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.     

面向数据挖掘的静态电源综合故障诊断研究

静态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。然而,其产生的频发故障会造成设备利用率低、修复率时长和经济损失等问题,在基于桥载设备的安监系统上,提出了静态电源综合故障诊断方法,通过数据挖掘软件,建立了静态电源故障诊断预测模型。通过在线数据库测试结果表明得到了综合故障诊断方法在预测静态电源故障上显现的特点,得到了静态电源的未来状态,实现了对静态电源的实时故障进行预测,进而为解决故障提供方向和目标,最终达到降低经济损失最大化的目的。     

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。     

基于模糊PID算法的空调机组温度控制

针对中央空调系统空调机组温度控制的非线性、滞后性及时变性等特点,设计了基于模糊PID算法的空调机组温度控制系统,实现了空调机组温度的实时在线控制.该系统选用MCGS组态软件实现系统运行状态的监控,使用西门子S7-1200 PLC进行现场设备控制.运行结果表明模糊PID控制器设计合理,有效改善了空调过程的调节品质,提高了空调机组的温度控制质量.     

组合式空调机组网络化监测系统的设计开发

针对某靶场组合式空调机组设备现有监测手段存在的监测信息不全面、自动化程度低、交互性差、数据共享困难和故障隔离率低等问题,采用虚拟仪器、数据库和网络通信等技术,构建了基于B/S模式的组合式空调机组的网络化状态监测系统,完成了系统网络架构搭建和相关软硬件的设计开发,实现了组合式空调机组各设备运行状态及测点信息的WEB浏览、故障预警和辅助决策等功能。该系统目前一直在某靶场现场运行,效果良好,具有功能全面、人机交互性高、运行安全稳定和易于升级等优点,对实现组合式空调机组网络化监测具有应用价值和现实意义。     

基于神经网络的柴油发动机故障预测研究

为了保证设备安全可靠地运行,需要对设备进行故障预测,及时消除故障;探讨了故障预测技术的应用及神经网络预测原理和建模的方法,给出了神经网络模型在预测过程中的学习算法和改进的神经网络的训练算法,并用于柴油发动机运行中的故障预测,经过多种柴油机的试验证明试验结果满意,对故障的实时检测有重要意义,具有良好的应用前景.     

基于粒子群算法的SVM飞机空调系统状态评估

飞机空调系统对飞机和旅客都起着至关重要的作用,对飞机QAR(Quick Access Recorder)空调数据的健康评价进行预测,可以保证乘客和机组的飞行舒适性、安全性,以及电子电气设备工作的稳定性,避免机械故障导致的航班延误或取消。为提高空调系统状态监控SVM模型预测的准确度,提出了一种基于粒子群算法的SVM空调状态评估方法。通过实验结果可知,使用A320飞机空调系统状态监控收集的样本数据进行预测分析,提出的方法能够有效评估空调系统状态。     

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；     

基于梯度提升决策树的工程机械核心部件寿命预测

大型工程机械设备的核心部件故障通常会造成计划位停机,致使整个生产现场其他配套设施等待发生故障的核心部件的修复,从而导致很大的经济损失。对核心部件进行寿命预测可以提前安排相关部件的停机计划和维护,可以很大程度上减少整个设备的非计划停机时间,极大地减少停机带来的经济损失。有鉴于此,文中借助梯度提升决策树对某类工程机械设备的核心损耗部件进行建模,实现了工程机械核心部件的剩余寿命预测,有助于实现预测性维护,从而减低大型机械设备的维护成本。     

基于Erlang-HSMM的设备剩余寿命预测研究

对于关键复杂设备进行健康诊断和设备剩余寿命预测,提出了一种基于爱尔朗分布和隐半马尔可夫模型的联合剩余寿命预测模型(Erlang-HSMM,E-HSMM)。首先,提出了改进的前后向算法、维特比算法和BaumWelch算法,有效地降低了模型的计算复杂度;其次,基于爱尔朗分布改进设备的健康状态逗留时间,将状态逗留时间分为已遍历和未遍历两个部分,提出新的健康状态逗留时间的概率分布;最后,针对状态监测数据,利用失效率理论构建设备剩余寿命预测模型。通过美国Caterpillar公司液压泵的状态监测实际数据进行评价与验证,实验结果表明,E-HSMM模型对设备的状态诊断和剩余寿命预测更加符合实际状况,比传统的隐半马尔可夫模型(HSMM)更有效。     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

