早期工作阶段滚动轴承剩余寿命预测算法

传统寿命预测算法在包含退化阶段数据的滚动轴承寿命预测方面已取得不错的效果,但是由于刚运行和运行一段时间数据相似,因此在只有正常工作阶段数据的情况下难以准确预测。储备池计算(RC)可根据之前时刻数据预测多个时间步长之后的数据,通过数据模拟补充退化数据,提高了将早期预测转化为传统预测的可能性。回声状态网络(ESN)可在充分利用时序信息的基础上输出当前时刻的相关维度。针对早期阶段轴承寿命预测,提出一个基于RC和ESN的递归可重构神经(RRN)网络的算法。首先设计一个基于RC的特征模拟网络,根据早期特征模拟包含退化数据的全寿命周期数据;然后提出一个基于ESN的寿命预测网络,根据输入的模拟特征输出剩余寿命。在PHM 2012数据集上验证了该算法的有效性,实验结果表明,与目前效果较好的算法相比,该算法在原测试数据实验与早期阶段剩余寿命预测的实验平均误差分别降低了61.35%和53.14%,具有较优的预测性能。

优化相空间近邻点与递归神经网络融合的短期负荷预测

根据在相空间重构拓扑近邻点的时间演化原理,提出了优化近邻点(optimal neighbor points, ONP)的短期负荷预测(Short-term load forecasting, STLF)法,它可克服伪近邻点在高嵌入维对局域动力学估计的不利影响,以提高预测精度。在此基础上,又提出ONP与递归性时延神经网络(Time Delay Neural Network, TDNN)模型融合的STLF法, 具有动态性能的TDNN是按优化近邻相点的演化轨迹构造,是属于对预测点跟踪的智能辩识动态行为模型。它能增强模型对系统动力学的联想性和泛化能力,使预测精度提高一倍以上。该文经两类不同负荷系统周、日预测仿真测试,证实所研究的预测模型能有效、稳定地提高预测精度,且有高的适应能力,为基于相空间理论预测法用于实际取得有效的进展。

基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。

一种多视角高精度图片的深度估计方法

针对多视图的重建中高精度图片难以有效重建的问题,提出了基于学习的深度估计方法.该方法利用空洞卷积神经网络对图片进行特征提取,利用长短期记忆网络构建并优化三维代价体,并且采取有监督和无监督2种方式进行训练.在2个真实场景中的多视角图片数据集上的实验结果表明,相比于传统方法和其他基于学习的方法,该网络所需的显存大大减少,因此能用于高精度图片的重建,同时,提高了模型深度预测的准确性和完整性。