双三相永磁同步电机鲁棒滑模预测速度控制

为提高双三相永磁同步电机系统应对复杂扰动时的鲁棒性,提出了一种带有最速下降观测器的滑模预测速度控制策略。通过将参数变化和外部扰动注入到q轴电流系数,建立了带有扰动的双三相永磁同步电机运动模型。基于电机扰动模型提出了一种滑模预测速度控制策略,该方案使用基于双曲正切函数的新型幂次趋近律,能够在保持较快跟踪速度的同时有效抑制滑模抖振。设计了一个基于最速下降算法的扰动观测器,用于估计随叠加扰动而时刻变化的q轴电流系数并将其传递到滑模预测速度控制模型中。与传统的滑模预测速度控制相比,仿真结果证明了所提方法具有较好的动态跟踪性能和扰动抑制性能。

永磁同步电机新型有限集模型预测速度控制

为了保证传统有限集模型预测速度控制中速度采样频率和控制周期一致,使用预测-校正方法进行反馈速度的测量,并结合卡尔曼滤波器进行负载观测,根据控制周期合理安排速度和负载观测的时序。针对传统有限集模型预测速度控制的稳态误差和较大转矩脉动问题,提出一种比例-积分-微分型代价函数,其中积分项用于消除稳态误差,微分项用于抑制转矩脉动。仿真和实验结果表明,所提出的新型有限集模型预测速度控制方法和传统有限集模型预测速度控制方法相比,在稳态时具有更小的稳态误差和转矩脉动,相电流总谐波失真(THD)从65.35%减小到了21.54%;和传统有限集模型预测电流控制方法相比,在起动、加减速和负载突变时的响应速度均加快了0.2~0.5 s,具有更快的动态响应。

基于PSO的模型预测速度控制权重系数自整定

针对永磁同步电机(PMSM)模型预测速度控制,提出了一种基于改进粒子群优化(PSO)算法的权重系数在线自整定方法。由于传统模型预测速度控制包含多个权重系数,无法保证权重系数的最优。设计了一种混沌PSO算法,将实际电流与参考电流误差的均方根作为PSO算法的目标函数,通过迭代寻优获得符合最小化目标函数的权重系数。改进的PSO算法加强前期局部搜索能力,在搜索后期促进粒子收敛到最优全局解。实验结果验证了改进的PSO算法可实现权重系数实时的自整定,设计的权重系数使系统具有良好的稳态性能。

融合多特征神经网络的城市道路交通速度预测

针对城市道路交通速度特性分析不全面的问题,本研究考虑到气象因素和空气污染因素对交通速度的影响提出了一种多源特征融合结合Informer模型的道路交通速度预测模型(MFInformer,Multi Feature Informer)。采用成都市浮动车数据及气象数据、空气污染数据,通过提取数据集的交通流特征,天气特征以及空气污染特征对道路交通速度进行预测。研究表明:在以10分钟为间隔的预测中,基于浮动车数据结合外源因素的多特征数据的Informer模型相较于仅使用浮动车数据的Informer模型以及常用的时间序列预测模型循环神经网络和长短期记忆网络来说预测的准确度有着显著的改善,结合多源特征的Informer模型预测交通速度平均绝对误差,均方误差和平均绝对百分比误差分别为1.38、5.32%、1.74,均优于其它模型。

