基于改进RNN和VAR的船舶设备故障预测方法

针对现有的多变量时间序列预测方法不能适用于船舶多设备故障预测的问题,提出一种基于改进的循环神经网络和向量自回归的船舶设备故障预测方法.该方法既能够学习多个变量之间的相互依赖关系和时间序列的长期依赖关系,又有助于减轻传统神经网络对预测时间序列的输入尺度不敏感性.首先,从船舶历史数据库中提取出正常状态数据和故障状态数据,将其多变量时间序列转化为监督学习问题的输入;然后,通过注意力机制捕获船舶多变量之间复杂的相关性;接着,将注意力机制的输出同时作为循环神经网络和向量自回归的输入,分别捕获船舶时间信号的非线性关系和线性关系;最后,将循环神经网络组件和向量自回归组件的输出进行处理后作为最终预测的结果.实验结果表明,提出的预测方法在船舶设备故障预测中训练过程的稳定性高,测试结果的均方根误差低于1.2,从而能更精确地预测船舶设备属性的趋势并避免故障的发生.     

基于多粒度时间注意力RNN的航班客座率预测

准确预测航班客座率有利于处理航班机票超售、座位虚耗等问题,然而传统时间序列预测方法只关注航班近期每日客座率的变化特点,无法同时考虑其他因素的影响,预测效果不够理想。针对该问题,提出一种基于多粒度时间注意力机制的循环神经网络模型MTA-RNN。通过构建多级注意力机制获取航班客座率在不同时间粒度下的时序相关性,同时考虑航班自身属性及节假日等其他因素,得到未来一段时间内的目标航班客座率。在真实历史航班客座率数据集上的实验结果表明,MTA-RNN模型的预测准确率高于ARIMA模型、LSTM模型和Seq2seq模型。     

基于RNN的故障预测算法及在GIS上的应用

随着工业化程度的提高,设备的故障预测的重要性日趋提高。提出了一种基于循环神经网络（RNN）的故障预测算法,通过数据训练,充分发掘了RNN对时间序列数据的拟合能力。RNN故障预测模型由数据处理模块和神经网络识别模块组成。在数据处理模块中,采用数学函数分配的方法建立了RNN 模型的训练样本和测试样本。在神经网络识别模块中,针对当前故障预测技术中异常点难以确定的问题,应用了一种逐步逼近的神经网络训练方法。最后利用气体绝缘开关(GIS)故障数据对该算法进行了验证,结果表明,该方法可以在故障发生前检测到故障发生趋势,进而实现故障预测,并且能在逐步训练中确定异常点的位置。     

基于双向GRU神经网络和注意力机制的中文船舶故障关系抽取方法

随着深度学习的发展,越来越多的深度学习模型被应用到了关系抽取任务中.传统的深度学习模型不能解决长距离的学习任务,且当抽取文本的噪声较大时表现更差.针对以上两个问题,提出了一种基于双向GRU(Gated Recurrent Unit)神经网络和注意力机制的深度学习模型来对中文船舶故障语料库进行关系抽取.首先,通过使用双向GRU神经网络来提取文本特征,解决了文本的长依赖问题,同时减少了模型运行的时间损耗和迭代次数;其次,通过建立句子级别的注意力机制,提高模型对有效语句的关注度,降低噪声句子给整体关系提取效果带来的负面影响;最后,在训练集上进行训练,并在真实的测试集上计算精确率、召回率、F1的值来将该模型与现有的方法对比.     

基于NAR神经网络的船舶运动姿态短期预测

船舶在海上作业的过程中,不可避免地会受到风浪的扰动影响,风浪扰动可以分解到船舶运动的六个自由度上,而船舶的六自由度运动是一个复杂的非线性过程.借助预测算法可以对船舶短时间后的运动状态进行预测,从而更好辅助在船舶上的工作活动.为了提升船舶运动姿态的预测精度,建立了非线性自回归(NAR)神经网络模型,并利用NAR模型对船舶...     

基于AR和PSO_SVR的故障趋势预测

针对机械设备产生的非线性、非平稳时间序列,首先使用自回归模型对非平稳数据进行平稳化处理并确定模型的阶数,再使用支持向量回归算法对平稳后的数据进行拟合,并使用粒子群算法优化支持向量回归算法参数。最后,将该模型用于滚动轴承的退化趋势预测,通过提取滚动轴承的时域和频域特征,以经过主成分析降维后的数据为基础进行趋势预测。将该模型预测的结果与单独使用自回归模型和支持向量机模型预测的结果进行对比,实验结果表明该模型预测的效果较好。     

基于改进径向基神经网络的船舶设备故障诊断方法

For the ships equipment fault diagnosis problems with lack of applicability and accuracy during ships sailing, this paper designs a radical basis function neural network method for ships equipment fault diagnosis. An improved artificial bee colony (IABC) algorithm combining opposite learning initialization strategy and auto-adapted search strategy is designed, which builds higher quality initial solution space through opposite learning initialization strategy and adapts its local search length automatically to improve the ability of convergence and local optimization searching. IABC algorithm is used in parameter optimization of radical basis function neural network (RBFNN) for constructing a better performed classifier. The results show that the IABC-RBFNN framework can improve the accuracy and usability of ship fault diagnosis, and satisfy the real-time requirement of ships equipment fault diagnosis.     

