基于TFER及退化趋势相似性分析的轴承剩余使用寿命预测

为了解决传统退化指标对轴承退化起始点的敏感性差,以及退化指标趋势偏移导致无法准确预测风力机轴承剩余使用寿命(RUL)的问题,提出了一种基于Teager能量算子-故障能量比(TFER)与退化趋势(DT)相似性检测相结合的双指数轴承RUL预测方法。首先,通过计算原始信号的TFER值,根据4σ原则确定轴承退化起始点,提取了TFER值趋势特征作为退化指标;然后,采用历史TFER值拟合双指数退化模型,通过分析最新TFER值与拟合曲线的相似性,选取了最佳DT段;最后,通过外推相似性最佳的DT段至失效阈值,进行了风力机轴承RUL预测。实验结果表明:该预测方法对退化起始时间点的检测精度达到98%,与原始指数模型、长短期记忆神经网络(LSTM)以及支持向量回归(SVR)相比,该方法在轴承RUL预测精度上分别提高了10.04%、6.29%、5.22%。该方法不仅提升了风力机轴承的预测性维护精度,还对降低运营成本和提高维护效率提供了有力支撑。

时间序列趋势相似性度量方法研究

为了进一步改善和提高基于模式的时间序列趋势相似性度量效果,在时间序列分段线性表示的基础上,依据分段子序列的均值及其线性拟合函数的导数符号,实现时间序列的分段模式化,以模式之间的异同性定义模式匹配距离,借鉴动态时间弯曲(Dynamic Time Warping,DTW)的动态规划原理,提出一种动态模式匹配方法(Dynamic Pattern Matching,DPM)。实验结果表明,该方法能够在不同压缩率条件下,准确度量等长时间序列的趋势相似性,而且时间消耗较低。时间序列不等长作为存在数据缺失的一种表现形式,该方法的度量效果与数据缺失比例之间的关系值得进一步的深入研究。

基于趋势相似性特征的异常工况监测方法研究

当前火力发电生产过程中,多元变量检测方法难以实现多元非平稳过程变量异常工况监测。对此,首先计算多元变量之间在固定时间窗口宽度内数据之间的趋势相似性,采用所得到的趋势相似性作为监控特征。其次,采用主元分析方法对所得到相似性特征序列进行降维,对降维后所得到的主元空间趋势相似性特征序列进行监控。最后,以T2统计量作为监测指标,依据T2统计量与其控制阈值T2α的大小关系产生告警信号,从而达到有效监控多元非平稳过程变量的目的。通过在华北电网某300 MW火电机组的应用,验证了所提出方法的有效性与可靠性。该方法较好地解决了多元非平稳过程的检测问题,对于相关研究与应用具有借鉴意义。

基于趋势相似性的二甲酚尾气处理过程监测

利用工业锅炉对二甲酚的尾气进行处理时,存在爆炸和有毒尾气泄漏的风险,因此对二甲酚尾气处理过程进行故障监测十分必要。然而该过程具有非平稳特征,常规的故障监测方法监测准确率不高。为了解决这个问题,提出了基于趋势相似性特征的故障监测方法,通过滑动时间窗口切割时间序列,计算各时间窗口内数据之间的趋势相似性,并以此作为新的监控特征对该非平稳过程进行监测,从而提高监测准确率。最后,以某二甲酚生产企业采集的现场数据进行验证。结果表明,基于趋势相似性特征的故障监测较常规方法有较高的准确率,且监测准确率随过程的非平稳性增强而提高,验证了所提方法的有效性及实际应用价值。

基于滑动窗口聚类的时序关联规则挖掘方法

通过研究时间序列中特定时间段内某种趋势的频繁发生,提出基于滑动窗口聚类的时序关联规则挖掘方法。利用滑动窗口对时间序列进行离散,形成多个子序列;根据子序列之间的趋势相似性利用K-Means方法对离散后的子序列进行聚类,使得每个子序列与其所属类相对应,形成趋势序列;对趋势序列进行规则挖掘,利用J-measure准则对规则进行再次筛选。实验结果表明,该方法能使用户发现更有价值的规则,能反映规则在特定时间内的变化趋势,指导用户做短期的预测或决策。

考虑配网负荷曲线特性的低频减载执行方案调整方法

在我国交直流电网互联规模及新能源发电并网容量持续扩大背景下,系统发电侧面临的有功缺额风险增加,这对电网第三道保护防线低频减载方案在地市电网的执行可靠性提出了更高的要求。针对现有执行方案轮次线路调整方法下执行合格率较低、稳定性较差及时效有限的不足,提出一种考虑配网线路负荷特性的轮次线路调整方法。基于低频减载方案设计执行评价指标,建立执行方案线路调整优化0-1整数规划模型,并加入考虑线路相对全网负荷曲线趋势相似性及线路负荷曲线波动性的诱导函数,实现算法流程设计。基于实际工程案例进行实证分析,证明了所提方法下轮次执行合格率及稳定度、应用时效相对现有方法均更优。通过建立低频减载执行方案评估决策系统,有效提升执行方案管理智能化水平,对地市电网低频减载执行方案的调整优化具有一定的参考意义。

基于DTW算法的空间目标结构识别研究

利用空间目标雷达散射截面(Radar Cross section,RCS)序列开展空间目标结构识别是空间态势感知的重要组成部分,针对RCS序列受目标物理特性、姿态特性影响大,序列信号非平稳特征明显的问题,提出利用动态时间规整(dynamic time warping,DTW)算法解决空间目标结构特征识别的问题。首先介绍了DTW算法的原理与特点,对算法原理及适用范围进行了分析;然后针对空间结构目标识别问题的特点,提出一种生成仿真数据的方法并分析了利用DTW算法的具体步骤;最后,利用一组仿真测试数据对算法进行了仿真验证。分析结果表明,DTW算法在解决利用RCS序列进行目标结构识别这一问题中具有鲁棒性强,识别准确的特点。

股票遴选与投资业绩——基于属性约简及动态时间规整距离

评价风险资产价值的指标(属性)有很多,以少量指标(属性)从数以千计的风险资产中筛选出有投资价值的资产对投资业绩影响重大。本文以股票市场为例,提出了基于属性约简及动态时间规整距离的股票遴选方法。首先利用基于属性重复度的改进属性约简算法筛选出能区分股票投资价值的约简属性集,之后将单指标动态时间规整算法拓展到多指标,建立股票间基于约简属性集的多维动态时间规整距离集,利用聚类技术对规整距离集进行聚类并通过拆分规整距离对股票进行类别划分,遴选收益-风险特征均较好的类别中的股票构建资产池。数值试验表明:随机模拟权重和均等权重投资组合的累积收益率均高于市场基准,且资产的优化配置进一步改善了投资组合的收益-风险特征。该方法通过属性约简降低了投资者评价股票投资价值的难度,通过多维动态时间规整距离度量了不同股票关于各指标(属性)时间序列变动趋势的相似程度;遴选过程基于历史数据,避免了主观因素的影响,且筛选结果具有稳健性。此外,该方法适合于一般风险资产的遴选,还可以将不同市场不同行业考虑在内,以便更好地实现分散化投资。