关于供电设备状态检修的思考

状态维修是以设备的当前实际的工作状况为依据,通过先进的状态监测、可靠性评价以及寿命预测手段,综合各种设备的状态信息,判断设备南状态,识别故障早期征兆,对故障部位及其严重程度、故障发,展趋势做出判断,并根据分析诊断的结果在设备性能下降到一定程度或故障将要发生前进行维修。     

神经网络模型用于数值水质模型逼近的适用性及非敏感参数的欺骗效应

水质模型被广泛应用于水环境管理和决策,但却面临着计算时间和模型应用效率等多方面的问题;利用函数映射和逼近等方法来建立水质模型的输入-输出响应关系,可有效减少计算成本并显著改善模型效率.水质模型的输入-输出响应函数关系有多种形式,本文以其中的2种为例,并分别基于2个水质模型(零维总磷模型、WASP/EUTRO5)的案例,分析和验证了神经网络模型在响应关系逼近中的适用性.案例的结果表明:神经网络函数可以有效地用于水质模型输入-输出响应关系的逼近;当网络规模超出阈值大小时,神经网络函数逼近的准确度和泛化度对网络规模不敏感.在案例研究的基础上,推导和讨论了在神经网络模型函数映射过程中所可能出现的非敏感参数的欺骗效应,以及可能由此导致的过度预测或过低预测问题;并建议在神经网络函数逼近中,应只包含水质模型的敏感参数,以防止降低神经网络模型的准确度.     

氯代脂肪烃构效关系的遗传神经网络模式

通过检索美国国立职业与卫生研究所化学物质毒性效应登录（RTECS）1998年版光盘系统,搜集了65种氯代脂肪烃化合物对大鼠急性毒性口服LD₅₀数据,并利用遗传神经网络建立了氯代脂肪烃分子结构与对大鼠急性毒性关系的BP神经网络模式对预报集8种氯代脂肪烃测试结果表明,所建立的网络具有较好的实用性遗传神经网络是由遗传算法和神经网络耦合而成讨论了遗传神经网络的构造以及怎样利用遗传神经网络建立构效关系（QSAR）模式     

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

BP神经网络与Sugeno模糊积分融合 的转子系统故障诊断

目的针对BP神经网络对转子故障诊断方法存在的局限性,提出一种融合Sugeno模糊积分和BP神经网络的转子故障轴心轨迹识别诊断方法。方法首先利用轴心轨迹图像的不变矩为特征向量,提取常见旋转机械转子故障特征,随后利用多个BP神经网络对故障类型进行识别,最终采用Sugeno模糊积分对BP神经网络识别结果进行决策,从而构建转子故障诊断模型,并应用于转子系统故障的诊断。结果通过机械故障仿真模拟实验平台采集了6种常见转子系统故障信号,利用matlab2012a软件编程建模仿真处理,试验表明,该模型有效地提高了转子系统多类别故障的识别正确率。同时,该方法对同一故障类型识别所需样本少,大大节省了数据获取和处理的时间。结论该方法提出并用于转子系统故障诊断中,诊断准确性高,可靠性强,利用样本数据量少,节约时间,对小样本数据的故障诊断有着良好的效果。     

基于多态模糊BN的石化动设备故障概率定量风险评估

石化行业的压缩机、泵等动设备故障模式多样,故障概率的不确定性较大,常用的风险评估方法无法实现对石化行业动设备失效概率的定量评估,限制了设备安全管理的准确性和有效性。基于贝叶斯网络(BN)可定量计算复杂系统失效概率的特点,利用故障模式与影响分析(FMEA)方法获取动设备风险事件的因果关系,将其映射为BN,并利用BN中节点的多态性,表征动设备子系统及零部件故障模式的多样性;利用模糊概率子集替代边缘概率精确值,表征了动设备零部件故障概率的不确定性,并提出可行的条件概率判断方法,从而形成了石化行业动设备失效概率的定量评估方法;最后以某站场的往复式压缩机为例,对建立的定量风险评估方法进行了实例应用。结果表明:气阀和气缸出现半故障的失效概率较大,分别为0.0040和0.0045;该类型压缩机故障时,阀片或弹簧损坏和轴瓦松动的可能性较大,其后验概率分别为1.15×10^-5和9.92×10^-6,符合实际情况,验证了该方法的有效性和可行性。     