基于改进GRU模型的直流充电桩故障预测

直流充电桩作为电动汽车有效的供电设备,其故障频发对电动汽车充电安全带来隐患.对充电桩的故障进行准确预测将有效地确保电动汽车充电过程的安全.本文提出了一种改进门控循环单元(gate recurrent unit, GRU)直流充电桩的故障预测模型.首先,分析充电过程中直流充电桩的常见故障类型,考虑到实际采集过程中具体故障数据样本量少的情况,利用变分自编码器(variational auto-encoder, VAE)数据增强方法对样本数据进行扩充;然后,基于GRU网络模型的故障预测方法,利用粒子群优化(particle swarm optimization, PSO)算法优化GRU网络参数,采用支持向量机(support vector machine, SVM)模型改善网络输出的分类函数,提出了PSO-GRU-SVM直流充电桩故障诊断模型;最后,利用算例对比改进前后的预测精度,分析对比混淆矩阵热力图,并且与常用的两种网络模型进行对比,结果表明了文中方法有效地提高了预测精度,验证了文章中方法的可行性.     

基于SCADA数据的风机叶片结冰短期预测方法

针对于风力发电机叶片结冰故障预测的问题,笔者提出一种基于SCADA数据的故障预测方法。首先选择与叶片结冰关联度高的两类数据,其次通过优化的支持向量回归,对其值进行预测;最后通过多源融合的方法利用BP自聚类算法进行叶片结冰故障预测。实验结果表明,提出方法能实时地对风机叶片结冰故障进行有效的短期预测,对风电机组的安全维护具有参考指导意义。     

基于注意力机制的改进LSTM模型的地铁客流预测研究

介绍了一种基于注意力机制的改进LSTM模型,并分析对比其他模型的结果。使用了上海地铁刷卡数据作为数据源,经过时序处理后的时间序列数据作为模型的输入,通过模型的训练以及参数设置,对比各个模型的实验分析结果,证明了该模型的精确性。     

基于生存分析模型的电力设备故障预测方法

本文基于某地区三年内的电力设备运行和维修数据,对设备发生故障、引起维修费用的概率进行解释,提出一种基于生存分析模型的电力设备维修成本优化方法,分析影响电力设备故障和维修的关键性影响因素。针对大量电力设备的历史运行和维修数据,观察设备从投入生产到发生故障之间的时间间隔,分析设备的众多相关数据特征对于设备故障率的影响,建立Cox比例风险分析模型,并在基准生存率的基础上得到生存率函数,对电力设备的故障率和维修成本做出预测。实验结果表明,本文构建的电力设备维修预测模型能够为电力企业维修决策提供有力的理论依据,解决了电网企业停电成本高、临检频繁、维修不足、维修过度、盲目维修等问题,具有广泛的应用和推广价值。     

基于改进PCA联合SVM的电厂设备故障诊断方法

转子系统是燃气轮机极为重要的组成部件,对其进行故障诊断与分析对燃气轮机的安全稳定运行具有重要意义。转子故障信号为典型的非线性、非平稳和微弱性时间序列。提出了一种基于改进主成分分析(Improved Principal Component Analysis, ImPCA)的燃气轮机转子故障诊断方法。首先针对传统PCA主分量个数确定难题,将贝叶斯理论引入PCA,构建贝塔先验主成分分析模型对转子故障信号进行自适应分解,将其转化为少数几个主分量(Principal Component, PC)之和的形式,然后将PC对应的大特征值作为特征向量并构建SVM分类器进行分类,实现对“不平衡故障”“动静件碰磨故障”和“不对中故障”三种燃气轮机转子故障的有效分类诊断。基于实际数据的实验结果表明,所提方法能够获得97.2%的平均诊断正确率,并且具有噪声稳健性,适用于实际工程应用场景。     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

基于杂合支持向量回归机的电子装备故障预测

针对电子装备性能特征参数间的耦合关联问题,提出一种基于杂合支持向量回归机的电子装备故障预测方法。运用D-S证据理 论,结合参数的纵向历史状态数据和横向的相关参数数据,设计杂合支持向量回归机预测算法,利用特征参数的时间相关性和空间相关性提高预测精度。实验结果表明,相对于单独使用纵向或者横向的支持向量回归机,该方法具有更高的精度,可有效地对复杂电子装备实施故障预测。     

基于改进BP神经网络的某型装备故障诊断专家系统

分析神经网络和专家系统的特点．提出基于BP神经网络与专家系统结合的某型装备的故障诊断方法,构造BP神经网络的装备故障诊断专家系统的诊断模型,克服传统专家系统在知识获取和表达的薄弱环节,并用某型装备的故障实际数据进存验证,结果表明神经网络与专家系统结合是一种有效的诊断方法。     

基于ARMA模型的电力变压器故障预报方法

为了保证在安全运行的前提下提高变压器的运行效率,分析了变压器在异常时的油色谱数据,提出了基于ARMA模型的多维混合回归系统模型,对故障的发展趋势进行预报。通过最小二乘法,结合AIC准则估计出预报模型的最终参数和阶次。仿真结果证明,该方法适用于大型油浸式电力变压器的故障预报。     

基于机器学习的列车设备故障预测模型研究

决策树作为机器学习和数据挖掘领域中广泛应用的预测模型,其输出结果易于理解和解释。针对高速铁路车载智能设备数量庞大的流数据且设备故障复杂和诊断效率低等问题,采用CVFDT决策树算法,通过对规范化的列控设备流数据进行机器学习,构建车载设备智能故障预测模型（低概率发生、高概率发生和已发生故障）,实现对设备潜在故障“事前排除”,提高故障分类精度、定位和诊断准确性,保障高速铁路运营安全和运输效率。