基于数据挖掘的静变电源故障预测研究

静变电源是机场桥载设备最重要的组成部件之一,应用非常广泛,但与此同时,其产生的高频故障会造成设备利用率低、修复率时长和重大经济损失等问题,在基于桥载设备的安监系统上,设计了静变电源安监信息采集节点,通过数据挖掘软件,建立了静变电源故障预测模型.经过比较Apriori算法和其他典型数据挖掘算法的性能,结合在线数据库测试结果表明,得到了不同的典型算法在预测静变电源故障上显现的特点,通过选择最优算法高效地预测了静变电源的未来状态,实现了对静变电源的实时故障预测,进而为解决故障提供了方向和目标,最终达到了降低经济损失最大化的目的,具有很深的实际意义.     

基于数据挖掘的空调机组故障预测研究

作为机场桥载设备的重要组成部件之一——空调机组,由它产生的频发故障所造成的设备利用率低、修复率时长和重大经济损失等问题,在基于桥载设备的安监系统上,设计了空调机组安监信息采集节点,通过Clementine软件,建立了空调机组的故障预测模型,经过比较Apriori算法和其他典型数据挖掘算法的性能,通过在线数据库测试结果表明,得到了不同的典型算法在预测空调机组故障上显现的特点,通过选择最优算法高效地预测了空调机组的未来状态,实现了对空调机组的实时故障预测,进而为解决故障提供了方向和目标,最终达到了降低经济损失最大化的目的,具有很深的实际意义.     

信息

清华大学“流程工业典型设备的故障诊断与预测维护系统”通过验收由清华大学承担的“流程工业典型设备的故障诊断与预测维护系统”课题,以其在技术研究上的突破及成功应用,通过了863计划CIMS主题专家组组织的验收。课题分别研究和开发了具有自主知识产权的输油管网故障诊断系统和铝电解槽智能健康诊断系统。这两套故障诊断系统均可通过及时发现或预报设备的异常或故障而避免由其所导致的巨大经济损失或安全事故,从而具有潜在的巨大经济效益。其中,输油管网故障诊断系统提供了管道SCADA系统的主要功能和管道泄漏的实时自动检测和定位功能…     

基于BP神经网络的军用电源智能故障诊断

电源设备的可靠运行关系到地空导弹武器系统的性能,对电源系统进行准确的故障诊断是十分重要的.为对地空导弹武器系统中电源设备故障进行准确诊断,介绍了BP神经网络和某型地空导弹静变电源的相关知识,建立了三相DC/AC逆变器的故障模型,并对几种常见的故障进行了简要的分析.最后,将BP神经网络模型应用于某型地空导弹静变电源的故障诊断,利用神经网络较好的模式分类能力,解决了以往地空导弹部队进行静变电源故障诊断的不足.仿真结果表明,该方法能够准确诊断电源设备的故障,验证了该方法的准确性和实用性.     

清华大学“流程工业典型设备的故障诊断与预测维护系统”通过验收

由清华大学承担的“流程工业典型设备的故障诊断与预测维护系统”课题，以其在技术研究上的突破及成功应用，通过了863计划CIMS主题专家组组织的验收。课题分别研究和开发了具有自主知识产权的输油管网故障诊断系统和铝电解槽智能健康诊断系统。这两套故障诊断系统均可通过及时发现或预报设备的异常或故障而避免由其所导致的巨大经济损失或安全事故，从而具有潜在的巨大经济效益。其中，输油管网故障诊断系统提供了管道SCADA系统的主要功能和管道泄漏的实时自动检测和定位功能；     

基于HMM的设备故障预测方法研究

故障预测是设备实施基于状态维修的1个重要内容,是实现真正意义上精确维修的前提和基础。隐马尔可夫模型（HMM）作为1种统计分析算法,在设备的故障诊断中获得了成功应用。但对于故障的预测,传统隐马尔可夫模型存在很多缺陷,因此研究相关的改进算法,构建了基于隐马尔可夫的故障诊断和预测框架,使设备的故障诊断和预测能够同时进行。最后通过对滚动轴承实测数据的仿真验证,表明该算法具有较高的故障识别率并且对设备的剩余寿命能进行有效的预测。     

基于故障字典和神经网络理论的故障诊断方法

鉴于传统的故障诊断方法对复杂系统或设备进行故障诊断时,有诊断速度慢、对多故障同时发生的情况难以准确定位等缺点,提出了基于故障字典法和神经网络理论的综合故障诊断方法;在叙述该综合诊断方法的基础上,以某型飞机自动驾驶仪飞控盒的主要故障为例,分析说明了运用该方法进行设备故障诊断的具体过程,并进行了仿真研究;实现了对此设备单故障和多故障的快速准确定位;结果表明该综合故障诊断方法解决此类故障诊断问题是有效的.     

