基于SOA-LSSVM的故障模式识别模型研究

将搜索者优化算法(SOA)应用于最小二乘支持向量机(ISSVM)惩罚因子和核函数参数的选择中,从而改善参数选择的随机性和盲目性,建立基于SOA-LSSVM的故障模式识别模型。应用该模型对变压器油中溶解气体故障模式进行分析,结果表明该算法在参数优选中的有效性,依此而建立SOA-LSSVM故障模式预测模型具有较高的准确率。     

遗传算法优化的小波神经网络在短期电力负荷预测中的应用

本文利用遗产算法的全局优化搜索能力来优化了小波神经网络,建立了基于遗产算法的小波神经网络短期电力负荷预测模型,克服了BP神经网络自身算法的缺陷,得到了更高的学习精度和更快的收敛速度,经实例也验证了该模型能有效地提高预测精度,减小负荷预测误差,避免了BP神经网络的固有缺陷.     

混沌神经网络在球磨机故障诊断中的应用

针对神经网络极易陷入局部极小的问题,采用引入动量项和混沌映射的改进BP算法,讨论引入动量项和混沌映射的神经网络综合模型的建模思路及其算法实现;介绍球磨机常见的故障类型,建立球磨机故障诊断的混沌神经网络模型,进行仿真试验,结果表明:该模型具有较高的预测精度,可以有效地运用于球磨机诊断中的故障预测。     

两阶段遗传算法的结构及性能分析

针对基本遗传算法(简称BGA)常常存在局部收敛以及收敛解精度不高等方面的不足,提出了一种改进的算法——两阶段遗传算法,给出了算法的结构及具体的实施策略,进而利用Markov链理论和仿真技术分析了该算法的收敛性能,结果表明该算法具有操作简单、鲁棒性强等特点,不仅可以有效地避免寻优过程中的“早熟”现象,而且在很大程度上能提高最优解精度,适合于大规模、高精度的优化问题。     

基于混沌蚁群算法的SVM模型在水库枯水期径流预测中的应用

本文采用混沌蚁群算法对SVM模型的参数进行优化计算,并采用高斯核函数对模型进行混沌特性识别,简化模型在枯水期径流预测非线性求解过程。结合优化模型对水库枯水期径流进行预测。研究结果表明:基于混沌蚁群算法的SVM模型可较好的辨识复杂的水文序列,模型具有较高的泛化能力,相比于传统算法,水库枯水期径流预测精度得到明显改善,具有较高的适用性。研究成果对于水库枯水期径流预测提供方法参考。     

结合相似日与改进神经网络的短期光伏发电预测

为提高光伏发电预测精度,本文运用灰色关联理论分析历史气象数据,筛选出与待测日天气数据关联度较高的历史数据组作为相似日集合。建立经思维进化算法优化的BP神经网络预测模型,将上述相似日集合作为训练样本代入预测模型用于预测光伏发电功率。以澳洲某光伏系统的数据为例进行预测,结果表明,相比传统BP神经网络法、RBF神经网络,结合相似日与思维进化算法优化神经网络的光伏短期发电预测方法具有更高的预测精度。     

基于CPSO的基础设施模糊投资组合优化模型

针对基础设施效益模糊、难以度量的特点,结合模糊集理论,建立了模糊投资组合优化模型,改进粒子群算法,加入混沌思想,使用混沌粒子群算法(CPSO)求解基础设施的模糊投资组合优化模型。以4个城市投资公司的数据为样本,验证该方法的科学性与有效性。研究结果表明:模糊投资组合优化模型可较好地表征基础设施的模糊效益,提高基础设施投资决策的科学性;混沌寻优思想改进的粒子群算法可求得模糊投资组合优化模型的全局最优解,增强算法的鲁棒性。     

基于BP神经网络的短期负荷预测

电力系统负荷预测的重要性、分类和主要预测方法,BP神经网络算法的基本理论和预测过程,建立基于BP神经网络的短期负荷预测模型,以加州24 h的电力负荷预测为例进行MATLAB仿真,结果显示预测精度符合电力系统要求。     