煤矿井下钻进速度影响因素及其智能预测方法研究

在煤矿井下钻探领域,钻进速度(DR)是评估钻探作业最有效的指标之一,钻速预测是实现煤矿钻进智能化的前提条件,对于优化钻机钻进参数、降低作业成本、实现安全高效钻探具有重要意义。为此,提出煤矿井下钻进速度影响因素及其智能预测方法研究,探索基于钻压、转速、扭矩以及钻进深度等少量钻机参数采用机器学习算法实现钻进速度精准预测。首先通过实验室微钻试验,深入分析煤岩力学性能、钻压、转速和钻进深度对扭矩、钻进速度影响规律。研究结果显示,在煤矿井下钻进过程中,随着钻进压力增大,钻进速度呈逐渐升高趋势,在较高的转速条件下钻进压力对钻进速度影响更加明显,转速增加有利于提高钻进速度,但转速对硬度较低的煤层钻进速度影响更为显著;然后,根据煤矿井下防冲钻孔现场数据,采用K–近邻(KNN)、支持向量回归(SVR)和随机森林回归(RFR)3种不同的机器学习算法建立钻进速度预测模型,并结合粒子群算法(PSO)对3种模型超参数进行优化,最后对比分析PSO–KNN,PSO–SVR和PSO–RFR三种钻进速度预测模型预测结果。研究结果表明,PSO–RFR模型准确性最好,决定系数R2高达0.963,均方误差MSE仅有29.742,而PSO–SVR模型鲁棒性最好,在对抗攻击后评价指标变化率最小。本文研究有助于实现煤矿井下钻进速度的精准预测,为煤矿井下智能钻进参数优化提供理论支撑。

基于VMD与加权RF的TBM掘进速度预测SHAP解释模型

为较准确地实现TBM掘进速度(PR)的预测,构建一套基于加权随机森林(RF)结合变分模态分解(VMD)的集成学习预测模型。模型建立过程中,通过收集来自KS隧洞与兰州水源地输水隧洞中涵盖不同岩性下的数据,利用VMD对数据进行4次模态分解,在保留数据特性的同时去除最高频噪音;采用SHAP对未加权传统RF从模型贡献角度进行特征度量,以此实现未加权传统RF加权,并使用RFECV与网格搜索对加权RF进行特征遴选、超参数优化;通过实际工程对模型的性能进行验证,基于SHAP理论对模型从全局与局部进行解释。结果表明:1)所建模型预测精度较高,其在测试集上的均方根误差(MSE)、平均绝对误差(MAE)与决定系数(R^(2))分别为0.0649(m/h)^(2)、0.1875 m/h、0.9254。2)在实际工程的验证中,模型取得了MSE=0.0503(m/h)^(2)、MAE=0.1613 m/h、R^(2)=0.9505的性能表现,精度理想,且性能均高于常用的深度神经网络、支持向量回归、未加权传统RF。3)经过VMD处理可有效提升PR的预测精度,处理后的模型在测试集上MSE、MAE、R^(2)分别提升了82.50%、59.00%、33.25%。4)岩石单轴抗压强度是精准预测PR时最重要的因素,地质参数在预测中的交互性明显优于掘进参数。预测分析重要洞段的PR时,需结合全局与局部2个角度进行综合分析。

基于缺失数据的交通速度预测算法

交通速度预测是智能交通系统的基础,可以缓解交通拥堵,节约公共资源,提高人们的生活质量。在真实情况下,采集到的交通速度数据通常存在缺失,而现有研究成果大多数只考虑了数据相对完整的场景。文章主要针对缺失场景下的交通速度数据进行研究,捕捉其中的时空相关性,并对未来交通速度进行预测。为了充分利用到交通数据的时空特征,提出了一种新的基于深度学习的交通速度预测模型。首先,提出了“还原-预测”算法,先使用自监督学习方法让模型还原缺失数据,再对交通速度进行预测;其次,引入了对比学习的方法,使得速度时间序列的特征表示更鲁棒;最后,模拟了不同数据缺失率的场景,通过实验验证了所提方法在各种缺失率下的预测准确率都优于现有方法,并设计了实验对对比学习方法和不同的还原算法进行分析,证明了所提方法的有效性。

基于灰狼算法改进随机森林算法的爆破振动速度预测研究

为改善露天矿爆破作业过程中的峰值质点速度在采用传统经验公式和单一仿生算法时预测精度不够的问题,引入灰狼算法(GWO)优化了随机森林算法(RF)中决策树的棵数和层数2个超参数,成功构建了基于灰狼算法改进的GWO-RF爆破振动速度预测模型。结合某爆破工程69组爆破监测数据,以爆心距、最大段药量、总装药量、微差时间、炮孔数、孔距、孔深及排距为输入参数,运用GWO-RF预测模型和RF模型进行爆破振动峰值速度预测对比。结果表明:GWO-RF组合算法能够考虑更多符合实际的爆破振动速度影响因素,GWO-RF组合算法误差率比RF算法提高了37.83百分点;GWO-RF组合算法的爆破振动速度预测精度达到97.72%。说明GWO成功优化了RF中决策树的2个超参数,也证明GWO-RF组合算法能很好进行露天矿爆破振动速度预测。

