软刚臂系泊系统水平系泊力原型测量方法

以渤海某在役的浮式储油卸油装置(FPSO)软刚臂为研究对象,对其系泊力的测量方法从应变、位移和运动姿态3个方面进行了讨论,并对测量的精度及准确性进行了分析.结果表明,3种方法在测量精度上大体相同,而长期稳定性和成本上倾角仪(运动姿态)方法要好于其他两者.系泊力原型测量方法的应用,不但可以使作业者有效保障现役FPSO的系泊安全,而且其测力结果亦可作为软刚臂系泊性能评估的重要参考.     

基于轴承故障诊断的软刚臂模型实验设计研究

针对软刚臂上铰点推力滚子轴承的故障信号易被其他信号干扰的问题,提出了最小熵解卷积(MED)理论,并以明珠号FPSO系泊腿推力滚子轴承为研究对象,设计了大比尺模型实验,模型实验包括单点平台、软刚臂、系泊支架3个部分.试验中,六自由度平台代替浮体做艏摇运动,通过完好的推力滚子轴承与故障的推力滚子轴承加速度信号做比较,对轴承...     

基于实测的软刚臂横摆疲劳分析

针对浮式生产储存卸货装置中软刚臂系泊系统所产生的横摆问题,运用相位分析方法分析软刚臂横摆与船体横摇的共振现象,研究了软刚臂横摆的疲劳分析方法;以软刚臂上铰点为例,运用雨流计数方法统计上铰点1a的循环次数,并推算出其15a的循环次数,利用有限元方法计算15a的循环次数下的疲劳损伤.结果表明,上铰点的整体损伤达到了0.57.在软刚臂的设计年限内,上铰点存在疲劳失效的隐患风险,亟需寻找切实可行的方法以降低共振所带来的影响.     

基于滑动窗口的LSTM地温预测方法

为了连续预测未来多日的日平均地温,采用LSTM和滑动窗口(SW)相结合的方法,以7天为周期更新输入参数,实现连续预测.分析成都市近50年的地温数据的关系发现,日平均地温与前几日平均地温呈现较强的正相关关系,但在夏季这种关系较弱.进一步根据季节特点建立了5个预测模型,分别为:全年、春季、夏季、秋季和冬季.结果表明,冬季模...     

水上软刚臂系泊系统YOKE失效分析

以渤海油田水上软刚臂系泊系统YOKE失效案例分析为基础,阐述了YOKE失效分析的基本方法。通过YOKE失效原因分析,对今后复杂环境工况下如何提高系泊系统设计可靠性有所启发。     

基于注意力机制的LSTM长江汛期水位预测方法研究

为提高长短期记忆网络(Long Short-Term Memory,LSTM)在水位预测任务中的准确性,以及提高LSTM对数据中时空信息的利用率,本文提出了一种基于Softmax函数的注意力模块,并将其应用在LSTM的输入前,使模型可以根据输入数据中的时间和空间信息,自主地生成带有权重的词义向量,并赋予输入序列时间和空...     

基于LSTM的四旋翼无人机轨迹预测方法

实时、准确、高效的轨迹预测是对四旋翼无人机进行有效管控的重要前提.基于深度学习理论,提出一种基于长短期记忆神经网络(LSTM)的四旋翼轨迹预测方法.在LSTM基础上,使学习速率自动调整,基于四旋翼无人机位置坐标与速度参量,对轨迹数据进行训练与预测,其经度、纬度、高度误差分别为6.04、6.45、2.33 m.分析历史时间步长对于预测精度的影响,结果表明历史学习步长为40～45时,LSTM预测结果最佳;比较不同预测步数的预测误差,结果表明一步预测、两步预测误差结果较好,三步预测误差显著增大.     

基于LSTM流量预测的DDoS攻击检测方法

提出一种基于长短时记忆(LSTM)神经网络流量预测的分布式拒绝服务(DDoS)攻击检测方法.首先定义了IP数据包统计特征(IPDCF)来表征网络流特征,然后采用LSTM神经网络模型对IPDCF时间序列进行建模,且使用网格搜索和超参数最优法确定Dropout的值以缓解该模型的过拟合现象,最后建立基于IPDCF时间序列的LSTM模型来识别DDoS攻击.实验结果表明:该模型能够准确地预测正常网络流量变化趋势,识别DDoS攻击引起的异常;与同类方法相比,该方法能较早地检测DDoS攻击且漏报率和误报率更低.     

基于LSTM的WEB服务响应时间大数据预测方法

有效地预测Web服务器响应时间,对Web服务提供方保障服务质量有着重要的指导意义.利用大数据方法对处理大量历史指标数据的处理能提高预测的效率.本文提出一种使用相关性分析除去与响应时间相关性不高的指标项,使用特征降维的方法减小计算的数据量,使用动态调节参数的多层LSTM优化算法对数据做训练并预测响应时间的方法来提高预测的效率和准确率.通过实验证明,本文提出的方法能高效和准确地预测Web服务响应时间.     

