基于NARX的神经网络时间序列模型的风电机组主轴故障监测及预警系统

针对风电机组主轴承故障预警问题,本文利用非线性自回归算法进行时间序列建模,预测主轴承温度,并提出主轴承故障预警方案可有效实现故障提前预警,提升风场效益。

基于神经网络及时间序列混合模型的桥梁健康监测系统缺失数据填补

列举了实际桥梁健康监测系统中数据缺失的几种形式,根据桥梁健康监测系统中监测数据是时间序列集的特点,以及神经网络强大的映射能力,利用神经网络及时间序列混合模型的方法来填补缺失数据,并将该方法与时间序列法的填补结果进行对比,结果表明该方法处理缺失数据的误差较低。

时间序列神经网络动态建模研究

采用一种改进的时间序列神经网络用于过程系统的动态建模 .该网络将输入变量的时间序列数据作为网络输入 ,同时以系统的脉冲响应系数为时间序列输入数据的权值 ,赋予神经网络模型一定的物理意义 ,从而使神经网络模型获得更好的外延性 。

基于时间序列神经网络的极值冰厚预测研究

将 L-M神经网络与时序分析方法相结合 ,提出一种用于年极值冰厚预测的新模型。算例中对鲅鱼圈和渤海四个区域年极值冰厚进行预测 ,表明用这种方法进行冰厚预测具有收敛速度快 ,精度高等优点。提供了一种新的冰载荷预测方法 ,为海洋平台的设计、设防、维护、维修提供基础。

基于时间序列神经网络的山核桃化学成分分析

利用果实化学成分含量与光谱的非线性模型,实现果实化学成分含量的快速无损鉴定,成为林业研究的热点之一。果实在生长发育过程中,化学成分的含量随时间的递增而不断增加,常规方法不能较好拟合和预测果实化学成分含量的变化。本研究提出一种基于时间梯度的神经网络方法(TSNN),以6个时间梯度山核桃果实蛋白质和脂肪含量的光谱和实测数据为研究对象,分别与偏最小二乘法(PLS)和人工神经网络(PLS-ANN)方法比较,检验TSNN方法的建模和预测效果。结果表明:TSNN方法对蛋白质含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了18.82%和7.39%;TSNN方法对脂肪含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了39.95%和35.02%。TSNN方法的校正相关系数平方(R_c^2)和预测相关系数平方(R_p^2)比PLS和PLS-ANN均有提升。因此,TSNN方法是一种比较准确实用的定量分析方法。

基于神经网络时间序列模型的成都地铁三号线磨子桥站短期客流预测分析

为克服传统的时间序列和线性模型对地铁短时客流预测不准确的特点,本文将时间序列与神经网络模型结合,建立基于神经网络的时间序列预测模型,对地铁客流数据进行预处理,利用模型对数据进行训练预测,以成都地铁三号线磨子桥站数据进行实例分析,研究表明组合预测方法准确度较高,具有一定可靠性。

基于小波神经网络的供水预测研究与应用

针对城镇供水预测不准确的问题,设计开发了一种基于小波变换的时间序列神经网络供水预测系统。首先使用小波变换提取供水流量曲线的规律性,去除流量数据中的高频噪声,并对假期变量和天气温度变量进行非线性处理,对比分析表明模型加入小波变换后,预测准确率显著提高,同时该系统可以计算流量实际值与预测值的实时差值,比较差值和设定阈值判断供水异常情况。经验证,该系统供水预测准确率达到95.9%,可为供水预测和供水异常识别提供决策支持。

利用BP神经网络预估拥堵路段通行时间的研究

为了更准确地预测从出发到目的地的出行时间,选择一个有代表性的路段进行数据收集和分析。首先将交通流状态分为拥堵、阻塞和平滑三大类,然后利用神经网络理论建立交通流特征参数和出行时间模型。经过两种神经网络模型的运行对比,时间序列的神经网络模型能够更好地预测车辆。旅行时间的准确度可达85%。

小波变换与神经网络在地铁保护区中的应用

地铁已经成为城市普遍的交通工具,为保障地铁运营的安全,需要及时掌握地铁隧道的结构变化情况。通过小波神经网络模型对地铁保护区进行预测,首先利用小波对原始数据进行分解、降噪,然后利用神经网络进行建模并预报。以南京某地铁保护区的监测项目为例,采用该模型的预测结果同神经网络模型的结果进行比较分析。结果表明:经过小波变换的神经网络的预测效果更好。

使用TimeGAN和LSTM神经网络预测隧道开挖引起的建筑物沉降

隧道开挖可能引起施工场所附近建筑物的沉降,进而导致建筑物破坏。考虑到建筑物沉降的传统预测模型难以处理复杂非线性数据的问题,以宁波地铁5号线同德路站—石碶站区间监测数据为例,使用时间序列对抗神经网络(TimeGAN)对原始监测数据进行扩增,建立了基于长短期记忆神经网络(LSTM)深度学习网络的建筑物沉降预测模型,分析了原始监测数据扩增前后建筑物沉降预测模型的预测结果。结果表明:TimeGAN新生成的数据与原始建筑物沉降数据重叠性较好;新生成建筑物沉降数据的判别分数(Discriminative Score)、预测分数(Predictive Score)分别为0.1759和0.0412;新生成数据与原始数据相似程度较高、较好的保留了原始数据的预测特性;与原始数据相比,使用新生成数据进行建筑物沉降预测,LSTM网络预测结果的准确率提高了23%;TimeGAN-LSTM网络预测结果的准确率达到了80%、预测值与监测值吻合性较好。研究成果对隧道开挖的正常施工具有一定的参考价值。

一种预测混沌时间序列的模糊神经网络方法

给出了一种预测混沌时间序列的模糊神经网络及其学习方法,给出的方法能直接从数据中提取模糊规则,经过优化得到最佳模糊规则库,并利用神经网络的自学习功能修改隶属函数的参数和网络的权值,减少了规则的匹配过程,加快了推理速度,增强了网络的自适应能力.使用该神经网络及其学习方法对Lorenz混沌时间序列进行了预测仿真研究,试验结果表明给出的预测工具和方法是有效的.