基于图卷积门控循环单元网络模型的交通速度预测

准确的交通预测能够有效解决交通堵塞和环境污染等问题,然而现有预测方法无法充分表征交通数据的特征。针对以上问题,提出一种序列到序列图卷积门控循环单元(Seq2Seq-GCGRU)模型,用于提取交通速度的时空特性和预测。模型由三部分组成,分别用于建模带有时间偏移的交通速度周周期、日周期及临近期信息,还提出一种新的seq2seq训练方法以克服已有方法不适用于时间序列的缺陷。实验结果表明,对比其他常见的交通流预测模型,所提算法具有更高的预测精度,均方根误差(RMSE)与平均绝对误差(MAE)指标至少分别降低25%和24%。

基于驾驶模拟实验的陡坡急弯路段运行速度预测模型研究

以某二级公路的陡坡-急弯路段为例,基于驾驶模拟实验,分析运行速度的变化规律。小客车在陡坡-急弯路段上行驶时,呈现出在陡坡处加速、在急弯处减速的变化规律,且运行速度极小值发生在大坡度(-4%)和小半径(R=200 m)组合的子路段。利用多元非线性回归分析方法,构建了以坡度和曲线半径为自变量的陡坡急弯路段坡度中点、曲线中点和曲线出口处运行速度预测模型,拟合效果良好,平均相对误差分别为1.22、0.60和2.10,均优于规范预测模型,预测精确度明显提升。研究成果可为陡坡急弯路段交通管控提供科学依据。

基于长短期记忆神经网络的城市交通速度预测

交通速度预测在智能交通系统中起着重要的作用,准确、快速的交通速度预测有利于及时掌握城市道路交通状况,能够有效实行交通诱导。针对交通速度具有极强的周期性,在工作日和非工作日之间存在较大差异,导致预测精度不高的问题,分别选取公开的工作日和非工作日交通速度数据,构建基于长短期记忆神经网络的城市交通速度预测模型。实验验证采用广州市20条路段的交通数据,结果表明,区分工作日和非工作日的平均绝对百分比误差、平均绝对误差和均方根误差的平均值比不区分均要小,说明区分工作日和非工作日可以有效地提高交通速度的预测精度。

高速公路特长隧道环境车道行驶速度特性及短时预测模型研究

为研究高速公路特长隧道环境车道行驶速度特性,采用基于雷达组网技术的实时交通参数获取方法,提取典型特长隧道全路段全样本高精度时序速度数据,在划分隧道入口段、行车段、出口段的基础上,对比分析特长隧道不同路段车道速度分布特性,构建基于时序Transformer框架的特长隧道环境车道行驶速度短时预测模型。结果表明:1)特长隧道入口段速度均值最低,分布最为离散;2)在同一路段,各车道85%分位车速统计值呈现依次递减趋势;3)小客车运行速度整体呈现下降规律,出入口段差值大;4)货车在特长隧道入口段会降低速度,但小客车实际运行速度较主线限速值高;5)所构建的速度预测模型准确率可达97.82%,平均绝对误差为1.67 km/h。上述结果表明:1)暗适应对驾驶人车速控制行为的影响较为显著;2)主线限速标准对于特长隧道环境并不完全适用,应考虑速度顺适过渡关系,针对不同车型、不同车道提前诱导;3)所建立的时序Transformer模型适应于高速公路特长隧道环境所有车道短时速度预测。

