基于ISABO-IBiLSTM模型的刀具磨损预测方法

针对现有的刀具磨损预测方法因为缺少优化算法及网络结构不完善而导致预测精度不高的问题,提出了一种将改进的减法优化器(SABO)算法和改进的双向长短时记忆(BiLSTM)网络相结合的刀具磨损状态预测模型(ISABO-IBiLSTM模型)。首先,采用截断法、Hampel滤波法、改进的完全自适应噪声集合经验模态分解(ICEEMDAN)-改进的小波阈值降噪法对加速度振动信号与力信号数据进行预处理。然后,提取预处理后的信号数据的时域、频域、时频域特征,并通过斯皮尔曼和最大互信息相关系数筛选特征,构建模型的输入。最后,利用改进的SABO算法对改进后的BiLSTM网络进行参数寻优,基于所得到的优化参数训练网络实现磨损预测。实验数据分析结果表明,所提出的ISABO-IBiLSTM模型对刀具磨损量的预测精度为98.49%~98.83%,较BiLSTM模型、改进的BiLSTM模型、改进的卷积神经网络(ICNN)-BiLSTM模型有了较大的提高。

基于时序分析的电网合并单元电平预测

合并单元设备监控依赖于现场工作人员记录、实践经验以及预设告警阈值,缺少对系统监视数据的分析和挖掘,不能实现设备状态预测。鉴于此,根据监视合并单元电平数据的时序性特征,将传统时序模型差分整合移动平均自回归(Autoregressive integrated moving average,ARIMA)和长短期记忆网络(Long short-term memory,LSTM)构建组合模型,并采用蛙跳算法(Shuffled frog leaping algorithm,SFLA)进行模型优化。优化后的模型应用在合并单元激光器监视的电平数据预测分析,将ARIMA-LSTM优化组合模型和单一模型进行对比,验证了组合模型比单一模型具有更高的准确度。进一步和其他组合模型做对比实验,实验结果表明,组合模型经过SFLA优化后均优于其他组合模型,能够更好挖掘数据中的隐藏信息和趋势,提高时序数据预测精度和故障排查效率。将SFLA优化的组合ARIMA-SVM模型和ARIMA-LSTM模型对比,实验结果表明,所提出的ARIMA-LSTM模型优于ARIMA-SVM模型,可以更好地分析和掌握设备状态信息,实现对合并单元设备的电平数据预测。

基于局部相关谱约束的多道匹配追踪算法识别微地震信号

多道匹配追踪算法是将地震记录中的每一道信号分解成一系列相同位移参数、频率参数及相位参数但振幅不同的匹配原子的线性组合。在地震剖面中,有效信号往往具有一定的方向性。为了利用信号的方向性等特征,提出了基于局部相关谱约束的多道匹配跟踪算法。利用局部窗口内的相关谱作为权重,对每次匹配跟踪的方向进行约束,对模拟以及实际的三分量微地震信号分别采用传统的多道匹配跟踪算法和本文提出的方法进行处理。为了验证该算法的准确性及可行性,采用STA/LTA算法对其结果进行事件拾取对比分析,结果表明基于相关谱约束的多道匹配跟踪算法能显著提高微震信号的信噪比,在一定程度上降低了微震事件误判的机率,且使STA/LTA算法的峰值提高1.2倍左右,提高了微震事件检测的可能性,可较为准确地识别出微震信号。

利用标准时频变换方法在强噪声环境下无偏拾取地震P波、S波到时

地震P波、S波到时是精确分析地震水平位置、深度与速度结构等的重要参数,如何准确拾取P波和S波到时是地震学的一项重要的基础工作.大数据量与强噪声环境给地震到时的自动拾取带来了很大挑战.在频率域中可将信号与噪声分离,但会造成震相的偏移.针对上述问题,本文在STA/LTA、AIC方法的基础上,引入了标准时频变换(Normal Time-Frequency Transform,NTFT),结合信号时间域与频率域特征,提出了基于NTFT的STA/LTA方法,以及基于NTFT的AIC方法来拾取P波和S波的到时.基于NTFT的STA/LTA方法通过构建即时频率约束的特征函数,以增强地震信号振幅响应的变化特征.基于NTFT的AIC方法则根据NTFT的变换系数定位即时频率-时间基准点,通过滑动窗口直接对标准时频谱进行AIC处理拾取最佳到时.本文采用了不同强度噪声的60组合成数据和105组实测地震数据对方法的可靠性进行检验.以人工拾取到时为参考,实测数据中NTFT-STA/LTA方法拾取P波、S波到时的均方根误差分别为0.36 s和0.56 s;NTFT-AIC方法拾取P波、S波到时的均方根误差分别为0.25 s和0.35 s.相比于STA/LTA、AIC方法,NTFT改进后的方法提高了P波和S波到时的拾取准确率,为强噪声环境下的地震波形到时拾取提供了新思路.

不同预测算法在简单交通场景中的应用比较

为探讨不同趋势预测算法在简单交通场景中应用的有效性,以部分高速公路收费站数据集为研究对象,分别采用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、长短期记忆(Long Short-Term Memory,LSTM)循环神经网络和Prophet时间序列预测算法建立交通流预测模型。通过对比分析发现,3种预测模型在解决交通流预测问题方面均表现良好,相比之下,LSTM在模型拟合和预测精度方面表现更好,泛化能力更强,且在影响因素设置方面更为灵活。在以后的研究中,可采用LSTM,结合调参方法解决更多交通场景下的交通流预测问题。