基于加权一个变量的一阶灰色模型的动态轨迹预测算法

针对基于Kalman滤波的跟踪方法需要对噪声特性和轨迹的运动规律进行假设的不足,将新陈代谢一个变量的一阶灰色模型(GM(1,1))引入动态轨迹预测方法,提出一种基于加权灰色GM(1,1)模型的动态轨迹预测算法(TR_GM_PR算法)。首先,顺序截取预测点前不同长度的子轨迹,计算采用灰色GM(1,1)模型拟合各子轨迹的相对误差及相应的预测值;其次,对各子轨迹的相对拟合误差进行归一化处理,根据处理后的结果设置各子轨迹预测值权重;最后,将各子轨迹获得的预测值与其对应权重的线性组合作为轨迹未来运行趋势的最终预测结果。采用2000-2008年美国大西洋飓风数据进行实验,TR_GM_PR算法6 h的预测正确率为67.6056%,比基于模式匹配的飓风预测方法提高2.6056个百分点。实验结果表明, TR_GM_PR算法适用于轨迹短期预测。此外,该预测算法计算简单、实时性高,能够有效提高动态轨迹的预测正确率。     

基于模糊隶属度的粒子滤波故障预测

针对故障预测具有不确定性的特点,本文将模糊数学中的隶属度函数和粒子滤波算法相结合设计故障预测的方法.新方法利用粒子滤波算法对设备运行的未来状态进行预测,再设计描述设备运行状态的正常隶属度函数和异常隶属度函数,利用计算出的未来状态的预测值计算并比较正常和异常隶属度函数值,依据比较结果对潜在故障进行预测.实验验证了该方法的可行性,可及时准确地预测出系统故障.     

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.     

基于Q-Learning算法的建筑能耗预测

提出一种基于Q-learning算法的建筑能耗预测方法.通过将建筑能耗预测问题建模为一个标准的马尔科夫决策过程,利用深度置信网对建筑能耗进行状态建模,结合Q-learning算法,实现对建筑能耗的实时预测.通过美国巴尔的摩燃气和电力公司公开的建筑能耗数据进行测试实验,结果表明,基于本文所提出的模型,利用Q-learning算法可以实现对建筑能耗的有效预测,并在此基础上,基于深度置信网的Q-learning算法具有更高的预测精度.此外,实验部分还进一步验证了算法中相关参数对实验性能的影响.     

Prediction and Abnormality Assertion on Emu Brake Pad Based on Multivariate Integrated Random Walk

To better solve the issue with abnormal failure of electric motor unit (EMU) brake pad resulted from various random factors in the ever-changing operating environment, in this paper, a new evaluation method of performance prediction and abnormity decision is proposed based on the Multivariate integrated random walk (MIRW) model. In this method, the state space model of the EMU brake pad performance degradation is firstly established. And then based on the observed data, the brake pad performance degradation trend is extracted by the fixed interval forward - backward smoothing algorithm. Based on it, the future degradation state can be predicted by Kalman predictor. Based on the obtained state estimation values, abnormal failure tolerance range (AFTR) can be determined applying Grubbs criterion to judge whether the brake pad is being in abnormal state before reaching the final failure or not as a new sample appears. In addition, the cumulative failure probability of the brake pad is estimated in the degradation process. Finally, the thickness data of a certain type of EMU brake pad is applied to predict the future degradation state and determine the abnormal condition, and the result shows that the proposed method is more efficient and accurate.     

基于动态影响图的股市趋势预测

历史数据对未来状态的影响具有隐蔽性,导致基于数据的股市趋势预测是一个公开难题。为了有效地发现历史数据对股市未来状态的影响力,利用动态影响图建模成交量和Ｋ线形态之间的结构关系,提出一种基于量价结构关系的联合树推理预测算法（VP-JT）。提取股票的阶段成交量特征和阶段Ｋ线形态特征,给出阶段成交量对于股市价格影响的作用原理;利用配合度量化当前阶段成交量与Ｋ线形态之间关系一致性程度;利用动态影响图建模阶段量价在时间上的作用过程;通过联合树的自动推理对股市未来状态进行预测。在实际数据上进行实现和算法比较,实验结果表明量价结构关系的联合树推理算法具有更高的准确率。