基于BP-SVM算法的中大型企业财务危机预警系统

为了提高中大型企业财务危机预警的精度,提出了基于BP-SVM算法的中大型企业财务危机预警系统研究.硬件设计中,根据传感器内部电路,结合企业财务危机数据分类的CPU板卡设计中大型企业财务危机报警器.软件设计中,利用BP-SVM算法计算出财务危机数据的聚类中心,检测出大型企业财务系统的异常行为,实现了企业财务危机的预警.测试结果表明,文中系统在中大型企业财务危机预警中的功能满足用户的要求,通过将吞吐量控制在800 bps~1000 bps之间,预警精度提高到90%以上.

基于电网跳闸数据分析的供电线路异常状态预警方法

为提升电力系统的稳定性与安全性,研究基于电网跳闸数据分析的供电线路异常状态预警方法。以广州市电网为例,统计分析在2010—2014年中,其电网电压小于或等于75 kV的电网跳闸数据,得出跳闸主要因素为天气;以风速、温度、相对湿度及线路走向同风向间夹角作为输入特征量,以实际出现的跳闸异常状况为输出,创建基于BP神经网络的供电线路跳闸异常状态预警模型,并实现跳闸异常状态预估;依据预估结果,结合供电线路跳闸异常状态预警过程完成预警,并通过训练来调整漏警集与虚警集,提升预警准确率。结果表明,所提方法的训练集平均准确率为99.69%,测试集平均准确率为97.65%,而其他对比方法最高值仅为90.32%;所提方法的空报率和漏报率均在1.5%以下,说明其准确率高且性能稳定,预估结果与现实状况相符,可作为供电线路跳闸的有效预警方法。

基于多元状态估计的尿素水解系统预警算法研究与应用

尿素水解系统可能存在尿素溶液污染除盐水、氨气带水、伴热管道效果差、喷氨管道堵塞等故障,影响设备的环保效率。为了解决上述问题,提出一种基于多元状态估计技术的尿素水解系统预警算法。该算法采用多元状态估计对尿素水解系统进行状态监测,得到状态评估值与真实值的残差用于判别该系统是否异常。经实验验证,该算法能够实现对尿素水解系统的状态监测,实现提前预警。

地面气象观测站自动化监控预警平台设计与实现

文章基于分布式技术的气象综合业务实时监控技术架构,开展地面气象观测站自动化监控技术研究,详细设计了气象观测站自动化监控总体流程、数据采集对接策略、关键技术指标、监控信息和告警信息。采用面向服务的体系结构开发并实现地面气象观测站自动化监控和告警,增强了业务故障预警能力,提高了设备运维保障效率,研究成果在四川省、市、县三级气象部门开展业务应用,解决了观测自动化业务综合观测运行监控能力不足的难题,极大地提高了地面气象观测自动化水平。

基于输电线路在线巡视系统的智能预警系统研究

以提高输电线路安全性和可靠性为目的,研究基于输电线路在线巡视系统的智能预警系统的原理。一种新的在线巡视系统采用可视监控、红外成像等技术,通过逐塔配置来替代人工巡视功能,并结合OPGW光电分离和EPON通信新技术实现海量数据的传输,在此基础上构建采用分级结构的智能预警系统。第一级位于杆塔终端主机,通过杆塔就地监测信息对输电线路的故障或异常状态进行初步判断,如利用图像差分等方法;第二级位于后台主机系统,通过系统建模与综合分析精确判断输电线路故障类型,如模糊评判方法。该智能预警系统的运用,可有效实现输电线路及其设备故障异常的智能识别。

基于NSET的风力发电机后轴承温度预警方法

采用非线性状态估计(NSET)方法对风力发电机的后轴承温度进行建模与分析;并采用Relief方法对特征参数进行选择,减少了NSET建模的复杂性。通过所建模型预测发电机后轴承温度,将其与正常运行温度进行比较;并利用滑动窗口对残差均值进行比较。若超出阈值范围,则发电机出现故障。验证结果表明,非线性状态估计(NSET)方法可以准确预测发电机后轴承温度,实现发电机运行状态的预警监测。

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述(SVDD)和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统(SCADA)数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明:基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。

