基于Lasso-MIDAS模型的混频时间序列预测研究

针对传统的时间序列预测方法在处理复杂丰富的大数据时常面临变量间抽样频率不同、数据相关性复杂等问题,基于Lasso算法和混频数据抽样模型(MIDAS)提出了不改变数据结构的混频时序预测模型Lasso-MIDAS。该模型通过融合MIDAS处理混频信息的机制和Lasso算法的压缩特性来实现估计预测,实时修正对预测最有效的混频变量集;根据常见的正则化方法岭回归设计了Ridge-MIDAS模型用做对比。实验结果表明,Lasso-MIDAS在预测性能上优于标准MIDAS模型及对比模型,验证了该方法在混频时间序列预测方面的有效性。     

具有$1+N$节点的多重边赋权驱动响应 复杂网络复域函数投影同步

针对复数域上具有$1+N$节点的多重边赋权驱动响应复杂网络的函数投影同步问题,提出一种简单有效的控制方法.首先,构建$1+N$多重边赋权驱动响应复杂网络模型,网络节点为复混沌系统;然后,定义同步尺度函数为复变量,设计混合反馈控制器,并构造相应的正定函数,利用李雅普诺夫稳定性定理和线性矩阵不等式变换给出同步的充分条件.仿真结果验证了所提出方法的有效性,同时揭示了网络节点重边数对同步速度的影响.     

数据驱动的可靠性评估与寿命预测研究进展:基于协变量的方法

作为保障工业过程可靠性和经济性的重要技术,可靠性评估与寿命预测在过去几十年得到了越来越广泛的关注和长足的发展.在实际应用中,由于难以获取复杂、高可靠性设备失效机理的物理模型,数据驱动的可靠性评估与寿命预测方法成为近年来的主流.同时,自动监测技术和传感器技术的快速发展,使得在工程实践中不仅能够获取系统的退化数据,还能得到大量的系统运行环境监测数据,从而使得数据驱动寿命预测中基于协变量的方法得到了广泛应用.本文根据系统运行环境中协变量数据的不同变化规律,将基于协变量方法的可靠性评估模型分为:固定协变量模型、时变协变量模型和随机协变量模型,并分别讨论了各模型的发展现状.最后,讨论了协变量处理中存在的一些挑战及未来的研究方向.     

基于大维数据驱动的油气管网泄漏监控模糊决策方法

输油管网状态量多及工艺复杂,难以建立精确的管网数学模型,为了能够实时监控管网的安全运行情况,本文提出一种基于大维数据驱动的管网泄漏监控模糊决策方法.首先利用管网现有的数据信息,在不对数据进行降维处理的情况下,从信息物理系统的角度出发,将油气管网的拓扑结构、阀门开度等管道物理数据以及压力、流量等运行信息数据结合起来对复杂管网系统建立数据驱动模型.然后基于大维随机矩阵谱理论,将得到的信息物理数据协方差矩阵谱分布及圆环率作为模糊决策的条件对管网运行情况进行判断.当管网拓扑发生动态变化时,提出的方法可以有效地解决误报率高的问题.最后通过仿真及实例的分析,可以证明所提出方法的有效性.     

基于数据挖掘技术的自然资源大数据整合优化方法

为解决大数据环境下信息整合效率低下、管理混乱,数据结构复杂、检测效率低以及精度适应能力差等问题,提出一种基于数据挖掘技术的自然资源大数据整合优化方法.针对自然资源整合内容,开发基于数据挖掘的整合分析平台,使用优化后Apriori算法处理多通道数据,利用Web技术建立单一数据管理系统,对目标数据优化和查询,度量自然资源目标数据质量,同时通过计算获取出列间数据的灰色关联度,赋值函数求出目标数据贡献值和相似度判别阈值,计算其总值完成目标数据整合优化.仿真结果表明,所提方法能有效简化数据结构、加强数据精度和质量,提升查询效率,具有较高适用性以及优质的鲁棒性.     

基于连续时间模型的多智能体系统采样数据一致性

讨论了一般线性模型的多智能体系统具有时变采样间隔的采样数据一致性问题.首先基于连续时间模型,利用采样数据的离散时间特性分析时变采样间隔允许的上界.由于不考虑采样间隔之间的状态,Lyapunov函数仅需要在每个采样时刻保证递减.由此得到了一个利用线性矩阵不等式求解更低保守性的时变采样间隔上界的方法.接着通过参数化矩阵变量得到了基于线性矩阵不等式的控制器设计方法.最后数值仿真展示了理论结果的正确性.     

