基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

炼铁设备故障预测模型的建立与应用

炼铁设备运行过程多样复杂,设备故障的预测与分析应适应现代化的设备管理要求.将灰色系统GM(1,1)与新陈代谢模型相结合,建立了炼铁设备故障预测模型.该模型对实时数据进行处理,通过分析数据间的规律,预测设备的可靠性.安钢热风炉风机运行动态监测的实例表明:该模型可实时地根据设备运行状态进行数据分析,与传统的分析手段相比,具有快捷、方便、可信度高的特点.模型可以大幅度减少模拟计算工作量、提高预测精度.     

基于残差网络的配电柜设备元件状态识别

随着工业智能巡检的不断发展,基于数字图像处理方法的设备元件状态识别系统被广泛应用.为提升配电室中配电柜设备元件状态识别的准确率,提出了一种基于残差网络(residual networks, ResNet)的设备元件状态识别方法.首先搭建数据采集系统,构建数据集;然后对配电柜图像,裁剪预设的设备元件目标区域,生成设备元件图像;对于设备元件图像,构建基于ResNet的元件状态识别模型并训练;使用训练完毕的模型识别元件的状态.以变电站配电室中配电柜设备元件数据集作为研究对象,对于特征复杂的元件采用单预测头的网络,对于特征简单的元件采用多预测头的网络;然后使用紧凑和剪枝的模型压缩方法在精度损失较小的情况下减少参数量和计算量;最后介绍巡检系统的架构设计,将JetSon Nano边缘终端作为算法模块的运行硬件,以减少通信成本.     

基于高斯模型的工业过程数据的故障预测

针对工业过程中采集到的监控变量的时间问题序列数据,提出一种新的基于高斯过程模型的预测建模方法来实现故障预测。针对特定数据集重新构建高斯过程核函数,将工业过程的先验信息加入到数据驱动预测模型中,使模型具有更好的性能。与现有的预测模型相比,高斯过程回归模型可以在给出预测值的同时给出一个置信区间,用作故障预测的不确定性度量。在田纳西-伊斯(TE)曼过程模拟数据集上进行性能对比实验,实验结果表明,提出的故障预测方法具有更好的预测精度。     

基于XGBoost的列控车载设备故障预测方法

列控车载设备的健康管理和故障预测是实现高速铁路关键装备智能化视情维护的重要途径.为了克服列控车载设备故障建模的复杂性和健康监测手段受限等问题,充分运用现场收集的设备运行记录数据,提出一种基于数据驱动的列控车载设备故障预测体系框架.建立了高速列车列控车载设备运行数据管理平台,基于大量历史现场数据构建训练及测试样本集,运用极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法实施特定故障类型的模型训练与学习,并将所得故障模型用于故障概率的预测分析.以CTCS2-200H型列控车载设备为对象,运用实际数据对所提出的故障建模方法进行了验证,对不同建模样本规模、故障类型维度下的模型性能以及不同建模算法性能进行了对比.结果表明:基于XGBoost算法的建模方法能够有效揭示各特征量与故障之间的关联,所采用树的深度值越高,迭代收敛速度越快;相较于GBDT、RF算法,基于XGBoost的建模方法能够实现更高的预测正确率,在给定样本条件下达到稳定正确率所需训练时间分别减少了78.55％、12.47％,验证了该方法在大规模数据条件下的适用性和性能优势.     

基于特征组合分析的主泵异常检测方法

为了解决传统阈值法在核电站主泵状态数据异常检测中的误判、实时性差等问题,提出一种基于单维状态数据特征分析和多维状态数据特征分析相结合的方法。对于单维状态参量,使用AR(auto regressive)模型拟合获得模型参数,再结合SOM(self organizing maps)神经网络的量化结果得到单维状态参量随时间变化的过渡概率序列;对于多维状态参量,使用OPTICS(ordering points to identify the clustering structure)算法聚类生成不同的模式组;然后根据两类特征提取结果综合分析,得到异常检测模型;最后将检测模型应用于主泵状态数据异常检测,并与其他方法进行比较。实验结果表明此模型在准确性、实时性上更具优势。     

基于数据驱动的盾构竖向姿态预测深度学习模型

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明：CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_MA和均方根误差E_RMS较低,同时预测的决定系数R²较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R²分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_MA和E_RMS较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LS...     

