基于证据理论的迭代多步预测方法研究

为了有效利用复杂非线性工程系统中各种不确定信息和主观知识,本文结合相空间重构理论和证据推理理论,建立时序证据的多步预测模型.本文先对时序证据进行相空间重构;针对时序证据预测中信息量大且存在误差累积的不足,采用时序证据滑动窗口处理方法,以降低累积误差;窗口内运用迭代融合规则,以降低信息量的存储.将该模型应用于某型陀螺仪漂移预测,试验结果证明,本文方法能够有效降低迭代时产生的累积误差和信息量,结论更接近实际情况.

设备状态的多项式神经网络迭代多步预测法

设备状态趋势预测技术是实现设备预知维护的重要手段。为了实现设备的预知维护,在BP算法和一般多步预测法的基础上,提出设备状态的多项式神经网络迭代多步预测法。方法具有较强泛化能力和较快收敛速度的多项式神经网络,采用迭代法更新样本中的历史数据,逐次训练预测模型进行时间序列预测。将方法应用于某石化企业压缩机振动峰峰值的时间序列预测上,并与一般多步预测法相比,多项式神经网络迭代多步预测法在短期预测中改进效果不大明显,但在中长期预测中则具有更高的预测精度。测试结果证明,多项式神经网络迭代多步预测法能更好地满足工程实际应用需要,为设备预知维护提供了一个新思路。

基于Transformer的盾构泥水舱液位智能预测与控制

泥水液位控制是泥水平衡盾构施工的关键环节,其通过调节泥水循环系统参数进行控制。由于长距离的管道泥水运输,系统存在显著的时滞效应,其控制特性也随地质和管道长度的变化而改变,依靠人工或传统控制方法难以实现准确控制。为解决这一难题并确保盾构推进过程中切口压力的稳定,通过对盾构泥水循环系统控制机制的深入分析,提出一种基于Transformer的盾构泥水舱液位智能预测与控制方法,该方法采用Transformer网络对泥水循环系统的动态特性进行建模,通过迭代多步预测方法对给定控制参数序列下的未来液位情况进行预测。此外,为了优化控制性能并满足系统约束,引入自适应梯度下降方法来解决优化问题及其约束条件,以获得系统的最优控制参数。该方法在苏州河段深层排水隧道的施工数据集上进行仿真验证,试验结果表明:1)在粉砂夹粉质黏土地层的泥水盾构隧道施工中,所提出的控制方法能够有效提高泥水循环系统的控制效果;2)通过与传统控制方法的比较,该智能控制方法显示出更高的控制精度和稳定性,证明其在盾构施工中的应用价值。