基于实时电价特征的Seq2Seq-Attention 网络短期电价预测

电价预测中常选择负荷与电价作为输入特征,由于输入信息量少,难以得到较好的预测效果。为准确捕捉短期电价变化规律,提出基于实时电价原理进行电价特征提取,从电价形成机制的角度对电价波动原因进行分析,筛选出用于短期电价预测的实时电价特征。并使用擅于捕捉电价预测数据规律的Seq2Seq-Attention网络进行预测。通过美国PJM电力市场公开数据进行验证,证明了该方法的有效性。     

基于飞行数据的航空发动机健康状况分析

通过对航空发动机的典型故障分析,应用RBF神经网络,构建不同油门开度下的发动机性能参数,进行故障特性学习作为训练样本,将测试样本与训练样本的期望值进行比较,来确定发动机性能的衰变程度,提出了航空发动机性能评价模型.通过多机种多架次的大量飞行记录数据的实验,验证了该方法是能够及时检测到故障的发生和识别的一种有效方法.通过...     

国产航空发动机外形及结构高度仿真模型构建的方法研究

航空发动机外形的模型构建方式已有很多种,其效果也不尽相同,但针对航空发动机外形、内部构造,以及工作原理的高度仿真方面的研究较少着重介绍了国产航空发动机外形高度仿真模型表达的需求及操作方法,通过对各类软件的总体介绍和应用方法分析,展示了国产航空发动机通过高度仿真模型表达后的效果及优势,详细阐述了实际上机操作方法、具体应用名称、静态及动态应用演示表达等过程,并对操作过程进行了模块化流程分析图解操作效果表明,该方法切实有效,已实际应用于多个项目中。     

基于RBF神经网络的水下机器人传感器状态监测方法研究

为了实现水下机器人多传感器状态监测,根据其工作环境及所配置传感器的数量,提出了基于径向基函数(RBF)神经网络的传感器状态监测方法,建立了二级神经网络监测模型,解决了多传感器故障诊断和信号恢复的问题.基于某型水下机器人海中试验数据进行计算机仿真试验的结果,验证了该方法的有效性和可行性.     

基于支持向量机的航空发动机整机振动故障诊断技术研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机(SVM)的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。     

基于3d打印的航空发动机及反推演示系统设计与制作

航空发动机作为飞机的"心脏",其结构复杂,零部件较多,为了更好的认识和理解发动机及其反推系统工作原理可以简化其细节构造制作动态演示模型.以三维制图软件简化设计了典型格栅式反推涡扇发动机,并利用先进3D打印技术打印了涡扇发动机整体结构.研制了丝杠正负减速电机驱动电路板控制反推系统工作.该模型完整的演示了航空涡扇发动机反推系统的工作原理,同时也是3D打印技术在民航教学领域里创新性的应用,对发动机课堂动态展示起到良好的作用.     

一种面向无线传感器网络的多数据融合模型设计

针对新一代智能温室中无线传感器在多路双向传输状况下的数据处理问题,提出一种将Kalman滤波器与支持向量机相结合的传感器数据融合模型。模型利用Kalman滤波器对传感器数据进行预处理,并使用基于核函数方法的支持向量机对采集数据信息进行训练学习后分类。借助该模型可在传感器级完成预决策,实现传感器数据融合。实验结果表明,该数据融合模型分类准确率达到95%,可在较低硬件成本下实现温室高效数据采集与决策。     

航空发动机叶轮超高周疲劳寿命预测方法

为了预测航空发动机叶轮的超高周疲劳寿命,以某型叶轮为研究对象,研究叶轮叶片在不同载荷状态下的应力和疲劳寿命. 建立叶轮的有限元模型,通过仿真分析叶轮叶片在离心、气动载荷作用下的应力变化情况;考虑叶轮叶片的表面状态,修正应力结果;基于位错偶极子模型及相关理论,建立TC4材料的超高周寿命预测模型;结合修正交变应力和寿命预测模型,实现了航空发动机叶轮的寿命预测. 对比分析现有模型和该模型下的寿命预测结果,结果表明：2种模型在低、高周范围内预测寿命的变化趋势一致;利用该模型有效解决了叶轮疲劳寿命的预测问题,预测值较贴近测试寿命;叶轮表面状态对疲劳寿命的预测结果影响较大,因为考虑了表面状态,寿命预测结果更贴近测试寿命值.     