基于工艺参数灰色关联度分析的天然气脱水装置异常检测

目的针对石化设备常用的维修方式导致设备检维修成本高的问题,同时保障设备的可靠运行,建立基于灰色关联度的设备异常检测模型,快速识别异常设备。方法利用灰色关联度分析法计算增压站数据清洗后各生产监测参数间的关联度,并以计算得到的关联度建立参数间的关联度矩阵,实现参数间的聚类。利用基于参数之间的灰色关联度变化的方法,识别参数聚类结果中同类监测参数对应设备的异常状态。结果在大部分时间段,同类监测参数的关联性较高,预测关联性出现异常时为设备异常状态。结论相对于监测参数阈值判断等方法,基于灰色关联度分析法的预测模型具有较高的预测精度,实现了异常设备的快速有效识别,保障了设备的可靠运行,降低了设备检维修成本。     

一种战车主减速器温度预测方法研究

目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。     

基于小波包模糊熵与RBF神经网络的滚动轴承故障诊断

针对滚动轴承发生故障的振动信号具有复杂度高、非线性的特点,难以准确提取滚动轴承的故障特征和故障识别问题,提出了基于小波包分解(WPD)与径向基函数(RBF)神经网络相结合的轴承故障诊断方法。该方法对滚动轴承振动信号进行三层小波包分解,然后重构各频段的信号,计算各频段信号的模糊熵作为特征矢量,构建训练集和测试集,对RBF神经网络模型进行训练,使用经过训练的RBF神经网络进行故障识别,输出滚动轴承的故障类型。采用美国CWRU轴承数据中心的数据进行仿真实验,结果表明该方法能更有效地诊断出轴承故障类型。     

基于BP神经网络算法的混凝土单层框架损伤识别

基于BP神经网络算法,采用框架结构损伤前后固有频率的变化率作为网络的输入参数,分别对框架梁的单处损伤、框架柱的多处损伤进行损伤位置的识别.数值仿真结果表明,BP神经网络算法对混凝土框架结构损伤位置的识别效果很好.     

基于GA优化的SVR水质预测模型研究

针对污水中BOD₅参数不易直接测得的特点,提出了基于遗传算法（Genetic Algorithm,GA）优化参数的支持向量机回归（Support Vector Regression,SVR）水质预测模型。采用机器学习的方法,通过建立污水中COD等参数与BOD₅的数学关系模型的方式对BOD₅进行测定。使用遗传算法对SVR中的关键参数进行寻优,解决了传统SVR预测模型参数选择的问题。以北京市污水处理厂进水污水作为研究对象进行实验,结果表明,与BP神经网络与SVR相比,使用GA-SVR方法进行预测的结果更优,其平均误差与均方根误差分别降至0.009443与16.88 mg/L。     

基于Weibull分布的测控装备寿命预测方法研究

目的利用寿命预测技术定期对测控装备的状态进行评估,挖掘装备潜在使用价值,降低出现故障的风险,为装备的更新维护提供参考依据。方法分析测控装备的特点,针对性地选用基于数据驱动的寿命预测技术,并重点分析基于Weibull分布的测控装备的寿命预测方法。结果通过数学公式推导,给出了采用最大似然估计法对二参数Weibull分布进行参数估计时的求解方法。结论对测控装备的寿命预测和可靠性评估提供科学的参考依据。     