电站设备状态评价与维修决策系统开发与应用

为了解决电站设备在实际运行过程中因运行工况复杂导致难以对设备可靠性水平进行有效地分析评价,且电站设备在后续维修过程中存在临时性检修频繁、维修不足、维修过剩、盲目维修等问题,因此开发了一套电站设备状态评价与维修决策系统。以机器学习作为算法支撑,结合热工专业知识建立基于数据驱动的热工过程模型,并利用该模型对现场运行设备进行实时在线状态监测和评估,为维修决策和故障诊断提供基础信息,对于科学指导发电辅助设备乃至机组运行管理和维修决策具有重要意义。     

高炉炼铁过程多元铁水质量非线性子空间建模及应用

高炉炼铁是一个物理化学反应复杂、多相多场耦合的大滞后、非线性动态系统,其关键工艺指标——铁水质量参数的检测、建模和控制一直是冶金工程和自动控制领域的难题.本文提出一种面向控制的数据驱动高炉炼铁多元铁水质量非线性子空间建模方法.首先,为了提高建模效率和降低计算复杂度,采用数据驱动典型相关性分析与相关性分析相结合的方法提取与铁水质量相关性最强的关键可控变量作为建模的输入变量;同时,为了更好地反映高炉非线性动态特性,将相关输入输出变量的时序和时滞关系在建模过程进行考虑;最后,采用基于最小二乘支持向量机（Least square support vector machine,LS-SVM）的非线性Hammerstein系统子空间辨识方法建立数据驱动的多元铁水质量非线性状态空间模型.同时,将核函数表示的模型非线性特性用多项式函数拟合,在仅损失很小模型精度的前提下大大降低模型的计算复杂度.基于实际数据的工业试验验证了所提建模方法的准确性、有效性和先进性.     

速度驱动的复杂场景多层级力觉交互算法

触/力觉交互技术应用环境的复杂化,对复杂触/力觉场景的研究提出了新的挑战.文中以虚拟现实牙科手术训练系统为背景,研究基于速度驱动的复杂场景多层级力觉交互算法.文中采用CATIA对下牙列大量数据进行网格简化,建立了下牙列场景的层次细节(Levels Of Detail,LOD)模型;基于人类触觉感知的精度随交互速度的变化规律,设计了速度驱动的LOD模型触发机制;提出了虚拟工具化身SCP(Surface Contact Point)层级映射算法,保证了力觉交互设备的稳定性,并发现了映射约束线段的长度是保证力觉逼真性及实时性协调的关键变量;最后,设计了针对一般儿何体和复杂曲面的实验,量化评价文中算法的逼真性及实时性,证明了将人手运动速度作为场景模型复杂度切换驱动条件的有效性.     

医疗数据治理综述

为提高临床智能辅助决策系统辅助医生决策的能力,从医疗数据治理方向入手,采用文献检索和网络调查相结合的方法深入探析医疗数据的治理、研究动态、相关技术及应用等内容.结合已有研究,从医疗数据治理的关键问题出发,重点阐述医疗数据治理技术,包括数据标准化、数据脱敏、数据清洗和数据结构化的具体方法,及其在临床智能辅助决策系统的数据治理方案中的应用.     

社会网络环境下基于公众行为大数据属性挖掘的大群体应急决策方法及应用

针对社会网络环境下复杂大群体应急决策中决策属性信息难以获得问题,提出社会网络环境下公众行为大数据驱动的大群体应急决策方法.首先,通过挖掘社交平台上的公众行为大数据,利用TF-IDF、Word2vec技术进行关键词提取、聚类及其影响力分析,从大量行为数据中挖掘大群体决策属性信息以辅助专家决策,使决策结果具有更高的科学性和有效性;其次,构建决策者间基于信任关系和观点相似度的社会网络,采用同时考虑信任和相似度的聚类方法对决策者进行聚类,并基于社会网络分析获得决策者权重;然后,提出基于决策者间信任关系的共识调整方法进行共识调整以获得最终群体决策矩阵和方案排序,通过引入决策者客观自信度避免个别决策者过分自信行为的影响;最后,通过一个新冠疫情案例分析说明方法的可行性和有效性.     

基于矩阵运算的虚拟装配体拆卸过程建模方法

现有装配体建模方法在描述虚拟维修训练中装配体拆卸过程时,存在的信息冗余大、建模过程复杂等缺点,在研究现有装配体建模方法和分析装配过程与拆卸过程差异的基础上,提出了一种面向虚拟维修拆卸过程的建模方法。该方法以矩阵描述装配体模型,用矩阵运算描述零部件拆卸过程,简化了建模过程,减少了模型数据量,为虚拟维修训练系统的快速构建提供了一种思路和方法。     

医药连锁销售决策支持系统的研究

在原企业管理信息系统基础上,为充分利用日益增长的海量数据,针对其在决策支持方面的不足,提出了一种基于数据仓库、联机分析处理和数据挖掘3项技术的销售决策支持系统.讨论了系统总体结构,对系统数据仓库、多维数据集和数据挖掘模型进行了设计研究,以及报告了系统在三层客户服务器模式下实现的关键技术和实现方法.经初步测试,该系统是适用和可靠的.     

企业离散式智能设备预测性维护综述

针对智能设备的大量使用且缺乏根据监测大数据进行故障自动分析、判断与处理的问题,研究了基于物联网技术、大数据技术、边云协同技术的智能设备预测性维护框架和模式.提出针对非智能设备安装传感器实现设备智能化的方法.指出边缘计算负责设备工况数据的实时采集、分析,可快速甄别设备故障并实时报警;云计算聚焦同类设备运行海量历史数据的挖掘和分析,形成故障自动预测分析和诊断模式并下载至智能边缘设备.在研究了模型驱动、数据驱动、概率统计驱动、数字孪生和概率数字孪生驱动等故障预测模式后,提出了采用数据驱动的多层级数据融合模式,为制定企业性智能设备维保方案提供借鉴作用.     