基于集成LSTM的泵站供水流量智能预测方法

城市二次加压供水泵站的供水流量预测是实现清水池补水、蓄水的依据,也是保证居民用水安全的前提.针对泵站供水流量受线性、非线性和时变等多种因素影响,导致传统模型的预测效果较差的问题,提出了一种基于长短时记忆网络与整合移动平均自回归模型相结合（LSTM ARIMA）的方法,建立泵站供水流量集成预测模型.首先将获取到的供水流量数据按照时间日期进行打标签及预处理;然后将处理后的数据分别放入LSTM模型和ARIMA模型中进行训练与测试,通过统计分析2个模型的历史预测准确次数来确定它们各自的基本权重,并在预测过程中自适应修正权重;最后,基于对应权重将2个模型集成,得到最终的供水流量预测结果.某供水泵站的现场数据验证表明：本文方法所得结果与其他2种方法所得的预测结果在均方根误差（RMSE）上分别降低了51.24%和66.52%,在平均绝对误差（MAE）上分别降低了49.84%和67.02%,验证了模型的有效性.     

基于LSTM的轨道交通进站客流短时预测研究

对轨道交通进站客流进行准确的预测有助于城市交通系统更好的管理,及时做出应对措施.使用K-means聚类方法对南京地铁113个站点进行聚类,得到5个不同类别的轨道站点,分析不同类型站点进站客流的时序特征以及天气与工作日因素对客流的影响,发现是否为工作日对进站客流影响最为明显.用长短时记忆网络将前35天的数据作为训练集预测...     

浮式生产储油轮诱导软刚臂系泊系统的动力响应

建立软刚臂系泊系统的理论模型和动力方程,模拟实际几何与物理特性及作用机制.开发误差判断结合变步长迭代搜索的数值逼近求解方法和软件,计算分析软刚臂系泊系统在浮式生产储油轮(FPSO)空间6自由度运动诱导下的动力响应特性,并进行模型试验验证.结果表明,该模型的数值计算与试验结果符合很好,而且迭代计算次数少、收敛快、误差小,可用于海上软刚臂系泊FP-SO系统动力性能的实时监测或理论预报.建议进一步研制实时监测装置,实现安全监控与防护.     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

基于LSTM神经网络的乘用车能耗预测

为改善当今石油供需矛盾和环境问题,针对乘用车提出了基于LSTM神经网络的燃油乘用车能耗预测模型。通过纵向动力学建模并匹配相应车型进行求解,结合GB/T 38146.1行驶工况数据,得出能耗随时间的变化率。构建LSTM神经网络架构,根据处理后的数据样本,对LSTM神经网络进行训练和评价。最后,通过LSTM神经网络和BP神经网络的仿真对比表明,随着迭代周期的增加,LSTM神经网络模型具有更高的精度,对能耗预测的准确性较好,对改善无人驾驶车辆的节能减排具有工程应用价值。     

基于数值与文本特征的LSTM股票价格预测研究

行为金融学理论指出,由社交媒体文本数据所折射出的投资者情绪在一定程度上影响着股票市场的波动。为了利用投资者情绪对股票市场作出更准确的预测,本文爬取2020年8月31日至2021年9月1日的沪深300指数股吧评论文本数据,使用基于融合基础情感词典和金融词典的分析方法将评论文本数据量化为投资者情绪指标,并利用长短期记忆（Long short-term memory,LSTM）神经网络构建了融合股票历史交易数据和基于股吧评论的投资者情绪指标的多特征预测模型。实验结果表明,基于数值和文本特征的LSTM股票价格预测模型的平均绝对误差（Mean absolute error,MAE）、均方根误差（Root mean squared error,RMSE）和均方误差（Mean square error,MSE）值较LSTM数值特征预测模型降低了18.84、15.79、1486.54。较GRU(Gated recurrent unit)数值文本特征模型,其MAE、RMSE、MSE值则降低了11.42、10.49、931.75。实验结果表明本文提出的方法可以有效预测股票价格指数。     

基于TensorFlow的LSTM神经网络智能电气火灾预测研究

随着智慧城市建设的步伐不断加快以及人工智能技术的高速发展,如何利用大数据技术对电气火灾事件实现精准预测已经成为当前火灾预防研究者特别关注的问题.本文设计并实现了基于TensorFlow智能学习系统的LSTM神经网络电气火灾预测算法,对某地区输电线路上的数据进行了分析,通过多次数据迭代和参数调优对模型进行了训练,实验结果表明,基于TensorFlow的LSTM神经网络算法对于电气火灾的预测不仅具有较高的准确度,而且泛化能力强,预测效果明显好于其他学习算法.     

基于三相四桥臂逆变器的APF预测控制方法的研究

为解决三相四线制不对称电网系统中的谐波污染问题,本文提出了一种应用于三相四桥臂有源电力滤波器（APF）的控制方法。该方法在T采样时刻预测出T＋1时刻的网侧电压和逆变器输出电流值,并根据建立的系统数学模型计算出T＋1时刻的参考电压值,然后利用三维电压空间矢量调制得出主电路的控制信号,驱动主电路输出补偿电流以达到消除谐波的目的。此方法能有效降低采样、计算环节带来的延时,具有直流电压利用率高,系统动态响应好的优点。仿真实验证明了该方法的可行性。     

基于软约束调整方法的区域预测控制

针对复杂工业过程控制中带有区域约束要求的多变量预测控制问题,提出了一种软约束调整方法。依据控制要求的不同,将输出变量分为两类,即质量变量和一般约束变量,并结合工程经验合理选择变量的权重。将线性二次高斯方法引入到软约束的调整中,并兼顾系统的期望目标,以获得满意的优化结果。仿真结果表明所提方法不需要判断输出变量是否违反区域控制要求,也避免了复杂的交互矩阵计算问题,更符合实际工业生产需要。