引信步进应力加速试验贮存寿命预测研究

目的 针对某机电引信加速寿命试验数据,采用传统统计分析方法存在计算量大、寿命预测精度难以保证的问题,开展与智能算法相结合的引信贮存寿命预测研究。方法 针对步进应力加速寿命试验数据,采用贝叶斯理论的环境因子法,对各级应力下的贮存时间进行折合计算。利用进化策略对粒子群算法进行改进,进而对所建立的BP神经网络预测模型的全局参数进行调整和优化,突破传统方法的局限。将折合后的试验时间、样本量、应力水平作为网络输入,失效数作为输出,来预测引信贮存寿命。结果 利用训练好的 BP神经网络预测引信在正常应力水平下的失效数,计算其贮存可靠度。在迭代402次后,模型找到最优解,且预测误差在1%以内。结论 步进应力加速寿命试验与智能算法相结合的方法计算过程简单,预测精度较高,可有效提高引信贮存寿命的预测精度。     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.     

基于Wiener过程的电子测量设备性能退化建模与寿命预测

目的开展电子测量设备寿命预测,评价其健康状态,提升装备状态监测的准确性,充分发挥装备性能。方法利用电子测量设备长期观测的性能退化数据,基于Wiener过程建立电子测量设备性能退化模型和可靠性模型,并结合环境剖面参数,进行性能退化模型参数估计。结果以某型电子测量设备为例,建立了拟合性较好的性能退化建模,并进行寿命预测。结论该方法降低了电子测量设备在寿命预测过程中的试验成本,提升了寿命预测技术的实践能力,具有一定的工程应用价值。     

GA-BP神经网络在铜合金海洋腐蚀预测中的应用

目的 充分利用海洋腐蚀数据,深入分析数据规律.方法 在BP神经网络的基础上引入遗传算法,以克服神经网络模型固有缺陷,提高预测精度和训练速度.结果 对GA-BP人工神经网络进行了简要阐述,并以铜合金在海水中的腐蚀数据为例,应用GA-BP人工神经网络建立了海水腐蚀预测模型,对预测结果进行了评价.结论 预测结果表明,模型能满足设计要求,具有较好的泛化能力.     

耦合遗传算法与RBF神经网络的PM2.5浓度预测模型

基于北京市空气质量监测点获取的空气污染物浓度数据,通过遗传算法搜索径向基人工神经网络的最优隐含层神经元数目和扩展常数,构建了耦合径向基人工神经网络算法与遗传算法的预测模型,预测北京市未来一天24h平均PM_2.5质量浓度.结果表明,预测精度与泛化性能良好.该模型不需要输入气象和地理位置信息等数据,具有依赖变量少、预测精度高（R²达0.75）和运算效率高等特征,并可以通过训练样本的驱动,使自身不断优化调整.该模型预测效果可以通过扩展输入特征、增加训练样本量等方法进一步提升,可对多种时空情境下的城市空气污染进行高效率且精确的预测.     

基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测

为了预估混合底物碳源条件下活性污泥PHA合成产量预测的准确度,通过引入遗传算法对BP人工神经网络的权值和阈值进行优选,建立基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测模型。以餐厨垃圾发酵液为底物碳源,利用活性污泥在ADD模式下进行PHA合成。以实验数据为基础训练神经网络模型,通过实测数据与模型预测数据之间的对比,验证了人工神经网络预测模型的精确度,并对长期PHA合成能力进行了预测。结论表明:基于遗传算法改进的GA-BP网络模型表现出比传统BP神经网络模型更佳的预测准确度,为评估混合菌群PHA最大合成产量的长期发展趋势,确定合理富集时长探索了可行方法。     

基于灰色理论与BP神经网络预测成都市生活垃圾产生量

根据成都市中心城区垃圾产生量的历年数据,先用以时间为单变量的灰色GM(1,1)预测模型得到历年数据的拟合值,再分析垃圾产生量与其影响因素之间的灰色关联度,选出关联度最大的4个因素建立多变量的灰色GM(1,5)预测模型与BP神经网络模型,并对垃圾产生量的预测精确度进行了对比,用预测精度最高的BP神经网络模型对未来年份的垃圾产生量进行了预测,为成都市垃圾处理处置规划提供了理论依据。