数据驱动故障预测和健康管理综述

着重介绍数据驱动故障预测和健康管理(PHM)方法的研究现状。通过对数据驱动PHM方法的分类阐述,逐步说明面向复杂系统数据驱动PHM的方法体系和流程,并重点对构成数据驱动PHM方法体系的核心环节进行分析和总结。在此基础上,采用一个锂离子电池循环寿命预测实例综合分析了数据驱动PHM的实现过程。最后,分析了数据驱动PHM方法的发展趋势和研究挑战。

物理-数据-知识混合驱动的人机混合增强智能系统管控方法

当代系统认知、管理与控制的核心理论、方法与技术已经转移到大数据和人工智能技术上,这导致当前人工智能技术条件局限与复杂系统认知、管理、控制的需求之间形成了一道鸿沟。因此,现实的需求催生了人工智能的一种新型形态——人机混合增强智能形态,即人类智能与机器智能协同贯穿于系统认知、管理、控制等过程的始终,人类的认知和机器智能认知互相混合,形成增强型的智能形态,这种形态是人工智能或机器智能可行的、重要的成长模式。提出了一种物理-数据-知识混合驱动的人机混合增强智能系统管控方法。从可信分布式数据、计算和算法,物理深度学习,融合系统运行规则的混合型深度强化学习,因果分析,可解释性AI与数字人5个方面详细阐述了所提方法。最后,以电力系统调控为背景,以3个应用为例分析了所提方法的应用方式和技术路径。

数据驱动的扭曲均值-半方差投资组合选择

运用样本平均近似的数据驱动方法研究了带概率扭曲的均值-半方差投资组合优化模型,结合经典的遗传算法(ICA)和帝国竞争算法(GA),提出了ICA-GA混合算法.利用真实市场数据,对模型进行实证分析并求解有效前沿.最后,通过比较算法程序运行时间,表明本文创新的ICA-GA混合算法融合了帝国竞争算法和遗传算法两者的优势,比它们有更好的表现.