基于多特征数据融合的城市道路行程速度预测

城市道路速度预测有助于引导驾驶人选择较为畅通的路径,减少等待时间,提高出行效率.城市交通状况受到多种因素影响,考虑多种交通流特征数据与天气数据,建立基于长短期记忆(long shortterm memory,LSTM)循环神经网络的道路行程速度预测组合模型.选取中国西安市南二环附近区域的滴滴出行浮动车数据,通过提取数据集的交通流特征(速度、流量、加速度和停车次数)和天气特征(温度、湿度、天气和风速)对道路行程速度进行预测.结果表明,与未加入外部特征的LSTM模型、误差逆传播(back propagation,BP)算法神经网络及支持向量回归(support vector regression,SVR)模型相比,融合多特征数据的组合模型平均绝对误差、均方误差和决定系数分别为2.695、13.838和0.771,置信区间为(-1.235,1.795),均优于其他模型,具有更高的精度和稳定性.

基于时空注意力网络的动态高速路网交通速度预测

交通速度是影响高速路网通行效率和安全的重要指标,精准预测高速路网交通速度可以减少交通事故和通行时间,预先为交通控制提供有价值的参考信息,对高速公路管理具有重要意义。基于时空注意力网络,提出一种由数据和长期预测任务驱动面向动态高速路网的交通速度预测模型(ST-ANet)。通过图注意力网络提取高速路网的动态空间关联特征,使用长短期记忆网络提取输入数据的时间关联特征。在此基础上,采用基于多头自注意力机制的时间注意力网络计算历史输入数据和预测值之间的相关性,并利用密集连接和层归一化方法进一步提升模型性能。基于中国宁夏回族自治区银川市高速路网监测数据进行实验,结果表明,与GCN-LSTM模型相比,STANet模型预测未来1 h、2 h和3 h内高速路网交通速度的平均绝对误差分别降低4.0%、3.6%和3.9%。

逆流条件下基于能量守恒的Taylor泡运移速度预测模型

在逆流条件下分析Taylor气泡运移行为,考虑流体的特征本构方程提出管流流场及Taylor气泡周围速度场计算方法,基于速度场模型建立气泡各阻力的能量耗散模型。基于能量守恒分析提出统一的适用于不同流变类型的Taylor泡上升速度预测模型(模型T),探究逆流条件下Taylor泡运移规律。结果表明:与公开试验数据对比,模型T对逆流条件下Taylor泡运移速度转折点的预测误差小于7.35%;随气泡体积增加,鼻端区域和尾流区域的能量耗散比例降低,液膜区的能量耗散比例增加;随气泡体积增加,屈服应力、惯性力和表面张力做功占比降低,黏性耗散占比增加;制约气泡上升速度增加的原因是气泡浮力做功增加的正功值被液膜区增加的能量耗散相抵消。

基于GRU-GCN-RDrop模型的交通速度预测

准确并实时地预测交通速度是实现智能交通管控和建设智慧交通系统必不可少的一环,然而现有的预测方法无法准确地挖掘其潜在的时空相关性。为了进一步挖掘数据的时空特性以及提高预测精度,设计了基于门控循环神经网络(GRU),图卷积网络(GCN)和正则化Dropout(R-Drop)结合的GRU-GCN-RDrop组合模型。GCN用于学习复杂的拓扑结构来捕获空间依赖性,GRU用于学习交通数据的动态变化来捕获时间依赖性。GCN和GRU相结合后使用R-Drop方法提高模型泛化能力。以SZ-taxi数据集为例进行预测分析,GRU-GCN-RDrop模型预测了未来在15分钟、30分钟、45分钟和60分钟的交通速度,并得出对应的均方根误差、平均绝对误差、精度、判定系数和解释方差。对比GCN、GRU单个模型,GRU-GCN-RDrop模型有效解决了误差的迅速累积问题。对比大多数现有基准模型,GRU-GCN-RDrop模型对于交通速度序列的特征提取及解释能力较为优秀。对比T-GCN模型和ST-AGTCN模型,GRU-GCN-RDrop模型泛化能力更强。由此说明了GRU-GCN-RDrop模型预测的交通速度时间序列具有较高的精度和稳定性。

