针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行...针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition,EEMD)和变分模态分解(variational mode decomposition,VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions,IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明:该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。展开更多
为了解决民用机场安全趋势预测时所面临的预测方法主观性较大、预测结果不够科学,以及以伤亡事故信息作为预测源头数据的数据量不足等问题,首先,引入金融领域应用比较成熟的预测方法--异同移动平均线(Moving Average Convergence/Diverg...为了解决民用机场安全趋势预测时所面临的预测方法主观性较大、预测结果不够科学,以及以伤亡事故信息作为预测源头数据的数据量不足等问题,首先,引入金融领域应用比较成熟的预测方法--异同移动平均线(Moving Average Convergence/Divergence,MACD)指标预测方法,构建了民用机场安全风险趋势分析预测模型。该模型原理是运用两条不同速度的平滑移动平均线来计算两者的正负差--离差,再由离差的多日平均值计算离差平均值。通过观察离差值和离差平均值的方向、绝对位置和相对位置关系,将它们的同向、异向和交叉作为判断趋势翻转的时机。其次,依据《民用航空安全信息管理规定》(交通运输部令2016年第8号)、GB 3836.18—2010《爆炸性环境第18部分:本质安全系统》等相关的法律、法规及标准对安全风险信息的分类及收集范围进行了界定,并按照该安全风险信息的收集与分类方法收集了某机场3年的安全风险信息,运用上述模型进行了相关预测研究。最后,运用相关性分析及ABC管理图做了因素分析,给出了整改建议。结果表明,该模型方法能够比较贴近实际地预测企业的安全风险趋势情况,并能够从定性及定量两个维度提供解决问题的方法,为民用机场安全管理决策提供了一种新的思路。展开更多
文摘为了解决民用机场安全趋势预测时所面临的预测方法主观性较大、预测结果不够科学,以及以伤亡事故信息作为预测源头数据的数据量不足等问题,首先,引入金融领域应用比较成熟的预测方法--异同移动平均线(Moving Average Convergence/Divergence,MACD)指标预测方法,构建了民用机场安全风险趋势分析预测模型。该模型原理是运用两条不同速度的平滑移动平均线来计算两者的正负差--离差,再由离差的多日平均值计算离差平均值。通过观察离差值和离差平均值的方向、绝对位置和相对位置关系,将它们的同向、异向和交叉作为判断趋势翻转的时机。其次,依据《民用航空安全信息管理规定》(交通运输部令2016年第8号)、GB 3836.18—2010《爆炸性环境第18部分:本质安全系统》等相关的法律、法规及标准对安全风险信息的分类及收集范围进行了界定,并按照该安全风险信息的收集与分类方法收集了某机场3年的安全风险信息,运用上述模型进行了相关预测研究。最后,运用相关性分析及ABC管理图做了因素分析,给出了整改建议。结果表明,该模型方法能够比较贴近实际地预测企业的安全风险趋势情况,并能够从定性及定量两个维度提供解决问题的方法,为民用机场安全管理决策提供了一种新的思路。