基于贝叶斯网络的车辆电源系统故障诊断方法

针对车辆电源系统测试点少且测试数据不完备的问题,提出一种多信号流图模型和贝叶斯网络相结合的故障诊断方法。利用多信号流图模型建立电源系统的故障诊断模型,得到系统故障源与测试信号对应的故障依赖矩阵,在此基础上,建立用于故障诊断的贝叶斯网络结构,根据历史数据完成网络的参数学习,并以故障后验概率最大为准则,实现电源系统的故障诊断。仿真实验验证了该方法的有效性。     

航电设备故障诊断专家系统

故障诊断专家系统在自动测试与诊断领域有着广泛的应用,它是自动测试系统的核心技术之一．介绍了某型机航电设备故障诊断专家系统,运用规则推理与Hash算法相结合的综合推理方式进行故障快速定位及故障预测,提出视情维修建议,提高了航电系统的故障检测率及故障诊断效率．     

基于建康管理技术的机载计算机智能故障诊断方法

为了满足飞机机载电子设备以状态监控为基础的视情维修保障策略,提升设备可维护性,提出了一种基于在线检测、故障预测、辅助决策的健康监控管理故障诊断方法,支持对机载电子设备的健康状态进行预测和评估。通过划分机载电子设备子功能的敏感威胁区域,对这些区域设计专门的威胁预警监控电路,进行功能危害监控,建立推理监控模型对监控电路故障进行预警监控,结合辅助决策的方式对预警到的故障进行定位,实现对电子设备的智能故障诊断。通过FMEA的分析与故障注入测试验证,该预警电路、推理模型和辅助决策能有效的预测故障及定位,具有较高的故障预测覆盖率,可提高机载计算机的维修性、降低维修时间,在电子设备视情维修策略上具备工程应用价值。     

基于自然梯度提升的空间物体轨道状态预测误差不确定性估计方法

针对空间监视环境中基于动力学模型的轨道状态预测方法精度不够,基于机器学习的误差补偿模型可靠性不足,以及SSA应用中对不确定性建模的需求,将轨道状态预测误差估计问题重新表述为概率预测问题,提出一种对物理模型的轨道状态预测误差进行建模的方法.该方法将轨道状态变量误差的概率分布参数作为梯度提升算法的学习目标,以量化轨道状态误差估计中的不确定性.由于参数所对应的概率分布函数位于黎曼空间,利用基于Fisher信息矩阵的自然梯度代替标准梯度,推导自然梯度的计算公式,并给出状态预测误差的条件概率分布.实验结果表明,与仅采用物理动力学方法的状态预测相比,采用所提出机器学习误差估计方法后,轨道状态各分量的均方根误差至少降低约60%.同时,与其他常用不确定性估计方法相比,所提出方法可以得到更好的负对数似然值,因此能够有效估计状态预测误差的不确定性,提高将机器学习方法用于空间态势感知任务时的可靠性.     

Hercules — A modeling system with knowledge about economics

The paper is concerned with the effectiveness of economic modeling. It argues that the key problems of economic modeling are the time and effort it takes to implement a model, the problems of detecting and correcting errors, and the difficulties involved in communicating assumptions. The logical consequence is to improve the model representation and the error detection capabilities of modeling systems. The paper discusses information content and error detection in models that use conventional mathematical notation and argues that we need a model representation with more information than is usually available in mathematical representations. HERCULES, a modeling systems for large economywide static models is then presented. The system uses a model representation in which all economic assumptions are directly available. This makes model implementation much faster and prevents certain types of errors. In other cases, error detection and error messages are far superior to those of general purpose mathematical modeling systems. The technical implementation of HERCULES, designed to allow maximum flexibility for future enhancements is discussed.     

Predicting the output error of the suboptimal state estimator to improve the performance of the MPC-based artificial pancreas

The error of single step-ahead output prediction is the information traditionally used to correct the state estimate while exploiting the new measurement of the system output. However, its dynamics and statistical properties can be further studied and exploited in other ways. It is known that in the case of suboptimal state estimation, this output prediction error forms a correlated sequence, hence it can be effectively predicted in real time. Such a suboptimal scenario is typical in applications where the process noise model is not known or it is uncertain. Therefore, the paper deals with the problems of analytical and empirical modeling, identification, and prediction of the output error of the suboptimal state estimator for the sake of improving the output prediction accuracy and ultimately the performance of the model predictive control. The improvements are validated on an empirical model of type 1 diabetes within an in-silico experiment focused on glycemia prediction and implementation of the MPC-based artificial pancreas.     

