多源信息融合的航空部附件状态退化预测

针对航空部附件状态退化预测问题,提出了一种经验模态分解(EMD)和自组织特征映射(SOFMs)量化误差模型相结合的部附件退化趋势预测方法。采集部附件多个特征指标的状态监测信息,运用EMD提取包含微弱信号的特征信息,并消除部分噪声干扰;运用SOFMs实现多源传感器信息融合,并建立最小量化误差(MQE)模型,量化部附件运行状态,以实现部附件的状态退化预测。通过对某型航空陀螺仪的仿真验证表明,EMD-SOFMs量化误差模型能够有效、准确地提取陀螺仪状态信息,融合量化陀螺仪运行状态,实现陀螺仪的状态退化预测。     

铝电解电容器加速退化试验设计与寿命预测研究

铝电解电容器是寿命敏感器件,随着时间的推移,其参数退化到一定程度时,必然会影响电路板的寿命,故而研究其退化规律与寿命特征是至关重要的.文章从铝电解电容器结构和退化机理出发,将温度作为加速敏感应力设计了加速退化试验,并采用加速退化数据进行寿命预测,给出了延长铝电解电容器使用寿命的正向设计方向;从状态修的需求出发,提出了基...     

基于ARMA模型的联机时间序列数据分割算法

自回归移动平均(ARMA)模型近年来被广泛用于时间序列数据的预测、聚类以及相似性查找等.由于现实中的时间序列数据其底层生成机制与结构经常动态发生变化,因而对跨越较长时期的数据建立一个单一静态的ARMA模型并不合适.本文提出一种联机分割算法,首先对数据建立动态的ARMA模型,然后根据模型的预测信息与历史数据的特征信息,判断是否适合继续使用该模型描述后续数据,或者需要对数据进行分割,从而逐段建立ARMA模型.算法能够处理持续数据流,对仿真数据与实际数据的试验结果表明,本文所提出的算法是实用有效的.     

基于粒子群优化粒子滤波的电容剩余寿命预测

在电路系统中,电解质电容的故障与否对电路的健康状态有着很大的影响。提出应用一种粒子群优化粒子滤波算法对电解质电容进行状态估计以及剩余寿命的预测。该算法使用NASA已公布的电容数据集,建立一种指数结合多项式的经验退化模型,用粒子群优化算法优化粒子滤波算法中的序贯重采样环节,改善粒子滤波中的粒子贫化问题,实现更准确的电解质电容剩余寿命预测。     

FCBLUP模型在高频金融数据中的应用

将函数延拓最优线性无偏估计(FCBLUP)引入高频金融数据挖掘中,对离散观测值序列建立函数数据模型,并进行预测。选取上证收盘价格为实验数据,建立FCBLUP模型。为能对预测效果进行有效的评价与定位,设立基于ARMA模型的预测组。实验结果表明,FCBLUP预测效果较ARMA模型更理想,FCBLUP预测误差除在小段预测区间略大于ARMA外,其余时刻均低于ARMA预测。     

考虑退化模式动态转移的健康状态自适应预测

为了更加精确地在设备退化过程中对其健康状态进行预测,本文深入研究了设备处于不同健康状态时的数据特点,针对现有单一预测方法的特点与不足,引入了退化模式的划分方法,并对不同的预测模型与退化模式的关系进行分析. 进而建立“模式-模型”关联表,并通过关联表优选预测模型,实现了考虑退化模式动态转移的健康状态自适应预测以及剩余寿命估计.最后,以滚动轴承实验为实例,对该轴承进行了健康状态预测与剩余寿命估计.实验结果表明本方法较精确地预测了轴承的剩余寿命,证明了方法的有效性.     

工业锂电池退化过程研究与剩余使用寿命预测

随着锂离子电池在航空航天、军工建设、工业制造、电动汽车以及储能设备等领域的广泛研究与应用,其剩余使用寿命预测具有重要意义.本文通过对锂离子电池退化原理与退化过程数据分析,剔除锂离子电池松弛效应,建立含随机效应的Wiener退化过程模型.在获知其退化阈值的情况下,推导出锂离子电池的寿命分布,并在此基础上,对单个锂离子电池剩余使用寿命进行预测.最后在NASA的PCoE数据库提供的电池数据集进行实例验证,结果表明相对于参考文献所述传统的设备贮存-工作联合退化模型,Wiener过程退化模型具有更高的预测精度.     

基于EMD-ARIMA模型的地铁门传动系统早期故障预测

地铁门夹紧力峰值数据在一定程度上可以反映其传动系统的退化状态.基于此,本文运用研发的数据采集系统对新上线地铁门的夹紧力进行实时地采集、存储、显示和查询.分别采用ARIMA模型与EMD-ARIMA模型对夹紧力峰值的均值和标准差随累积运行时间的变化趋势进行预测,依据预测结果确定地铁门传动系统发生早期故障的概率.通过两种模型预测对比结果表明,EMD-ARIMA模型可以较好地预测地铁门夹紧力峰值的变化趋势,这种改进的预测方法可以对处于调试期车门退化状态的预测提供新思路.     

