多维自回归滑动平均模型研究与应用

利用时序分析方法研究1952－1997年国内生产第一产业与第二产业产值的ARMAV模型，并用所建模型对1998年产值进行外延预测，得到较理想的预测结果。     

回归预测法在桥梁剩余寿命预测中的应用研究

随着公路交通事业的发展,在役桥梁的使用状态越来越引起了人们的广泛重视．准确地预测在役桥梁的剩余使用寿命可为公路管理部门的养护维修方案提供可靠的决策依据,节省了建设资金,保障了桥梁的安全．但到目前为止,该方面的研究进展比较缓慢．提出了引入回归预测这一数学原理对该问题进行研究分析,方法简单适用,并孳用实例加以说明,实现了桥梁结构剩余使用寿命的预测．     

空间自回归模型在水库边坡位移预测中的应用

针对传统位移监测很少考虑不同测点之间相互作用的问题,基于经济学领域空间计量学基本理论,研究了空间自回归模型在边坡位移预测中的应用。以某工程高边坡外观位移数据为例,对边坡的位移状况进行预测,并与传统的自回归积分滑动平均模型相比较。结果表明:(a)在空间自相关系数较为显著的条件下,运用空间自回归模型可以较为精确地预测边坡变形状况,且优于传统模型;(b)空间自回归模型相较于传统模型参数更加简洁、考虑的影响因素更全面,可以同时对空间所有测点位移进行估计。     

基于自回归滑动平均模型的玛纳斯河洪水预报

水文预报作为重要的防洪非工程措施,对位于高寒山区的玛纳斯河流域防汛抢险、水利工程建设和调度具有重要意义.通过对玛纳斯河水文系统的分析,确定出影响玛纳斯河径流量的主要因素,建立了玛纳斯河流域流量预报的自回归滑动平均ARMA(p,q)模型,对肯斯瓦特水文站实测径流过程进行了预测检验.结果表明,自回归滑动平均模型对实测年径流量有很好的逼近拟合效果,相对误差很小,ARMA(p,q)模型用于径流量预测有较高的精度,是可行的.     

图像的二维自回归滑动平均模型

在一维自回归求和滑动平均模型（ＡＲＩＭＡ（ｐ;ｄ;ｑ）的基础上,探讨了其在二维图像空域序列的模型推广．讨论了图像的二维自回归滑动平均模型ＡＲＭＡ（ｍ ,ｎ;ｐ,ｑ）的建模方法,包括利用模型的自相关和偏相关函数的截尾性及Ｆ检验准则对模型定阶,采用两步估计法进行自回归模型（ＡＲ（ｐ））和滑动平均模型（ＭＡ（ｑ））的参数估计．将此模型应用于对一类纹理图像的建模中,在较低阶时就能得到较好的定量描述,从而为图像的纹理特征提取提供了分类依据．     

拮抗肌对的自回归滑动平均模型的参数分析

将自回归滑动平均模型运用于肘关节桔抗肌对的肌电信号分析中，利用该模型所提供的丰富的参数，来研究在同一关节上的拮抗肌对的疲劳关系．模型中的一些自回归系数和肌疲劳程度具有相似的变化趋势．而且，对于同一伸展或屈曲过程，关节上的拮抗肌的疲劳参数要大于主动肌的参数．     

基于混合自回归滑动平均潜周期模型的短期电价预测

应用混合自回归滑动平均潜周期模型对短期电价序列进行了预测.对消除了趋势影响的电价序列,经离散傅里叶变换转换为复值潜周期模型,采用一种简单的周期图检测方法计算电价序列的周期特征参数.为了计及历史信息对当前状态的影响,采用自回归滑动平均模型拟合残差随机分量,采用赤池信息准则确定模型的阶数,参数则由矩估计得到.该模型不要求预先假设电价序列的周期尺度,周期的个数和大小由模型计算确定,方法简单.采用美国宾夕法尼亚、新泽西、马里兰电力市场的实际电价数据对模型进行了检验,验证了模型的有效性.     

基于监督局部模型的设备剩余寿命预测

精确预测设备的剩余使用寿命能帮助厂商衡量所生产设备的质量,也有利于使用者及时更换或修理设备。截至2021年,基于相似性预测剩余寿命的研究大多使用欧式距离进行相似性的判定,容易出现维度灾难。本研究结合长短期记忆网络和自编码器提取设备的时序特征,之后使用监督局部模型进行剩余使用寿命预测,以随机森林为基础进行相似性的判定。最后,本研究使用C-MAPSS数据集验证了所提出方法的有效性,所提出方法在预测精度上要优于其余几个对比方法,并进行相关的讨论。     

一种确定自回归滑动平均模型最小阶次的新方法

针对经典Akaike信息准则(AIC)在模型定阶时缺少阶次范围下界而引起的模态遗漏问题,根据稳态图和AIC准则,提出了一种自回归滑动平均模型在模态参数辨识中的定阶方法.该方法先利用稳态图能够鉴别真假模态的特点,进行各阶模态频率的估计和均值的求取,进而根据模态稳定性判定准则计算出阶次范围下界,最后利用AIC准则确定最优的模型阶次.仿真结果表明,与经典AIC准则相比,所提出的方法定阶后进行模态参数的辨识,不仅识别出了经典AIC准则遗漏的第3阶模态参数(误差为0.18%),而且使第1、2阶模态参数的精度分别提高了2.31%和6.31%.对悬臂梁的模态实验结果表明:该方法不仅辨识出了经典AIC准则遗漏的第1阶模态参数,使其误差仅为0.62%,而且也大大提高了其他各阶模态参数的精度.     