Analysis of discrete-time Kalman filtering under incorrect noisecovariances

Analysis tools are developed that can be effectively used to study the performance degradation of a filter when incorrect models of the state and measurement noise covariances are used. For a linear time-variant system with stationary noise processes, it is shown that under certain stability conditions on the system model, the one-step prediction error covariance matrix will converge to a steady-state solution even when the filter gain is not optimal. On the other hand, if the state transition matrix has an unreachable mode outside a unit circle, then the modeling errors in the noise covariances may cause the filter to diverge. Bounds on the asymptotic filter performance are computed when the range of errors in the noise covariance matrices are known. Using simple examples, insights into the behavior of a Kalman filter under nonideal conditions are provided     

分布式机器学习作业性能干扰分析与预测

通过分析分布式机器学习中作业性能干扰的问题,发现性能干扰是由于内存过载、带宽竞争等GPU资源分配不均导致的,为此设计并实现了快速预测作业间性能干扰的机制,该预测机制能够根据给定的GPU参数和作业类型自适应地预测作业干扰程度。首先,通过实验获取分布式机器学习作业运行时的GPU参数和干扰率,并分析出各类参数对性能干扰的影响;其次,依托多种预测技术建立GPU参数-干扰率模型进行作业干扰率误差分析;最后,建立自适应的作业干扰率预测算法,面向给定的设备环境和作业集合自动选择误差最小的预测模型,快速、准确地预测作业干扰率。选取5种常用的神经网络作业,在两种GPU设备上设计实验并进行结果分析。结果显示,所提出的自适应干扰预测（AIP）机制能够在不提供任何预先假设信息的前提下快速完成预测模型的选择和性能干扰预测,耗时在300 s以内,预测干扰率误差在2%~13%,可应用于作业调度和负载均衡等场景。     

基于随机森林算法的配网抢修故障量预测方法

配网抢修是电力系统运行环节中十分重要的一环,精益化的配网抢修管理不仅能提高电力系统的供电服务质量,也能减少电力公司的经济损失. 本文提出一种新的配网抢修故障数量预测的方法. 首先,基于历史数据,以气温、风力、前一天的故障量、最大最小负荷等作为因变量,对数据做了特征映射等预处理. 然后,应用随机森林算法建立配网抢修故障量预测模型,并预测不同区域、不同电网故障及非电网故障、不同电压维度下未来一天故障量. 在真实电力数据上进行了对比验证,实验结果表明提出的方法具有较好的预测效率和准确性.     

基于改进LS-SVM的随钻测量数据传输误码率预测

针对泥浆连续波随钻测量数据传输误码率预测精度低、数据传输过程中易受干扰信号影响等缺点,提出利用改进的最小二乘向量积(LS-SVM)对连续波数据传输误码率建立预测模型,并引用遗传算法对参数寻优,在建立模型过程中利用狄克逊准则对数据进行筛选,从而提高误码率预测的精度.在小样本数据的情况下,采用Matlab建立基于改进的最小二乘支持向量机泥浆连续波数据传输模型.仿真结果表明该模型能够有效地避免陷入局部最优问题,具有较强的泛化能力和预测能力.通过与误差反传前馈(Back propagation,BP)和Elman神经网络预测模型对比可知,该模型预测精度更高,预测值更接近于实际值,可以用于泥浆连续波数据传输误码率预测.     

基于动态系数的三次指数平滑算法负载预测

数据中心是企业信息化的重要组成部分,云计算的核心思想就是把数据中心整成一个资源池,对资源池进行统一的调度与管理。随着虚拟化技术的发展,目前对数据中心的资源利用率越来越高,但是还是存在大量资源浪费的情况,其原因在于当前对数据中心未来负载预测的算法还存在一定的局限性,如果对未来负载预测值远远大于实际负载情况,则导致大量的虚拟机资源利用率不高,反之则会导致虚拟机的资源使用率消耗增大,云平台中不同物理服务器之间的负载情况不平衡,一部分物理服务器负载过大,导致云计算平台响应时间过长。因此云计算平台选取一个合适的负载预测算法显得越发重要,如何权衡以上问题,是云计算里面的一个重点研究方向。负载预测选取时间序列预测算法中的三次指数平滑法,在该算法原有的静态系数基础之上,设计了一种动态系数提取方法。通过等距法把静态系数分成若干份进行训练,然后在预测过程中提取该时段误差最小值所对应的系数。在预测结束后,重新计算其误差,并通过均值法覆盖旧误差。实验结果表明,基于自适应三次指数平滑算法其预测误差明显小于静态系数所预测的误差,计算复杂度低,具有一定的应用价值。