基于有监督核自组织映射的锂电池健康状态预测

高效准确地预测锂电池的健康状态(State of health,SOH)可以保证锂电池的正常运行,提高维护效率及电池本身的稳定性。提出一种基于有监督核自组织映射(Supervised kernel self-organizing map,SKSOM)的建模方法用于锂电池SOH预测。首先,对锂电池的原始放电数据进行预处理及归一化;然后,设计并优化了针对SKSOM的输入特征,在此基础上训练出SOH预测模型;最后,在美国国家航空航天局(National Aeronautics and Space Administration,NASA)的标准锂电池数据集上进行验证。实验结果表明,该文所用的预测模型能有效挖掘出锂电池的SOH规律,预测性能优于其他已有的SOH预测模型。     

一种新的具有多个储备池的回声状态网

回声状态网是一种新型的递归神经网络,仅需要训练输出权值,克服了传统递归神经网络存在训练算法过于复杂、收敛速度慢、易于陷入局部最小等问题.为进一步提高回声状态网的建模能力,特别是面临实现多个正弦函数叠加(MSO)等任务时的逼近能力,提出了由泄露积分型神经元构建一种新型的多储备池回声状态网,称为多储备池泄露积分回声状态网(MLESN). MLESN是采用由顶向下和由底向上相结合的思路构建回声状态网.首先采用由顶向下的思路构建回声状态网,假设其储备池由P类相异泄露积分型神经元构成,每一类神经元的群体将构成一个子储备池.然后采用由底向上方式构建回声状态网,生成P个相异中心神经元,分别代表P个子储备池,每个子储备池的神经元状态要与其中心神经元状态相同或相近,P个中心神经元之间通过随机稀疏连接构成了一个新的虚拟子储备池.在储备池状态更新过程中,仍需保持各子储备池内部神经元之间的差异性小,不同子储备池神经元状态之间的差异性大的特点.最后,利用Matlab仿真软件进行实现,并与泄露积分型回声状态网(Leaky-ESN)预测性能进行比较.仿真结果表示,本文提出的方法具有更高的预测精度和预测误差波动性小等特点.     

Brent原油期货市场波动结构突变点预测

针对Brent原油期货市场可能存在结构突变点（结构断点），引入了隐马尔科夫模型(Hidden Markov Models，HMM)对其进行波动状态预测，但是由于HMM模型测度下的波动状态中可能存在伪结构突变点，再使用迭代累积平方和(Iterated Cumulative Sums of Squares，ICSS)模型对Brent原油期货市场波动结构突变点进行诊断，并修正其波动状态，为了检验ICSS-HMM-EGARCH模型对Brent原油期货市场结构突变点预测的准确性，基于修正后的波动状态再次使用HMM-EGARCH模型对Brent原油期货市场进行波动率预测。最后，采用成功率(Success Rate，SR) 和基于平均误差函数(Root Mean Squared Errors，RMSE)的Diebold-Mariano(D-M)模型分别对预测波动状态和预测波动率的准确性进行检验。实证结果表明：Brent原油期货市场中存在波动结构突变点；HMM模型测度下的波动状态中存在伪结构突变点，而ICSS-HMM-EGARCH模型能够修正波动状态中的伪结构突变点；基于修正后的波动状态后HMM-EGARCH模型能够对Brent原油期货市场进行更加准确地波动率预测，因而ICSS-HMM-EGARCH模型能够准确地预测Brent原油期货市场波动结构突变点。     

化工机械中承压设备故障原因及对策分析

化工产业在国家的经济生活中占据着重要地位。机械设备作为化工产业中不可缺少的一部分,它的安全稳定运行关系整个化工业的生产能力。但是,化工设备在运行中经常会遇到一些故障,针对这些故障产生的原因制定出相应的措施是化工业生产中所必须面对的一个问题。     

一种基于电压相位关系的单端测距方法

本文提出一种新的单端测距方法,基本原理是利用故障点的故障前电压与故障后的初始电压相位相差为π的特征,通过测量点处的电流、电压得到线路上各点的故障前电压和故障后的初始电压,找到其相位相差π的点对应的距离即为故障距离.该方法简单易行,测距精度较高,解决了远端故障测距不准确的问题,仿真结果验证了方法的有效性.