化工过程的数据往往含有动态时序特性,传统故障检测对动态信息的使用率较低,限制了故障诊断性能。针对这个问题,提出了一种基于注意力增强的编解码网络模型的化工过程故障诊断新方法。编码部分利用LSTM提取过程数据的特征信息,结合注意力机制,更加有效地利用过程数据间的动态信息;解码部分利用LSTM并结合注意力机制提供的上下文向量,为归一化指数的回归提供更加精准的状态信息,最后利用归一化指数回归得到各个样本数据的故障类别概率值。结果表明,注意力机制的引入,提高了模型在时域下对过程动态信息的使用效率。针对本文提出的方法,利用田纳西伊士曼过程数据进行了实验,并与标准的PCA?SVM、DBN和ResNet的结果进行了对比。结果表明,该方法诊断故障的效果更加理想。
磁层析成像管道检测方法已经被广泛应用于埋地和海底管道的无损外检测。该方法基于金属磁记忆原理,通过在管道外测量空间磁场分布中的异常情况来判别应力集中区的危险等级和位置。为了研究磁层析成像法管道检测信号在空间中的分布特征和传递规律,对磁化管道的应力集中区空间磁记忆信号的能量分布和变化规律进行了研究。利用磁偶极子场建立管道内壁应力集中区磁场模型,基于磁能理论对管道外不同提离空间磁记忆信号的磁场能量和磁能密度进行有限元计算,得出空间磁场的分布规律,分析了不同提离磁信号磁能密度之间的相关性。结果表明,管道外空气中的磁场能量随着提离值的增加而衰减,在管道外壁至提离值小于50 mm时衰减最快;管道外磁层析成像法检测的磁信号与管道内壁应力集中区信号同源。从理论上解释了磁层析成像管道检测的有效性,为从检测数据中提取有效信号提供了理论依据。
针对大倾角煤层工作面底板的不规则性和飞矸形状的多样性,利用工作面底板等高线等地理信息系统数据建立真实工作面底板三维网格模型,结合能量跟踪法(ETM)自编C++程序,模拟得到相同质量不同形状的四类典型形状飞矸在实际工作面运移的运动轨迹,以及任意时刻的线速度、角速度和能量变化曲线,分析了形状对飞矸运移规律的影响。为验证本文方法的准确性和可行性,与采用Rockyfor3D软件模拟的轨迹进行了对比。结果表明,椭球体飞矸的运移能力远大于多面体飞矸;正多面体飞矸比一般多面体飞矸运移距离更远,碰撞的能量损失更小;正多面体飞矸的棱边数与飞矸在碰撞中的能量损失量成反比,多棱边正多面体飞矸造成危险的可能性最大。
基于图像对天气现象进行识别,对天气状况的分析至关重要。针对传统的机器学习方法对各类天气特征难以准确提取且天气现象分类效果差,以及深度学习对天气现象识别的准确率不高的问题,提出了基于图像分块和多头注意力机制的天气识别模型。该模型首次将Swin Transformer引入天气识别领域中,采用了窗口多头自注意层与移位窗口多头自注意层相结合的多头注意力机制。结果表明,其区域相关特征提取能力弥补传统方法的不足,能够提取图像中复杂的天气特征。采用迁移学习对模型进行训练,将微调模型的全连接参数输入到Softmax分类器,实现了对多类别天气图像的识别,识别准确率为99.20%,优于对比的几种主流方法。因此,该方法可以作为天气识别模块应用于地面气象识别系统。
粒子群工作时系统的鲁棒性很高,有助于解决图像重建的病态问题。但是,重建图像的像素较大,导致粒子维度较大,粒子在寻优过程中很难达到最优解。为了解决这一问题,对粒子的位置加入约束条件,以Tikhonov正则化图像重建算法成像作为粒子位置参考,约束粒子在Tikhonov正则化算法重建图像的一定范围内搜索,并用罚函数求解,提高粒子搜索速度;粒子群的惯性权重采用线性递减权值,从而实现惯性权值的自适应动态调整,提高算法的灵活性;将混沌算子加入粒子群位置搜索过程中,当粒子陷入局部最优时,混沌变量在一定范围内波动,降低最优解的错失率。仿真实验结果表明,与传统的LBP算法和Tikhonov算法相比,改进的粒子群算法的电容层析成像图像重建更精确,效率更高。
针对无人直升机(Unmanned Aerial Helicopter,UAH)在空地协同跟踪过程中的避障和控制问题,提出了新型路径避障规划和跟踪控制设计方法。针对不确定性的线性UAH模型,通过对UAH警示范围内二维环境信息进行处理判断,借助摸墙算法(Wall?Following Algorithm) 提出合适的避障策略,计算避障路径的行进角度以及能够弥补绕行距离的跟踪速度;将所得避障方法拓展至三维环境中,根据水平和垂直方向上的障碍物信息确定UAH飞行角度,从而减小由避障环节所带来的绕行距离;在上述避障算法的基础上,引入人工神经网络(Approximate Nearest Neighbor,ANN)估计模型不确定项,进而结合前馈补偿与最优控制等技术建立了跟踪控制设计方案。仿真结果表明,所提避障策略和控制算法有效。