灰色神经网络在轴承故障预测中的应用

为提高旋转机械中滚动轴承故障预测的精度,提出灰色神经网络预测模型。利用训练样本数据,使用灰色神经网络模型完成训练过程;基于已训练好的模型对未来时间点的运行状态进行拟合,实现轴承的故障趋势预测。相比采用单一的BP神经网络预测模型,该组合模型具有较高的精度,对轴承故障趋势预测有一定的现实意义。     

面向智能控制湿法脱硫系统的动态建模

针对燃煤电厂湿式石灰石—石膏湿法烟气脱硫过程中控制环节精度较低的问题,建立精确的机理模型以及预测模型实现对脱硫过程中长时滞、非线性、多变量等复杂特性的最优控制,结合数据可视化技术揭示的内部趋势实现对电厂参数的针对性控制。基于电厂8826组实际运行数据,通过随机森林树模型以及矩阵模型对参数重要性以及相关性进行分析,采用多元线性回归分析建立机理模型以及XGBoost建立预测模型。结果表明,机理模型和预测模型相结合的预测精度较高,可以为电厂优化控制系统提高脱硫效率提供理论基础。     

基于POS优化算法的区域水资源优化配置研究

以区域经济、社会效益为目标,构建区域水资源优化配置模型,采用POS优化算法对辽宁东部地区水资源优化配置模型进行优化计算。研究结果表明:改进的优化算法可提供水资源优化配置优化求解的收敛精度和实现目标解的快速优化,可解决多目标、多供水用户以及多种约束条件下的复杂水资源优化配置问题,可提供不同方案下的水资源配置结果。研究成果对于区域水资源规划和配置提供参考依据。     

基于KPCA-GRNN的炼化厂管道腐蚀速率预测

为了提高炼化厂循环水对管道腐蚀预测的精度,选取8种常规监测数据作为样本标准库,在此基础上考虑各指标之间信息叠加的影响,引入核主成分分析(KPCA)和广义回归神经网络(GRNN)腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道腐蚀的主要因素,应用GRNN建立管道腐蚀速率预测的数学模型,通过分析影响循环水腐蚀的关键因素,建立了循环水腐蚀预测指标体系。结果表明,将样本监测数据的维数由8降至5,可得出各个影响因素的贡献率,提取出包含原始信息95.84%的5个变量,且基于KPCA-GRNN的算法对监测管道腐蚀速率的平均相对误差为0.033,优于误差反向传播算法(BP)的0.056。因此,基于KPCA-GRNN算法建立的循环水碳钢腐蚀速率预测模型,能够获得更准确的预测结果,拓宽了循环水腐蚀速率预测方法的研究思路。     

基于时间延迟的预防维修修正模型研究及其应用

本文解决缺陷发生服从非齐次泊松过程(Non-homogeneous Poisson Process,NHPP)和故障停机时间较长时,如何对基于时间延迟(Delay Time, DT)的预防维修(Preventive Maintenance,PM)基本模型进行修正,并对维修间隔期进行优化的决策问题.在介绍时间延迟概念及PM基本模型的基础上,考虑当设备系统的缺陷发生率不完全恒定时,以及平均故障停机时间较长时,合理的维修间隔期会产生相应变化.因此分别建立PM修正模型Ⅰ和Ⅱ,通过案例比较PM基本模型与修正模型优化结果,分析服从NHPP的缺陷发生及它和较长故障时间共同作用下.对确定合理的维修间隔期的不同影响.     

改进BP算法在旋转机械故障诊断中的应用

针对BP算法在神经网络诊断中表现出来的学习收敛速度慢、易于陷入局部最小点等局限性，用改进BP算法一有弹回的BP算法，对转子试验台模拟几种常见的故障进行诊断研究，从中得出结论：将代表故障的信息输入训练好的神经网络后，由输出的结果，便可以判断发生故障的类型。此外，有弹回的BP算法大大地提高了网络收敛速度和稳定性，更能满足实时在线诊断的要求。     