大数据背景下相似性设备剩余寿命预测研究进展

剩余寿命预测是设备故障预测与健康管理的重要组成部分,准确预测设备剩余寿命将有助于决策者及时制定维修策略,避免巨额的失效损失。随着物联网和大数据技术的发展,实时监控设备的运行状态变得越来越便利,为改进和发展设备剩余寿命预测方法奠定了坚实基础。基于相似性的设备剩余寿命预测方法不需要假设设备退化模型,而是通过大数据分析设备间运行状态的相似性进行预测,具有很高的预测精度和强鲁棒性。本文从健康指标构建、相似性度量选取、数据融合等方面,对基于相似性的设备剩余寿命预测方法进行了梳理总结,分析比较了相应性质。文章最后对基于相似性的设备剩余寿命预测方法的未来研究方向进行了探讨。     

基于迁移学习的轴承剩余使用寿命预测方法

针对目前大多数基于人工智能的轴承剩余使用寿命(remaining useful life,RUL)预测方法不能很好地预测不同工况下轴承剩余寿命的问题,提出了一种基于迁移学习的寿命预测方法,对不同工况下的轴承进行剩余寿命预测.对采集的轴承原始振动信号进行傅里叶变换得到频域信号,以卷积神经网络和长短时记忆网络作为特征提取器...     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。     

基于劣化数据的综合传动装置剩余寿命预测

研究不确定测量多维劣化监测数据下的综合传动装置剩余寿命预测.采用主元分析与状态空间模型融合得到装置劣化程度指标;根据随机过程首中时间的概念定义了装置的剩余寿命,利用Wiener过程建立了装置劣化过程模型,模型中考虑了装置劣化随机性与监测数据测量不确定性;采用极大似然估计方法估计了模型参数,并利用Kalman滤波技术实现了劣化模型的实时估计与更新,得到了装置的剩余寿命分布.研究结果表明,文中的方法能够客观描述装置性能劣化规律,优于不考虑测量不确定性的方法,能够提高剩余寿命预测的准确性,为装置的视情维护提供指导.      

双通道深度卷积神经网络的航空发动机剩余使用寿命预测方法

提出了一种基于双通道的深度卷积神经网络方法,用来预测航空发动机剩余使用寿命。该方法在传统卷积神经网络上,应用最大信息系数进行数据降维、卡尔曼滤波进行数据降噪;通过数据切片,将数据片标签设置为最后一个循环的剩余使用寿命,实现数据重构;引入分段和线性剩余使用寿命衰减模型,并给出了寿命衰减起始点判断方法;将寿命衰减前、寿命衰减中2种特征作为双通道网络模型的输入。在NASA涡轮风扇发动机仿真数据集（CMAPSS）上测试结果显示,在测试数据范围较大时,该方法相关指标明显优于其他方法,在航空发动机剩余寿命预测上具有显著优势。     

基于MIC特征提取与BO-CatBoost的航空发动机RUL预测

针对航空发动机传感器监测的退化参数提取困难,易受噪声干扰及发动机剩余使用寿命预测精度不足等问题,利用最大信息系数、贝叶斯优化算法和类别特征梯度提升算法,提出了一种新的发动机剩余使用寿命预测模型。首先,为有效解决特征提取不足的问题,对采集的传感器历史监测特征进行最大信息系数相关性计算,提取出对发动机寿命运行周期影响较大的关键退化特征。其次,为解决剩余使用寿命预测中的梯度偏差及预测偏移问题,使用基于贝叶斯优化的类别特征梯度提升方法对航空发动机进行剩余使用寿命预测。最后,在美国航空航天局提供的商用模块化航空推进系统仿真数据集上进行实验,结果表明所提预测方法的性能较好,验证了该方法的有效性。     

基于小波分析和ARIMA模型的交通流预测方法

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;采用综合自回归移动平均(ARIMA)时间序列模型对交通流进行预测;并对实测交通数据进行验证分析.结果表明,该方法具有较高的预测精度,可用于交通流的实时动态预测.     

模式识别与人工智能系统的生存期模型建立

提出一种对模式识别与人工智能系统都适应的生存期模型——树状模型.模型先以类似瀑布模型的方式,用少量模型单元生成一个模式识别系统的原型,或用少量知识单元生成一个人工智能系统的原型.然后,以此原型为基础,领域的每一个模型单元或领域的每一个知识单元按类似瀑布模型的不同阶段,以流水线生产方式生产出来.最后,把它们一一以近似分类(树状结构)方式装入库中,如此循环往复,生成该系统的不同软件版本.     

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.