页岩气井柱塞工艺影响因素及制度优化方法

为了维持气井长期稳产、支撑页岩气大规模上产,以目前长宁区块主要的排水采气工艺为研究对象,分析了主体工艺应用的影响因素,针对可控因素,基于智能管理平台对页岩气井生产数据实时监测和采集,提出了提升工艺实施效果的制度优化方法。研究结果表明:(1)页岩气开发后期需要采用排采工艺维持气井稳产,目前柱塞工艺在长宁区块已大规模推广应用200余口井;(2)对于柱塞气举制度优化,目前依然停留于根据现场生产情况调整柱塞工艺参数达到优化的目的;(3)结合柱塞运动模型,采用时间序列神经网络和多目标优化遗传算法,可建立页岩水平井柱塞气举制度优化方法。结论认为:(1)柱塞气举作为经济有效的稳产措施,是长宁区块主要的排采工艺之一;(2)目前的柱塞工艺制度优化方法多是试探的结果,优化不具有确定性,没有指导性的理论和预测结果,在工程上也无法用于快速的制度优化设计;(3)建立的制度优化新方法应用于现场21井次柱塞气举井,已对工作制度进行模拟和优化。结果表明目前采用的工作制度较为合理,与优化结果相近,由此可见该方法可有效指导柱塞工作制度的优化,可为大规模应用柱塞工艺及时调整工作制度,并为保障工艺效果提供技术支撑。

论商品零售价格指数波动对我国经济增长的影响

商品零售价格指数反映了物价的波动情况和波动范围,对我国国民经济的增长具有一定的影响作用。因此商品零售价格指数的波动能够为我国政府的货币政策和财政政策的制定提供相关的依据和参考。本文以商品零售价格指数为自变量,分别以国内生产总值、第一产业增加值、第二产业增加值和第三产业增加值作为因变量,建立了四个神经网络时间序列模型,模型系数反映了商品零售价格指数对我国经济增长的影响机制,在此基础上提出了建议。

一种风电机组轴承健康劣化趋势预测方法

以风电机组轴承为研究对象,利用SCADA监测有关参数,计算这些参数与轴承温度的相关系数,对其归一化后得到各参数的影响权重,然后基于温度特征量构建轴承健康劣化度模型。应用改进的集合经验模态分解(EEMD)将具有非平稳性特性的劣化趋势分解为一系列相对平稳的分量,采用时间序列神经网络模型分别预测各类分量,叠加所有预测分量得到最终预测结果。结果表明:本文方法的预测精度较高,提高了与实际劣化度曲线的吻合程度。

短期风速-风电功率预测方法

传统灰色风速预测模型累加处理时不能预测突变风速,使风电功率预测误差过大。采用数值逼近算法对传统灰色GM(1,1)预测模型进行优化改进,以优化的灰色GM(1,1)预测模型对未来时段风速进行预测,突变风速预测误差降低了34.3%。再将优化风速预测模型和时间序列动态神经网络相结合,构建出风电功率预测模型。应用该模型对酒泉地区某风电场现场数据进行仿真测试,预测效果可信度大于93%。

风电机组轴承健康劣化趋势建模与仿真

以风电机组轴承为研究对象,利用SCADA(Supervisory Control And Data Acquisition)监测参数,应用最小二乘曲面拟合算法,建立轴承温度健康状态劣化趋势模型。改进并应用EEMD(Ensemble Empirical Mode Decomposition)方法,分解具有非平稳性特性的轴承劣化趋势为一系列相对平稳的分量,利用时间序列神经网络分别对各分量单独预测,叠加所有分量的预测值作为最终的预测结果。经过仿真测试,该方法能够以更高的精度预测风电机组轴承健康状态劣化趋势。

风力机尾流效应影响下输出功率预测仿真研究

传统风速预测模型未考虑尾流效应对风电场输出功率的影响,使风电功率预测误差过大。在尾流效应风速模型的基础上提出尾流效应影响因子矩阵,对整个风电场机组输入风速进行修正。然后采用数值逼近算法对传统灰色GM(1,1)预测模型进行优化改进,以优化的灰色GM(1,1)预测模型对未来时段风速进行预测,突变风速预测误差降低了34.3%。再将优化风速预测模型和时间序列动态神经网络相结合,构建出风电功率预测模型。应用该模型对酒泉地区某风电场现场数据进行仿真测试,预测效果较好。

GM-ARMA-BP组合模型在建筑物沉降预测中的应用

针对建筑物变形监测中的沉降预测问题,本文结合灰色模型、时间序列模型和BP神经网络模型的优点,提出了GM-ARMA-BP组合模型进行沉降预测的方法,有效克服了单一模型稳定性差的缺点,并以某高层建筑沉降观测数据为样本,通过对这几种模型的沉降预测结果进行比较分析,结果表明:GM-ARMA-BP组合模型预测效果最好,精度较单一模型提高50%以上,并且具有一定的适用性。

基于二阶段异质随机森林的汽油辛烷值预测

构建了基于二阶段异质随机森林的汽油辛烷值预测模型.首先利用样本-位点信息表知识约简模型,筛选出对汽油辛烷值影响大的位点数据作为第一阶段;然后,利用集成学习思想集成支持向量回归和动态时间序列神经网络,构建异质随机森林预测模型作为第二阶段.利用十折交叉法验证模型精度,结果表明该集成学习算法具有有效性和高精度.