基于土壤数据广度与深度模型的作物推荐算法

针对现有数值型作物推荐算法忽略了文本域数据对于作物推荐的指导性意义，无法挖掘数值域数据与文本域数据之间的内在关联，导致推荐模型预测精度较低的问题，提出了一种基于土壤数据广度与深度模型的作物推荐算法。对残缺、重复、不平衡的土壤数据进行数据预处理，采用数值归一化和向量嵌入的方法融合数值域数据与文本域数据，然后使用广度与深度模型联合训练的方法挖掘其内在关联，改进多分类激活函数实现多分类。实验结果表明:该方法的预测精度优于现有数值型作物推荐算法。     

基于回声状态网络的飞机混沌时间序列预测模型

准确检测飞机即将发生的故障或预测其状态的变化趋势,对于实现飞行安全具有重要意义。文章针对传统基于回声状态网络在故障预测中的不足,构建了基于小波降噪的回声状态网络预测模型。该模型保留了非线性时间序列回声状态网络预测的优势,并采取小波变换对混沌时间序列进行降噪预处理,有效提高了含噪混沌时间序列的预测精度。论文通过对某飞机发动机滑油散热器温度时间序列数据序列进行预测分析,表明文中模型具有较好的预测精度,验证了模型的有效性。     

基于集成学习的O3的质量浓度预测模型

为准确预测O₃的质量浓度及其发展趋势,分析其诱发因素,提出一种基于集成学习的O₃的质量浓度预测模型。以北京市2015—2016年O₃污染物的质量浓度及气象因素数据为基础,提出并建立面向O₃污染物的质量浓度预测的特征选择-集成学习多层预测模型,在对数据进行缺失值填补及异常值分析的基础上,利用Pearson相关分析和Lasso回归分析同时对清理后的气象资料数据进行特征选择,以消除数据冗余,提高预测精度;提出基于自组织映射神经网络self-organizing featuremap, SOFM和Elman神经网络Elman neural network, ENN的集成学习算法,利用SOFM对样本数据进行聚类以实现样本的合理分布后,使用ENN进行仿真训练来预测O₃的质量浓度。试验结果表明：采用Pearson-Lasso特征选择和SOFM样本聚类对数据做前期处理后,ENN的预测精度由74.6%提高到82.1%,能够改善基于ENN的O₃污染物的质量浓度的预测准确率。     

基于正交实验的水源井水腐蚀影响因素及腐蚀预测

针对SZ36-1油田水源井水对油管腐蚀穿孔的影响日益严重的问题,在现场工况下研究了管材的腐蚀规律并对腐蚀进行了预测。设计5因素4水平的正交实验,分析了温度、压力、流速、CO₂质量浓度和矿化度等5个因素对腐蚀速率的影响,确定了SZ36-1油田水源井腐蚀环境下的主控因素是温度和CO₂质量浓度。通过多元线性回归分析方法和BP神经网络方法,建立腐蚀预测模型并进行了对比分析。对比分析结果表明,基于多元线性回归方法的腐蚀预测模型预测精度更高,更适合目前油田水源井水的腐蚀预测。     

基于气象因素的PM2.5质量浓度预测模型

为得出拟合效果最佳的预测模型,建立了多元回归和机器学习预测模型对PM_2.5质量浓度进行预测。在输入气象因素的基础上,引入污染物质量浓度基础值和周期因素两类变量作为预测输入,并对4种预测模型进行对比研究。研究结果表明:对预测输入进行改进后,多元线性回归预测模型拟合优度由0.52提高至0.64,所选取的气象参数、污染物质量浓度基础值和周期因素能较好地描述PM_2.5质量浓度的日变化情况;与多元线性回归预测模型相比,BP神经网络和支持向量机两种预测模型能较好地捕捉PM_2.5质量浓度与预测输入之间的非线性影响规律,整体拟合优度分别达0.69和0.74,预测准确度较高;支持向量机预测模型可作为PM_2.5质量浓度预测的首选方法。     