便携式巡检仪在故障诊断中的应用

便携式巡检仪作为离线监测的一种手段,对设备故障诊断具有重要意义。传统的设备巡检多采用定期、定点、定路线以及手工记录的形式,使得大量巡检数据的管理相对困难,而且不能根据设备运行状态的变化进行动态调整。便携式巡检仪可以对设备进行周期性或自定义自由巡检,对数据进行管理或上传到上位机用于历史分析和运行趋势预测,既提高了效率,又避免了人为的抄录错误,是现代化工厂企业进行离线监测的重要辅助工具。     

基于溶解氡数据和长短期记忆网络的地震预报

溶解气氡浓度异常为可靠地震前兆,通过对历史观测数据进行建模,预测溶解气氡未来趋势,是快速检测溶解气氡浓度异常、研究震-氡机制的前提。溶解气氡浓度数据为典型的时间序列数据,传统的时间序列预测技术主要为自回归(AR)方法和自回归滑动平均(ARMA)方法。这些方法以线性方法为主,其拟合精度有限。采用目前最流行的深度学习技术长短期记忆(LSTM)模型对姑咱地震台、西昌地震台和雅安地震台一段时间内连续观测的溶解气氡日观测数据集溶解气氡浓度数据进行建模,采用90%的数据作为训练数据训练LSTM网络,10%的数据作为预测数据,采用均方根误差评价指标来评价模型的效果。在三种数据集上,LSTM的预测误差均方根误差均明显低于AR和ARMA方法。该结果表明,LSTM的预测精度高于传统的AR、ARMA方法。     

基于未来可预知特征的高速列车变流器超温故障KFF-LSTM预测方法

提出一种基于未来可预知特征的长短期记忆网络(KFF-LSTM)长时序数据故障预测模型,引入包括动态物理量、缓变/静态物理量与恒定状态量等未来可预知特征数据进行训练,同时通过调整经典LSTM模型架构的输出门、状态更新单元以及隐变量以优化模型的预测准确率与及时性;最后,基于高速动车组线路运行的牵引变流器电机定子温度数据,分别以平均绝对误差(MAE)、均方根误差(RMSE)和R2分数表征回归预测准确度,以偏滞步数表征响应及时性的评价指标,对KFF-LSTM、RNN、GRU及LSTM预测模型进行消融实验及可视化对比。研究结果表明,相对于其他3种方法,提出的KFF-LSTM方法在测试集超前1～16步预测的MAE和RMSE最高可分别降低18.0%和10.8%,R2分数提升可达26.5%,在超前16步的预测偏滞步数要优于其他方法40.0%,在高速列车的长序列数据故障预警场景中具有较好的应用推广前景。     

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.     

一种资源与服务性能关系的建模方法

获取资源与服务性能的关系模型是在云环境中为服务合理分配虚拟资源的关键.然而,训练数据的规模往往显著影响这种非线性关系模型的准确率.针对现有方法不足,提出了将协同过滤推荐(CFR)和支持向量回归(SVR)相结合的服务性能动态建模方法(CSDM).该方法在服务部署与运行时同时训练两种模型,并选择二者中MAE占优的性能模型预测给定资源状态下的服务性能,从而保证预测精度.同时,CSDM引入择优阈值以降低模型训练代价.实验表明,CSDM在不同规模的训练数据上均有较高的预测准确率,且择优阈值对预测精度和建模效率具有显著影响.     

基于预训练交互式图神经网络的多元时间序列异常检测

多元时间序列异常检测是数据挖掘领域中的一项重要应用.基于深度学习的异常检测方法已经取得了重大进展,但其仍然存在一定的局限性.首先,是它们假设训练数据仅由正常数据组成,而忽略了异常数据可能导致的不可预测性;其次,大部分方法并未考虑到时间序列的独特特性.为了解决上述问题,基于预训练提出了一种新颖的用于多元时间序列的异常检测框架.框架由预训练模块和预测模块组成,首先预训练模块通过学习时间序列的密集向量表示,增强其可预测性,然后预测模块中充分利用时间序列的独特特性捕获其时间依赖.通过广泛的实验证明了所提出的模型的有效性,在三个真实数据集上均显著优于最先进的模型.     