具有随机多丢包的ARMA信号最优线性估计

研究网络环境下具有随机丢包的自回归滑动平均(ARMA)信号的估计问题,其中丢包现象通过一个满足Bernoulli分布的随机变量描述.通过ARMA模型与状态空间模型的转化,将具有丢包的ARMA信号估计问题转化为具有丢包的状态空间模型的状态和白噪声估计问题.利用射影理论分别给出线性最小方差最优线性状态估值器和白噪声估值器,进而获得ARMA信号估值器.仿真结果表明,当存在数据丢失时,所提出的算法与以往基于完整数据的最优估计算法相比具有最优性和有效性.     

基于BP神经网络的智能认知频谱预测技术研究

为了使通信用户频谱接入更为有效,增强在时域和空间域的频谱利用灵活性,首先介绍采用最速下降法进行学习的BP神经网络过程,并对BP神经网络的频谱预测算法进行数学建模。通过对一段时期内的电磁频谱状态的学习训练,调节参数使算法模型建立输入数据与输出结果之间的认知关系,进而改变BP神经网络算法自身的结构,优化权值与阈值,最终使得频谱预测数据准确性更接近于实际值,预测误差变小。     

电容劣化对DC-DC电源寿命影响仿真系统

在DC-DC电源中,滤波网络中铝电解电容的劣化是影响电源寿命的主要因素,因此可以通过监测电容的劣化来评估DC-DC的健康状况。基于前期对电容的主要劣化模式及其对DC-DC影响的研究工作建立了电容劣化对DC-DC寿命影响仿真系统。该系统以LabView为主设计完成,通过劣化注入的方式模拟电容劣化。系统测试结果：电容劣化引起DC-DC输出纹波电压变大,DC-DC寿命缩短,这与理论分析一致。该系统可以仿真电容劣化的过程并可研究电容劣化对DC-DC寿命的影响。     

变频器直流侧电解电容ESR的在线测量与预测

为了估计变频器直流侧电解电容器的剩余寿命,需要测量其等效串联电阻ESR值。提出一种实时测量与预测ESR值的方法,首先将在线采集到的直流侧电压和电流信号传送到上位机的Matlab软件;然后在Simulink环境下分别采用时域法、频域法得到电容器ESR计算值,经数据融合处理后作为ESR实际值;最后进一步利用Matlab中最小二乘支持向量机LSSVM工具箱,对ESR未来值进行预测。预测结果与实际值比较,误差小且预测时间充足,验证了该方法的正确性与有效性。     

基于小波去噪及ARMA模型的故障率预测方法研究

在现有的故障诊断与预测方法的基础上,提出了一种基于小波及ARMA模型的预测方法。首先给出了小波去噪的原理,以及ARMA模型预测的思想,结合民机故障率的特点,对实际的故障率数据进行小波去噪,保留故障发展的主要趋势,对主要趋势进行ARMA建模预测,并将预测结果与实际值进行比较。结果说明,进行小波去噪后的ARMA建模预测的结果有较高的准确率。     

矿用两象限变频器DC-link电容选型方法及应用

基于矿用两象限变频器的特殊性,从逆变侧电流流通角度出发,在分析计算变频器DC-link电容直流母线的纹波电流及直流纹波电压的基础上,提出了一种简便的DC-link电容选型方法。Simulink软件仿真证明了该选型方法的正确性。最后利用该方法举例说明作为变频器的DC-link电容,薄膜电容比电解电容更具有优势。     

10kV配网电容器在线监测与故障诊断系统

目前大多数电力电容器状态监测系统存在实时性不足和数据频密度不足的缺点,难以实现准确的在线故障预判,易导致故障处理滞后或误报等不良后果。文章立足于电力电容器运行和维护的实际需求,构建了一套完整的电力电容器故障在线监测系统,并给出了一套采用神经网络融合电容器电流、电容、电阻和电压等信息的故障诊断模型和方法,并在实际中进行了应用。在实际应用中,该系统能及时并准确地对电容器的异常状态和故障特征进行捕捉,避免了故障判断的滞后性,提高了获得数据的准确性,能够提高电网设备的运行和维护效率,提升电网运行可靠性。     

基于Kalman滤波的Wiener状态估值器

应用经典稳态Kalman滤波理论提出了设计Wiener状态估值器的新方法,其原理是: 基于在Wiener滤波器形式下的稳态Kalman滤波器和预报器及ARMA新息模型,由稳态最优非 递推状态估值器的递推变形引出Wiener状态估值器.所提出的Wiener状态估值器可统一处理状 态滤波、预报和平滑问题.它们具有ARMA递推形式,且具有渐近稳定性和最优性,仿真例子说 明了它们的有效性.     

微机械陀螺零偏稳定性建模与滤波研究

首先介绍了时间序列ARMA模型及其建模方法,并利用该方法基于振动环式微机械陀螺的实测数据建立了振动环式微机械陀螺随机漂移的ARMA模型。在此模型基础上,设计了Kalman滤波器。仿真结果表明此方法能够有效抑制微机械陀螺的零点随机漂移。     

组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析.确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型.本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度.