基于实时监测的轴承寿命预测方法

从凯斯西储大学轴承数据中心提取了斯凯孚(SKF)轴承内圈、滚动体和外圈不同故障尺寸的原始振动信号,故障尺寸分别为0.007,0.014和0.021 in（1 in=2.54 cm),对其进行经验模态分解(EMD),发现共有17个本征模函数。进行主成分分析(PCA),发现内圈和外圈故障尺寸与第一主成分和第二主成分的关系可通过主成分拟合公式进行准确拟合,因此,通过实时监测轴承振动信号并进行信号分析,可获得内圈和外圈的故障尺寸,利用Pairs-Erdogan公式和有限元仿真方法对含故障轴承的剩余寿命进行了预测。该研究对预防由含裂纹轴承导致的机械事故具有重要的意义。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

基于遗传算法-深度神经网络的分布式光纤监测工作面矿压预测

煤层开采过程中的工作面矿压分析与预测,对煤矿顶板管理与安全生产具有重要意义。然而,工作面开采引起的围岩移动和变形影响着矿压预测的准确度。为了提高工作面来压位置预测的精度,以分布式光纤监测采动覆岩变形的频移数据为基础,引入门控循环神经网络(gated recurrent neural networks, GRU),建立了遗传算法(genetic algorithm, GA)-GRU-反向传播(back propagation, BP)的工作面来压位置预测模型。将光纤频移值的统计特征融合工作面推进距离等因素作为特征向量,并采用GA对GRU及BP网络的超参数寻优。实验结果表明：预测模型的决定系数为98.7%,平均绝对误差为1.224 cm,均方根误差为1.769 cm,预测的准确性高,为工作面矿压预测提供了新的方法。     

基于地震波形分类的三角洲储层刻画与应用——以西湖凹陷J气田为例

西湖凹陷J气田是东海主要产量贡献的油气田之一,随着开发生产的深入,主力气井E开始见水,逐渐停产,对气田油气产量带来了较大影响,急需对储层展布范围及水体能量进行分析。以精细岩心观察描述为基础,根据岩石类型、沉积构造、沉积旋回及测录井资料,对研究区内平湖组沉积环境及相类型进行了分析,在此基础上对研究区主力层P7开展了基于地震波形分类的精细地震解释,识别并统计了3类地震波形分类标志,通过地震正演技术,初步验证了解释成果的可靠性;结合现代沉积模式,对P7层储层平面展布进行了刻画。研究表明：研究区主要发育3个三角洲朵叶体,据此计算P7气藏的水体倍数约20倍,主要来水方向为北偏东方向,更新后的油藏数值拟合效果较好,对研究区出水井治理及挖潜具有重要指导意义。     

图像可逆数据隐藏技术研究综述

可逆数据隐藏技术不仅能从嵌入数据后的载体中完整地提取嵌入的秘密数据,而且能无损地恢复原始载体,这在诸如医学图像、遥感图像等特殊的应用领域非常实用,已成为多媒体安全领域的研究热点。以数字图像为载体,首先对信息隐藏技术的分类、应用和特性与可逆数据隐藏技术的基本框架和性能评估进行简要描述。其次,对基于差值扩展、直方图平移、预测误差扩展、像素值排序和插值技术等五种典型的可逆数据隐藏技术分别进行了介绍和讨论,给出了每种典型技术的嵌入和提取过程。最后,对可逆数据隐藏技术未来的研究趋势进行了展望。     

基于动态时间规整和长短期记忆的空中交通流量短期预测

空中交通流量短期预测对于精准实施空中交通流量管理具有重要意义。为提高空中交通流量短期预测准确性,充分利用历史运行数据,提出了基于动态时间规整和长短期记忆(dynamic time warping-long short-term memory, DTW-LSTM)的空中交通流量短期预测模型。首先,分析了空中交通流的时空相关性特征,采用DTW算法衡量扇区之间交通流相关性;其次,依据相关性度量结果构建数据集,在不同输入条件下建立LSTM网络预测模型;最后,在不同时空参数组合模型间展开预测性能对比及分析。实验结果表明,相较于不考虑时空相关性的LSTM模型,本模型平均绝对误差(mean absolute error, MAE)降低24.5%,均方根误差(root mean squared error, RMSE)降低31.4%,相较于时空相关性的支持向量回归(support vector regression, SVR)模型,MAE降低36.4%,RMSE降低30.6%。由此可见,通过考虑交通流时空相关性可以有效提升流量短期预测的准确性,为空中交通流预测提供有益参考。     

深埋公路隧道高地应力场特征分析及岩爆预测

深埋隧道岩体中有较高地应力,在岩石强度较高的围岩处易发生岩爆,影响围岩稳定性。笔架山公路隧道埋深大,为降低其安全建设风险,通过工程区岩样岩体力学实验对围岩性质进行研究,结合地应力资料建立三维有限元地质模型反演隧址区地应力场,最终利用谷-陶岩爆判据和强度应力比岩爆判据对笔架山隧道岩爆状态进行预测。结果表明：隧道工程区内岩体有中等-强烈岩爆倾向;隧道沿线地应力场由自重应力场主导,大多数区段岩体处于极高应力状态,且水平最大主应力与隧道夹角较小,有利于围岩稳定;开挖后沿线围岩最大主应力峰值为63.2 MPa,均发生在断面侧壁,因此在该部位发生岩爆的可能性较大;隧道沿线24%区段有发生岩爆的可能,且以中等-高岩爆活动为主,岩爆预测结果可为隧道开挖施工和灾害防治提供参考。     

模糊时间序列预测在动态经济系统预测中的应用

研究适合于动态经济系统的预测方法,对指导我国现阶段的经济工作有很大的意义。为尽可能地减少对动态经济系统预测的偏差,将模糊数学的理论应用于预测过程中,应用模糊时间序列预测方法,解决带有模糊信息的动态预测问题,使所得出的预测结果能够更加符合现实的需要。     

基于特征加权的神经网络集成及其应用

泛化能力是机器学习关注的基本问题之一.特征加权是特征选择的更一般情况,它能更加细致地区分特征对结果影响的程度,往往能够获得比特征选择更好的或者至少相等的性能,已经成为普遍的提高学习器的泛化能力的方法之一.该文提出一种基于特征加权的神经网络集成方法FWEART,该方法通过自适应遗传算法的优胜劣汰机制为输入属性确定了特征权值,提高了集成中各个体Category ART网络的精度和差异度,从而提高了神经网络集成的泛化能力.在UCI标准数据集上验证了有效性后,FWEART被应用在地震序列类型预报上,取得了较好的预报效果.     

二维楔形体入水砰击仿真研究

基于数值仿真的方法对二维刚性楔形体的入水砰击问题进行了研究.建立了包含气水流场的二维有限元模型,考虑空气、重力等因素在砰击过程中的影响,研究了流场的自由液面、压力和速度等物理量的变化情况.对不同入水角的楔形体入水的砰击压力峰值系数进行了计算,分析压力峰值的变化规律.结果表明,楔形体入水砰击压力峰值系数不仅与入水角度有关,而且与入水速度也有很大的关系.