用灰色GM（1,1）模型作异常降水预测

应用灰色系统理论,建立了异常降水的预报模型GM(1,1).该模型首先选定某个异常值λ作为阈值,在原始数列λ(0)中选取对应于阈值λ的子集X_λ(0),重新构造一个对应异常值的时刻序列。将GM(1,1)模型与随机数据的累加生成相结合,对未来异常降水发生时刻作预测.实例预测结果与实况相吻合.     

采用单类随机森林的异常检测方法及应用

针对随机森林算法不能处理异常检测问题的局限,提出了一种基于改进格雷厄姆扫描法的单类随机森林,实现了随机森林在只有单类样本时的分类应用。在格雷厄姆扫描法的算法原理以及操作流程的基础上,引入了边界软化率的概念,增大了数据点外边界的柔性。利用射线法生成与输入样本反分布的数据集,使得传统的随机森林模型经过训练后成为拥有精细决策边界的单类随机森林。训练好的模型输出待测数据的异常概率。在XJTU-SY轴承数据集上验证了所提方法对于滚动轴承状态监测的有效性。分析结果表明,单类随机森林能准确分离正常运行数据与退化数据,并且可以通过调整边界软化率来实现异常值检测准确率与召回率的平衡。当预测概率阈值取0.5时,硬边界的单类随机森林可以实现98.37%的检测准确率以及0.972的召回率,而0.05的边界软化率可以得到最小的退化后期预测均方根误差,较硬边界降低1.01%。随着阈值的增大,边界软化率提供了有力的召回率保障。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于经验耦合函数的动态运行参数异常检测

随着工业智能化的发展,工业生产系统中的工业设备都具备了智能管控系统,其中重要需求之一是智能异常检测。实现智能异常检测通常需要从动态运行参数入手,但动态运行参数的流式数据形式以及高维数据耦合给可靠、高效的异常检测带来了很大困难。为此,提出了一种基于联合分布的动态运行参数异常检测方法。该方法首先从实时检测和整体检测两个角度对动态运行数据进行采样,然后结合经验耦合函数对联合分布进行建模,最后根据模型得到异常分数来判断异常。通过在大渡河流域水电站排水系统的排水泵动态运行参数数据集上的实验验证表明,该方法相比传统的异常检测方法效率更高,并且在曲线下的面积(area under curve, AUC)和平均精确率上均有提升。同时,该方法的可解释性也为工作人员故障排除以及后续维护提供了可靠依据。     

动态多流形投影算法在统计过程监测中的应用

为了解决工业数据的序列相关性以及数据的全局和局部结构在某些异常状态下的变化问题,通过"时滞偏移"方法将动态行为纳入多流形投影(multi-manifold projections,MMP)模型,提出一种动态多流形投影算法(dynamic multi-manifold projections,DMMP)在统计过程监测中的...     

一种基于神经网络的网络设备故障预测系统

引入基于状态的维修技术,构建了基于多状态的在网运行设备故障预测模型.根据故障的严重性将预警等级划分为四层,对于不同的预警级别,分别构建神经网络.该模型解决了设备故障预测精度不高的难题,提升了基于多状态的故障预测能力.     

基于自学习的行人检测方法

离线训练的分类器应用于特定场景时,其检测性能将急剧下降.手工标注虽然可以提高检测性能,但是需要耗费大量的人工成本.为此提出一种基于自学习的行人检测方法,该方法可以改变任意离线训练的分类器用于特定场景的行人检测,并且取得了较好的识别率.首先将训练级联分类器作为离线分类器,并使用任意公开的行人图片训练高斯混合模型(GMM);然后利用离线分类测器对特定场景进行行人检测并获取候选对象的置信分数;再根据置信分数的高低构建正负样本集合并使用高斯混合模型重新标识样本;最后使用SVM分类器在线训练行人分类器,对候选对象进行重新预测.在公开和自制数据集上的实验结果表明,该方法提高了通用行人检测器的准确性,并且明显优于传统方法.