构建三层最优预测步长Elman神经网络对烟气轮机运行状态全数序列进行趋势预测实例分析。研究结果表明,箱线图法能够简捷快速、直观明了地判别异常值;邻近点中位数插补方法更贴近原始数据分布规律,为最优插补方法;相较其他预测步长的Elman神经网络预测方法,最优预测步长的预测误差最小、预测精度最高;同时,Elman神经网络最优预测步长方法的预测误差较BP、RBF神经网络更小、预测精度更高。改进Elman神经网络趋势预测方法能够为烟气轮机的状态趋势预测提供一种有效的预测方法,该方法还可应用于其他关键设备的趋势预测中。

GM(1,1)和SVR的雷达电子部件状态趋势预测模型

为提高雷达电子部件状态趋势预测的精度,根据测试数据特点,提出了基于GM(1,1)与支持向量机回归(SVR)的组合预测模型。采用粒子群优化算法分别对GM(1,1)和SVR模型进行了改进,提高了单一模型的预测精度。在此基础上,结合GM(1,1)模型对趋向性数据的预测优势和SVR模型对数据波动的强适应性,达到了取长补短、相得益彰的效果。实验结果表明该组合模型不但具有更高的预测精度,而且对不同预测对象有更强的适应能力。

改进回声状态网络的烟气轮机状态趋势预测

故障预测是保障大型设备安全运行和施行科学维护的关键技术,针对烟气轮机运行呈现出的非线性特性,引入回声状态神经网络进行状态趋势预测研究。采用奇异值分解方法对回声状态网络的线性回归训练算法进行改进,可提高回声状态网络的预测性能,并给出预测过程。实例分析表明,采用改进回声状态网络进行预测的效果较好。

用于旋转机械状态趋势预测的量子注意力循环编码解码神经网络

提出了基于量子注意力循环编码解码神经网络(QAREDNN)的旋转机械状态趋势预测方法。在QAREDNN中,引入注意力机制以同时重构QAREDNN的编码器和解码器,使QAREDNN能够充分挖掘和重视重要信息,并抑制冗余信息的干扰,从而获得更好的非线性逼近能力;采用量子神经元构建了一种活性值和权值由量子旋转矩阵代替的量子门限循环单元(QGRU),QGRU不仅能够更加精细地遍历解空间,还具有大量的多重吸引子,因此QGRU能代替传统编码器和解码器中的循环单元以提高QAREDNN的泛化能力和响应速度;通过引入Levenberg-Marquardt(LM)法来提高QAREDNN的量子旋转矩阵的旋转角和注意力参数的更新速度。滚动轴承状态趋势预测实例验证了该方法的有效性。

基于混沌神经网络的旋转机械状态趋势预测

旋转机械的特征信号常具有非线性和非平稳性,传统的平稳信号分析方法对这类信号不适用,将混沌理论引入旋转机械的故障预测领域,详述了混沌预测方法和混沌神经网络的预测原理,并以工业现场大型烟气轮机为研究对象,完成了基于混沌神经网络的预测,与灰色预测方法进行了比较,实验结果表明基于混沌神经网络的预测精度更高,更有效。

基于能量熵重构与支持向量回归的水电机组状态趋势预测

针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基于能量熵(EE)理论对各分量进行重构,以有效降低分量的复杂度;最后,将生成的重构本征模态函数(RIMFs)作为SVR的输入,训练模型参数得到最优的SVR,用于预测机组状态发展趋势。与实例对比分析表明,所提混合预测模型具有较高的预测精度,为机组运维策略的制定提供了一定的指导。

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。

基于趋势—状态预测方法的粮食产量预测

趋势—状态预测方法能够较好地解决既有趋势性又有较大波动性的数据序列的预测问题 ,且具有计算简便、精度高的特点 .本文利用该方法对浙江省粮食产量进行了预测分析 ,为粮食生产的预测和科学管理提供了依据 .

基于时间序列组合模型的水电机组状态趋势预测

水电机组状态参量具有小样本、非线性和非平稳性等特点,传统预测理论很难对其实现状态趋势预测,考虑从多角度优化预测算法,建立了基于时间序列的组合预测模型。本研究利用小波变换理论提取信号的细节特征,将机组状态参量分解为非线性的趋势项和平稳性的波动项,分别利用最小二乘支持向量机(LSSVM)理论和自回归(AR)模型进行趋势预测,利用加法原则重构信号实现水电机组状态参量的趋势预测。取某电站振动状态序列进行实例计算,结果表明预测值与实测值基本一致,具有较高的预测精度。研究结果将对水电机组的状态预警起到一定的推动作用。

基于改进LSTM的电力设备状态融合预测模型

针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证文中模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明:基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25%,在数据缺失情况下的预测准确率分别提高了44%和57%。

机械设备趋势预测与神经网络预测方法的研究

阐述了机械设备状态趋势预测的基本概念，讨论了机械设备状态预测的主要方法。研究了三种预测机械设备状态发展趋势的神经网络方法，对采用不同的神经网络预测方法的预测结果进行了分析比较。

一种输油泵机组故障诊断与健康评估方法

输油泵机组是长距离油品传输的关键设备,有效预防其出现突发故障、减小故障造成的损失至关重要。然而目前针对输油泵的故障诊断方法在现场应用时普适性不佳,且缺乏针对机组一体的监测诊断研究,不利于计划性维修。此外,受现场可提供数据的限制,现有的输油泵状态评估方法在很多现场无法使用。针对上述问题,提出一种输油泵机组故障诊断与健康评估方法,利用迁移学习提高输油泵故障诊断在工业现场应用时的准确率;通过搭建实验台并对电机运行状态进行监测、分析,构建电机机械类故障诊断模型;构建基于卷积-长短期记忆神经网络(CNN-LSTM)的状态评估模型,并以此为基础利用时序卷积网络(TCN)结合注意力机制进行状态趋势预测。在现场试运行的结果表明,本文提出的故障诊断及状态评估方法可以及时发现设备的早期故障,为设备运维提供有效的数据参考。