基于泛在物联网和机器学习算法的资产异常状态预警系统

针对传统方法对资产、财务的管理过程中存在难以预测资产异常状态的问题,文中提出了基于泛在物联网与机器学习的资产异常状态预警算法来评估用户的资产状态。该资产异常状态预警系统从结构与设计方法两个角度展开,采用B/S系统架构以满足通过互联网实现多终端的实时接入。泛在物联网技术连接了用户的各个层面,可为资产异常状态预警系统提供所需要的样本数据;机器学习中的BP神经网络与决策树算法被用来对样本数据进行特征提取及资产状态分类,从而构建资产异常状态预警模型;最终使用Bagging对资产异常状态预警模型进行优化。测试与数据分析结果表明,与使用Softmax作为分类器的模型对比,基于BP神经网络与决策树的资产异常状态预警算法具有更高的准确率,平均识别精准度为80.1%,可以为用户提供有效的资产风险预警。

基于多工况融合的化工装置异常状态预警研究

化工装置的异常状态会导致生产运行过程中发生重大安全事故。提出一种基于多工况融合的化工装置异常状态预警策略,即:分析反映化工装置异常状态的特征参数,采用隶属函数对特征参数变化趋势进行量化处理,计算得到各特征参数的偏差程度;利用特征参数变化速率确定特征参数权重的分配原则与算法,结合特征参数偏差程度和权重的计算结果,构建了基于多工况参数融合的化工装置异常状态预警模型;利用西南油气田川中油气矿天然气净化厂DCS系统数据对预警策略进行了验证。验证结果表明:与传统单参数阈值报警相比,本文提出的预警策略可提前8min预知脱硫塔异常"发泡"事件,从而达到过程安全管理关口提前的目的。

电力营销实时费控系统运行状态异常预警方法

当前电力营销实时费控系统预警方法易将正常数据误标记为异常数据,造成计算量加大,预警时间过长,因此,提出电力营销实时费控系统运行状态异常预警方法。以电力营销实时费控系统历史运行数据为挖掘对象,使用贝叶斯算法处理挖掘到的系统异常运行状态数据集,采用滑动窗口方法连续标记异常运行状态数据,避免正常数据的干扰,在此基础上对系统运行状态异常进行判断。根据异常判断结果,以计算得到的置信度数值为预警限值,实现对费控系统运行状态异常预警。实验结果表明,研究方法的系统运行状态异常判断准确率高,平均预警时间为0.03秒左右,预警时间最短。

选煤厂煤炭输送设备异常状态智能预警系统的设计与应用

为了提高选煤厂煤炭输送设备异常状态识别的准确性,基于自动选取特征参数阈值和多维分析,研发出煤炭输送设备异常状态智能预警系统。现场实践表明:该系统能够有效识别选煤厂煤炭输送设备的异常状态,避免设备故障向更加严重的方向发展,有助于减少设备停机时间和维修成本。

基于概率分布函数的石化装置异常状态早期预警方法

为减少石油化工装置引发泄漏、火灾及爆炸等风险,以典型的催化裂化装置为研究对象,提出一种基于概率分布函数的石化装置异常状态早期预警新方法。通过样条拟合原理,揭示装置压力、温度、流量等运行参数在一段时间内的变化趋势,获取这些参数的偏离速率和偏离量等特征参数。基于威布尔分布确定装置失效概率分布函数,并将提取的特征参数与失效函数相结合,构建包含特征参数的概率分布数学模型。在此基础上,提出一套完整的预警流程,实现催化裂化过程中的实时风险状态评估及异常预警。结果表明:该方法能够在运行参数震荡、阶跃、平缓变化趋势下实现异常预警,相较于传统的仪表系统,该预警方法的时间可提前87~621 s,可解决仪表系统单一阈值报警后异常处置时间有限的弊端。此外,通过对比不同的数据处理方法,发现基于样条拟合的预警模型效果更佳。

多媒体教室设备异常状态智能预警技术研究

当前的智能教室建设中,相关设备异常状态智能预警流程多为独立结构,预警的覆盖范围受限制,是异常状态监测中的一个难点问题。因此,研究一种多媒体教室设备异常状态智能预警技术。根据当前的预警需求,首先进行异常特征识别,采用特征关联的方式,打破预警覆盖范围的限制。设计自适应预警流程及预警趋势分析,并构建人工智能教室设备异常状态智能预警模型,采用持续追踪标定的方式来完善智能预警结果。测试结果表明:所提方法的预警模糊预测值整体保持在0.80以上,预警均值误差接近0,且预警灵敏度高,说明此次所设计的多媒体教室设备异常状态智能预警技术高效、细化、针对性强,具有实际的应用价值。