Process-data-warehousing-based operator support system for complex production technologies

Process manufacturing is increasingly being driven by market forces, customer needs, and perceptions, resulting in more and more complex multiproduct manufacturing technologies. The increasing automation and tighter quality constraints related to these processes make the operator's job more and more difficult. This makes decision support systems (DSSs) for the operator more important than ever before. A traditional operator support system (OSS) focuses only on specific tasks that are performed. In the case of complex processes, the design of an integrated information system is extremely important. The proposed data-warehouse-based OSS makes possible linking complex and isolated production units based on the integration of the heterogenous information collected from the production units of a complex production process. The developed OSS is based on a data warehouse designed by following the proposed focus-on-process data-warehouse-design approach, which means stronger focus on the material and information flow through the entire enterprise. The resulting OSS follows the process through the organization instead of focusing separate tasks of the isolated process units. For human-computer interaction, front-end tools have been worked out, where exploratory data analysis and advanced multivariate statistical models are applied to extract the most informative features of the operation of the technology. The concept is illustrated by an industrial case study, where the OSS is designed for the monitoring and control of a high-density polyethylene (HDPE) plant.     

基于知识图谱的智能决策支持技术及应用研究

知识图谱是把复杂的领域知识通过数据挖掘、信息处理、知识计量和图形绘制而显示出来,解释知识领域的动态发展规律。知识图谱把所有不同种类的信息(heterogeneous information)连接在一起得到一个关系网络并从"关系"的角度去分析问题。知识图谱目前被广泛应用于智能搜索、智能问答等领域。提出了一种基于知识图谱的智能决策支持框架,用于解决传统决策支持系统存在的问题。通过大数据、知识图谱等海量知识分析和模型构建技术,结合决策支持系统,增强对问题的分解与处理、形成具有关系型网络的知识系统。最后结合电信领域中的经典决策案例,搭建基于知识图谱的欺诈电话智能决策支撑平台。和传统的决策支持系统比较,该研究方法的优点在于结合大数据处理方法提升了知识建模的算力和决策支持的效率,使实时处理大规模信息数据成为现实;基于知识图谱的关系型网络,提升了决策模型的准确性和关联相关性。     

一种继电保护在线状态检修辅助决策信息系统的PIM模型

分析目前电网继电保护状态评价与辅助决策系统的现状,指出缺乏统一建模是相关系统在架构上的主要缺陷,提出根据模型驱动体系结构的核心思想,建立继电保护状态评价与辅助决策全过程的平台无关信息模型(PIM)。首先对继电保护状态评价与辅助决策的全过程进行抽象总结,然后通过对状态量采集和存储、状态评价和辅助决策这3个过程分别进行分析和建模,最终给出继电保护在线状态评价与辅助决策系统PIM模型的参考架构。     

Optimal experiment design based on local model networks and multilayer perceptron networks

This paper addresses the topic of model based design of experiments for the identification of nonlinear dynamic systems. Data driven modeling decisively depends on informative input and output data obtained from experiments. Design of experiments is targeted to generate informative data and to reduce the experimentation effort as much as possible. Furthermore, design of experiments has to comply with constraints on the system inputs and the system output, in order to prevent damage to the real system and to provide stable operational conditions during the experiment. For that purpose a model based approach is chosen for the optimization of excitation signals in this paper. Two different modeling architectures, namely multilayer perceptron networks and local model networks are chosen and the experiment design is based on the optimization of the Fisher information matrix of the associated model architecture. The paper presents and discusses feasible problem formulations and solution approaches for the constrained dynamic design of experiments. In this context the effects of the Fisher information matrix in the static and the dynamic configurations are discussed. The effectiveness of the proposed method is demonstrated on a complex nonlinear dynamic engine simulation model and an analysis as well as a comparison of the presented model architectures for model based experiment design is given.     

Integrated system health management-oriented maintenance decision-making for multi-state system based on data mining

To ensure a series of missions can be completed with only finite breaks, many systems are required to guarantee system safety and mission success. Of these, maintenance decision support is vital. One widely used maintenance strategy has been selective maintenance. Most traditional selective maintenance optimisation research has focused on binary state systems, which are subject to distribution deterioration or failure. However, a majority of systems used in aerospace or industrial applications are multi-state systems with more than two states deteriorating at the same time, meaning that real-time state distribution is needed to provide more timely and effective maintenance. This paper presents a novel integrated system health management-oriented maintenance decision support methodology and framework for a multi-state system based on data mining. An aero-engine system numerical example is given to illustrate the methodology, the results of which demonstrate the significant advantages of using data mining to efficiently obtain state distribution information, and the benefits of using a robust optimal model to choose suitable strategies. This methodology, which is applicable to multi-state systems of varying sizes, has the ability to solve maintenance problems when imperfect maintenance quality is considered.