基于CNN-BiLSTM的施工初期盾构机掘进速度预测

对盾构机掘进速度的预测可有效指导设备施工和工程的顺利进行。在隧道施工初期数据量较少时,针对掘进速度难以预测的问题,采用迁移学习策略建立盾构机掘进速度预测模型。提出了以TPI、FPI、SE、C 4种混合指标对盾构施工进行聚类分级和判别,降低设备参数和地质信息差异对迁移模型的影响。依托南京长江隧道工程和芜湖过江隧道工程的现场掘进参数进行验证。结果表明,以当前时刻掘进参数作为模型输入,下一时刻掘进速度作为模型输出,建立的基于CNN-BiLSTM的预测模型,可有效提取掘进参数特征,实现掘进速度预测,其预测值可以很好地反映实测数据的变化趋势;与其他3种智能模型对比,该模型在MAE和RMSE上表现最优,验证了模型的优越性和有效性。基于CNN-BiLSTM的预测模型,可有效解决施工初期数据量较少情况下掘进速度预测问题。

基于遗传算法优化深层神经网络的测井横波速度预测

实际生产中的测井横波资料通常很少或缺失,在地震资料解释与处理中需进行要人工补足缺失的测井横波资料,常规的线性回归方法得到的结果无法解释各种属性之间复杂的对应关系。随着机器学习的发展并被应用到地震数据处理等领域,通过神经网络的非线性映射的能力可以弥补线性拟合横波速度上的不足,并利用其优势进行横波预测,但机器学习中仍存在过拟合或拟合能力不足问题。针对该问题选择遗传算法与高斯过程回归共同优化后的神经网络进行训练。实践表明:与多元拟合和支持向量机回归相比,结果的精度相对误差有所降低,并用岩石物理测试获得的横波速度进行对比,验证了该方法的可靠性。

基于注意力机制和双向长短时记忆网络的横波速度预测方法及应用

横波速度信息对油气勘探而言至关重要,但实际测井资料中常常缺失横波速度资料。横波速度与测井参数之间存在非线性相关性,二者关系复杂难以用解析解表征。为此,提出了一种基于注意力机制和双向长短时记忆网络的横波速度预测方法(AT-BLSTM)。该方法首先利用注意力机制为测井参数分配权重,自动聚焦对横波速度预测贡献大的测井参数,然后利用双向长短时记忆网络以及横波速度曲线纵向上的时序特征,挖掘各种测井参数与横波速度之间的相关关系,获得各种测井参数与横波速度之间的学习模型,再输入优选测井参数,最终可直接获得横波速度的预测结果。将上述方法应用于挪威北海Volve油田和我国西南某工区的实际测井资料进行横波速度预测,并将预测结果与常规双向长短时记忆网络、门控循环神经网络以及基于经验公式的传统方法的预测结果进行对比。结果表明,利用基于注意力机制和双向长短时记忆网络的横波速度预测方法得到的测井参数权重分配合理,横波速度预测结果与实测横波速度误差较小、相关系数较高,有效提高了横波速度预测精度,预测结果具有良好的稳定性。

基于集成Dropout-DNN模型的盾构掘进速度预测方法

为了提升土压平衡盾构机的掘进速度预测精度,提出一种集成Dropout技术和深度神经网络(deep neural network,DNN)模型的盾构掘进速度预测方法。依据济南地铁R1线盾构隧道段工况数据,将数据集划分为5份,并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这5个参数为输入参数,分别建立了5个Dropout-DNN模型并进行集成实现了盾构掘进速度的预测,进一步对不同的预测方法进行了对比分析。研究结果表明:各Dropout-DNN模型预测精度具有一定的差异性,但基本良好,其决定系数均大于0.6,平均绝对百分误差均小于10%,而集成的Dropout-DNN模型决定系数为0.695,平均绝对百分误差小于5%,可见集成模型预测精度较高;基于反向传播(back propagation,BP)神经网络、DNN模型实现的盾构掘进速度预测模型其决定系数分别为0.502、0.566,可见提出的集成Dropout-DNN模型预测精度提升明显。