中国碳排放的组合预测与减排缺口分析

预测我国碳排放量的变动趋势,对国家进行宏观经济管理和碳减排工作具有重要的参考价值。（1）利用中国1997～2011年碳排放数据,分别采用三次指数平滑模型、灰色模型、二次指数模型建立中国碳排放的单项预测模型;（2）采用标准差法进行非负权重分配,建立了中国碳排放的组合预测模型,结果表明,组合预测模型的精度高于单项预测模型。（3）应用该组合模型对中国2014～2026年的中国碳排放量。预测表明,中国碳排放存在较大的减排缺口,碳减排需要从优化产业结构、优化能源消费结构和改善能源利用效率上进行。     

基于APSO-BP算法的水库生态优化调度研究

APSO-BP算法可实现粒子群优化的自动调整,解决传统粒子群优化算法收敛性较差,局部易出现极小值的局限,文章引入APSO-BP算法对辽宁某水库生态调度进行优化计算。研究结果表明:APSO-BP算法的收敛精度和全局优化搜索能力都好于传统粒子群优化算法,经APSO-BP算法优化下的水库生态调度可以满足流域的生态蓄水,流域最小生态需水满足度达到75%,适宜生态需水满足度达到66.7%,生态优化调度结果明显好于传统粒子群优化算法。APSO-BP算法可用于水库生态优化调度。研究成果对于水库生态调度方案以及区域生态蓄水规划配置提供方法参考。     

支持向量机模型在断层破碎带围岩变形预测中的应用

围岩变形预测是隧道安全评价及其指导后期施工的重要依据,为提高变形预测精度,结合工程实践,提出了PSO-SVM-BP预测模型的思路。首先,利用三次样条插值及二次平滑法对变形数据进行预处理,为后期变形预测奠定基础;其次,利用粒子群算法对支持向量机进行参数优化,建立PSO-SVM模型,并对围岩变形进行初步预测;最后,利用BP神经网络进行误差修正,达到综合预测的目的,并利用工程实例进行检验,以验证预测模型的有效性。结果表明:初步预测结果的相对误差均小于5%,而误差修正后的预测精度被提高到0.97%,预测精度较高,验证了预测模型的有效性,可为类似研究提供参考。     

灰色神经网络模型应用于证券短期预测研究

证券市场中存在大量的非线性及混沌现象使得许多基于证券投资理论建议的各种线性模型在对其发展进行预测时往往得不到很好的结果。利用两种非线性预测模型并充分考虑各技术指标之间的序列相关性,在灰色GM(1,1)预测模型的基础上提出了组合灰色神经网络预测模型。通过对近期深证成指及首钢股份进行短期预测和检验,结果表明了该方法具有很高的精确度及广泛的应用前景。     

用递阶优化方法把系统优化和系统辨识相结合解决离散系统的优化问题

本文介绍了一种用递阶优化的计算结构算法解决非线性、线性离散时间系统的优化和参数辨识问题。该方法的优点在于把系统优化和辨识问题有机地结合起来,达到了总体最优化克服了以往先辨识、后优化两段分离的缺点,这是因为若分为两步走,势必先要在某时间段内对系统进行辨识,在下段时间内依据辨识的模型结构,参数进行优化,这对时变系统来讲很难达到总体最优。因为优化的精度依赖于模型精度、最大和模型精度相同,而在一段时间内用一个不变的模型代替时变模型,显然得不出最优;其次该方法不仅适用于解小系统问题也可解大的、复杂的系统优化问题;再者,在计算机实时控制系统中,被控制对象的数学模型是离散型的,因此,讨论离散系统优化和辨识问题有很大的意义。最后本文讨论了在线控制问题,收敛条件以及θ值的收敛上限和收敛下限。     

国外设备管理模式及发展趋势(六)

费用有效维修(Cost-effective Maintenance,简称CEM)是通过维修作业的费用—效益分析选择维修策略的管理方式。 费用有效维修的主要程序如下: 1.辨识和确定各种潜在故障 这种管理模式基本延续使用以可靠性为中心的维修模式所提供的逻辑程序,它通过回答以下问题来辨识。 (1)功能——设备使用范围和功能、性能标准。 (2)功能性故障——功能性故障的表现形式。 (3)故障模式——造成每一种功能故障的原因。 (4)故障现象和作用——每种故障发生时的伴随现象。