2020年趋势观察:智慧家庭服务

OVUM是一家在世界电信产业界富有权威性的独立/中立咨询顾问公司;从事信息通信技术(ICT)商业策略研究,研究领域涉及电信、IT、广电及互联网4大领域。OVUM拥有30年协助全球电信业制定策略、规划及国家电信法规的丰富经验。OVUM全球电信研究报告在大量有关情报研究的基础上从商业的角度对运营商的网络投资及运营、业务创新、营销策略、政策法规、客户市场需求、新兴技术和前景预测,帮助运营商在不断变化的政策环境和市场环境中稳固地位的同时,更加有效地谋取潜在的商业价值;并为运营商的规划设计单位提供不断更新的全球电信市场动态和战略视野以帮助产品创新。本刊设置OVUM观察专栏,定期发表OVUM的研究成果,包括翔实的相关信息,供信息通信业有关管理、规划、决策人士参考。     

一种舰用橡胶减振器疲劳寿命预测方法研究

针对橡胶减振器在舰船设备应用中常伴随着不可预见的疲劳失效问题,对舰用BE-300型橡胶减振器疲劳寿命预测方法进行了研究。基于连续介质力学理论,通过开展橡胶材料拉伸疲劳试验,建立了减振器橡胶材料的疲劳寿命预测模型;根据减振器橡胶材料的单轴拉伸和单轴压缩试验数据拟合结果,选择2阶多项式本构模型进行了橡胶减振器的有限元仿真;根据有限元仿真计算结果提取了橡胶减振器的最大主应力分量,结合橡胶材料疲劳寿命模型预测了橡胶减振器的疲劳寿命。研究结果表明:选取不同的疲劳损伤参量所得到的寿命预测结果并不相同,以等效应变为损伤参量对橡胶减振器寿命进行预测得到的结果与实际情况较为符合,该方法可用来预测舰用橡胶减振器的疲劳寿命。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

列车轮对踏面检测系统设计及算法研究

文章提出了一种利用激光传感器对轮对踏面几何参数进行在线测量的方法,对系统的误差分析、整体方案设计、算法设计等方面展开研究,同时对测量结果按照所研究的算法进行处理,得到了相应的曲线图和关键几何参数值,验证了所设计的系统方案与算法的可行性与合理性。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于P波模量的原位胶结充填体强度预测模型研究

原位胶结充填体质量评价通常采用单轴抗压强度作为表征指标,由于在现场工程中无法快速、准确获取充填体的强度值,因此需要建立一种参数易于获取且准确的原位胶结充填体强度预测模型。基于胶结充填体物理力学参数的内在联系,从量纲平衡的角度探索了胶结充填体单轴抗压强度与P波模量的关系。根据C矿和I矿两种原位胶结充填体的密度、P波速度及取芯强度的测试数据,采用线性拟合的方法获得了基于P波模量的原位胶结充填体强度预测模型。通过对C矿和I矿的强度预测模型拟合效果分析可知,P波模量与取芯强度呈正相关性,且拟合效果较好,证明原位胶结充填体强度预测模型精度高,具有很强的实用性。