基于混合优化策略的自回归-滑动平均模型建模

自回归一滑动平均(ARMA)模型参数估计一直是ARMA模型建模问题的难点和重点,目前的模型参数估计方法都采用传统最小二乘法及其推广算法,预测精度低.采用基于混合优化策略的遗传模拟退火算法进行ARMA模型参数估计,克服了传统算法的缺点,并在此基础上利用遗传模拟退火算法可以确定ARMA阶次的特点,提出基于混合优化策略的ARMA模型建模方法.利用这种建模方法和传统建模方法对组合炮控系统精度进行建模比较,证明基于混合优化策略的ARMA模型建模方法收敛快,精度高.     

基于遗传算法的ARMA模型定阶新技术

针对时间序列分析与预测中最为常见的ARMA模型的定阶问题,在分析传统定阶方法缺点的基础上,提出了用遗传算法确定ARMA(n,m)模型的自回归阶数n和滑动平均阶数m的新方法。首先由ARMA模型的预测值与实测值定义平均相对变动值(Average relative variance,ARV),并根据其建立遗传算法的适应度函数;然后选取适当的种群数、交叉效、变异率及进化代数;通过逐代进化,得到最优的ARMA模型。最后,通过太阳黑子数据验证了基于遗传算法的ARMA模型定阶新技术的有效性和实用性。     

ARMA模型在输油泵振动特征值趋势预测中的研究

输油泵机组作为管道输油系统的主要设备,其运行状态影响着油田正常的生产。传统的针对泵机组的“预防为主,计划检修”检修模式由于缺乏实时性、灵活性,已无法满足设备安全稳定运行的要求。基于这种缺陷,通过“预测性维修”的方式实时掌握输油泵组运行状态趋势能够及时察觉设备故障,为企业计划性备品备件、提高生产效率、确保生产安全提供有力保障。因此,本文提出了一种基于ARMA模型的输油泵振动特征值趋势预测方案。通过对某输油站车间输油泵进行在线监测,得到测点振动信号特征值的历史数据。使用历史时间数据进行建模,进行当前时间数据预测。通过实际数据与预测数据对比,发现ARMA模型可以较好地拟合输油泵振动信号特征值,满足当下预测趋势的需求。该方案较于其他传统趋势预测方法准确率高、计算迅速、易于理解,填补了输油泵振动信号趋势预测方面的空白。     

全矢谱-ARMA模型的齿轮断齿故障强度预测研究

齿轮传动作为机械传动主要形式之一,应用极为广泛,设备在高速运转下,一旦发生齿轮断齿故障将会带来巨大的经济损失以及人员伤害,为让损失降到最低,需要做到故障强度早知道,因此设备故障强度预测显得尤为重要。单通道预测方法由于获取振动信息不完善,导致预测结果一致性差,从而不能很好地实现故障强度的预测。通过全矢谱获得的频谱结构具有唯一性的特点,能够很好地弥补单通道的不足,在此基础上,将时序预测方法 ARMA模型与全矢谱技术相结合,提出了全矢-ARMA模型预测方法,并把该方法应用到齿轮断齿故障强度预测研究中。实验表明,该方法预测齿轮断齿故障强度结果与实际较吻合。     

最小二乘AR模型的惯性器件故障预测

以随机信号时间序列AR模型为基础,将激励噪声信号构造为准则函数,采用最小二乘法对AR模型参数进行辨识,得到惯性器件漂移误差系数最小二乘AR预测模型,泛化用于故障预测.仿真结果表明与功率谱估计的参数化AR、ARMA模型相比,最小二乘AR预测模型在高、低阶次时辨识精度较高、泛化能力较强,这一特点在低阶时尤为明显,其预测结果可为发现故障隐患、辅助决策提供依据.     

基于FARIMA模型的Internet时延预测

针对Internet时延具有自相似性这一特点,采用自回归分数滑动平均模型(fractal autoregressive integrated moving aver-age,FARIMA)对Internet时延建模,提出了基于概率上限的Internet时延预报方法,即保证实际时延按一定概率在预测时延范围之内。通过对实测时延数据进行预测对比,结果表明基于FARIMA模型的预测效果要优于基于ARMA(auto regnessive and mov-ing average)模型的预测效果。     

基于ARMA模型的滚动轴承故障诊断研究

针对滚动轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出基于ARMA模型的滚动轴承故障程度的诊断方法。首先,给出故障预测模型参数的标定和调整方法;最后,对基于ARMA模型的滚动轴承偏载条件下保持架断裂故障诊断进行了效果验证。滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际状态,是一种有效的故障识别方法。     

基于数据残余分量与ARMA模型的光伏功率日前预测方法

光伏功率日前预测对电网的规划调度和经济运行管理有着重要作用。根据相似日光伏发电功率曲线,采用日均值法计算得出光伏日内功率曲线的整体变化趋势分量,将原始功率数据曲线与日内整体变化趋势分量求差得到光伏功率的残余分量。基于该残余分量,该文提出了一种改进ARMA模型的日前光伏功率预测方法,该方法通过对残余分量进行预测,将残余分量的预测值与整体变化趋势分量相加得到最终预测结果。通过与传统ARMA模型预测结果进行对比,仿真表明:该方法对不同程度的光伏功率波动情况均有较好的预测精度。     

基于HMM的机械设备运行状态评估与故障预测研究综述

随着对机电设备安全性和可靠性要求的不断提高,准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。隐马尔可夫模型(Hidden Markov Model,HMM)具有描述隐藏状态和观测状态的双随机过程属性,与设备的退化过程在某种程度上是相似的,因此成为故障预测模型的研究热点。综述国内外基于隐马尔可夫模型的退化评估与预测方法,重点论述基于隐马尔可夫模型及其改进方法隐半马尔可夫模型(Hidden semi-Markov Model,HSMM)的机械设备故障预测方法,分析比较各种方法的优缺点,并总结展望基于隐马尔可夫模型故障预测方法的发展趋势。     

基于组合模型的雷达故障预测分析

基于灰色 GM(1,1)模型和回归模型的建模原理,将两种模型进行拟合,建立了新的组合模型,并采用该模型对武器装备的故障进行预测。该组合模型充分利用了两种预测方法提供的信息,实现了两种模型之间功能和优势的互补,有效提高了预测精度。最后,以某型雷达发射机的等时距测量的输出电压为例估计系统的故障时间,并依此推断出该系统的故障发生时间。