基于深度信念网络的PM2.5预测

提出一种基于深度信念网络(deep belief networks, DBNs)的区域PM_2.5日均值预测方法,讨论了训练数据选择方式,并优化了DBNs参数设置。通过相关实验并与基于径向基神经网络(radial basis function, RBF)和反向传播神经网络(back propagation, BP)方法比较,验证了基于DBNs方法的可行性和预测精度。实验结果表明:基于DBNs的方法,区域(西安市)预测PM_2.5日均值与观测日均值之间均方差(mean square error, MSE)为8.47×10^-4mg²/m⁶;而采用相同数据集,基于RBF和BP的方法均方差为1.30×10^-3mg²/m⁶和1.96×10^-3mg²/m⁶。比较分析表明:基于DBNs的方法能较好预测区域整体PM_2.5的日均值变化趋势,显著优于基于神经网络和径向基网络方法的预测结果。     

基于数据融合的日光温室传感器布设

针对北方日光温室内环境监测传感器的布设问题,设计了基于神经网络、分批估计理论与自适应加权平均融合算法的日光温室传感器布设方案.利用11个监测点采集到的温室内西红柿生长环境温度和湿度数据,在运用BP神经网络进行缺失值补全的基础上,结合分批估计理论和自适应加权平均融合算法进行多传感器数据融合.通过对比融合值与原始数据的相对误差,选择最佳传感器数据,以此为基础确定最优传感器布设区域.结果表明,相对于算数平均融合与自适应加权平均融合,基于分批估计的自适应加权平均融合方法可以更合理地反应多传感器数据特征.     

基于人工神经网络含稀土元素熔敷金属力学性能预测

为了提高焊条的力学性能并缩短焊条研发周期,在E4301型焊条药皮配方基础上加入了CeO_2和稀土元素La,并对焊条进行了力学性能试验.对试验数据进行分析后发现,加入适量的稀土元素可以改善焊条的力学性能.利用典型BP和RBF神经网络分别建立力学性能预测模型.将焊条中的CeO_2、La、Si、Mn含量与焊接速度作为预测模型的输入变量,将熔敷金属的抗拉强度、下屈服强度、断后伸长率与热影响区平均硬度作为输出变量.结果表明,将BP和RBF神经网络用于对含稀土焊条力学性能的预测是可行的,且RBF神经网络模型的预测精度和效率要高于BP神经网络模型.     

BP算法在位移传感器测量精度方面的应用

在较高精度位移测量中,需要对位移传感器的输出进行温度补偿。采用BP(Back Propagation)网络的多传感器数据融合方法,把位移传感器和温度传感器的输出作为网络的输入向量送入融合中心,通过BP网络训练,然后将标定样本送入训练好的神经网络,得到比较准确的位移输出。为克服传统BP网络算法收敛慢、容易收敛到局部最小点的缺陷,采用BP多层前馈神经网络改进算法对传感器特性进行补偿,用MATLAB仿真所得到的结果与原有的实验数据相比较,在相同的温度波动情况下,位移传感器的输出误差比原来的减小了3倍,而且大幅度地节省了时间。     

基于多传感器数据融合的加工质量预测技术

多传感器数据融合技术已受到广泛关注．它的理论和方法已被应用到许多研究领域。基于多传感器数据融合技术,通过分析影响加工质量的多种因素．综合考虑铣削过程主轴电机电流信号、工件振动信号、主轴转速、进给速度、切削深度、切削宽度、顺,逆铣及刀具直径8种因素。以这8种因素作为神经网络输人,进行信息融合,以加工尺寸误差作为目标输出,建立了RBF神经网络加工尺寸误差智能预测模型。     

Sensor Registration Based on Neural Network in Data Fusion

The contents of sensor registration in the multi-sensor data fusion system are introduced, and some existing methods are analyzed. Then, one approach to sensor registration based on BP neural network is proposed. Here the measurements from radar are transformed from the polar coordinate system to the Cartesian coordinate through a BP neural network. With this approach, the systematic errors are removed as well as the coordinate is transformed. The efficiency of this method is demonstrated by simulation, and the result show that this approach could remove the systematic errors effectively and the DAR are closer to real position than DBR.