新冠肺炎病毒等疫情受多种复杂现实因素的影响,因此疫情的发展存在不确定性。为了解决基于传染病仓室模型受自身诸多理想假设条件的限制而导致疫情预测结果误差较大的问题,采用基于深度学习的时序预测模型对疫情发展进行预测,建立了一种基于Transformer模型的Informer模型,并将注意力机制和蒸馏机制应用到疫情数据的时序预测中。以门限自回归(Threshold AutoRegressive, TAR)模型和多种主流的循环神经类时序预测模型作为对比模型,通过仿真实验,对中国、美国和英国的疫情数据当前尚存感染人数进行短期预测,并以均方根误差(RMSE)和平均绝对误差(MAE)为评价指标,选择最佳模型进行了中长期的预测。结果表明,无论是RMSE还是MAE,Informer模型的指标值都是最优的,表明Informer模型对中国、美国和英国疫情的预测精度比其他对比模型高。最后,使用Informer模型对中国、美国和英国的疫情发展进行了中长期预测。
随着环境不确定性的提高,中国石化企业供应链稳定性需求日渐攀升,供应链韧性评价已经成为判断石化企业风险应对能力的重要手段。基于双循环背景,通过构建石化企业供应链韧性评估指标体系,利用层次分析法和BP神经网络,对石化企业供应链韧性强度进行评估,确定了供应链韧性水平。结果表明,各石化企业的供应链韧性强度存在较大差异,供应链韧性整体水平偏低。在研究结果的基础上,对韧性供应链锻造提出了切实可行的建议。
针对无线传感网络中LEACH协议在进行簇头节点选择时能量消耗过快导致的生存周期短、数据吞吐量低等问题,提出了一种基于簇头节点能量均衡选择的LEACH优化算法。该算法选取WSNs中剩余能量高的普通节点作为簇头节点,同时考虑普通节点与簇头节点、簇头节点与基站之间的距离,以及所有节点的剩余能量和平均能量等因素来选择通信方式和传输路径。通过MATLAB工具,对提出的算法进行了仿真实验。结果表明,在100 m×100 m的小面积监测区域和200 m×200 m的大面积监测区域内,与LEACH、DEEC、IMP?LEACH算法相比,该算法降低了WSNs中节点的能量消耗,延长了生存周期,同时提高了数据吞吐量。
在点云处理领域中深度学习是一种主流的方法,但是现有方法对三维点云的局部结构信息利用不够充分,对局部形状感知较差。为此,提出了一种基于改进PoinetNet的三维点云处理模型,本模型将位置自适应卷积引入到PointNet中。位置自适应卷积采用动态的方式组合权重库中的权重矩阵来构造核函数,其中权重矩阵的系数是通过位置相对系数网络从点与点相对位置自适应学习得到的。通过此方式构建的核函数,可以更好地解决点云数据的不规则性和无序性问题。位置自适应网络在三维物体分类实验上分类准确率相较于PointNet提升3.60%,在三维物体零件分割实验上平均交并比相较于PointNet提升2.20%,在三维场景语义分割实验上平均交并比相较于PointNet提升9.14%。
针对传统神经网络对变压器时序关系挖掘缺失、分类泛化性差、对异构数据分类准确率低的问题,提出了一种基于改进的双向循环神经网络的变压器故障诊断模型。该模型通过双向循环神经网络进行特征提取,将前后时刻的特征进行融合,采用多核学习支持向量机方法对特征数据进行分类,在多核学习支持向量机中进行核融合,从而提高特征数据分类的准确性。数值仿真分析了时序通道对长短时序网络诊断性能的影响,以及多核学习对支持向量机泛化能力和对异构数据处理能力的影响,通过变压器故障数据分类试验验证了基于多核学习支持向量机的双向循环神经网络模型的正确性和有效性。结果表明,基于多核学习支持向量机的双向循环网络诊断性能较好,与几种常用的神经网络相比,模型预测正确率更高。
反抗性负载的快速制动与位能负载的落速控制对提高电机拖动装置的运行效率和安全具有重要意义。提出了一种由功率场效应管取代常规能耗制动电阻,通过压控方式在线调节其漏极与源极之间等效阻值实现直流电机全程恒流制动和吊物落速动态调节的方法。理论分析和实验结果表明,在无须改变硬件系统的条件下,该方法可将停车制动时间和吊物落速达到稳定的时间分别缩短为常规能耗制动方法的66.7%和33.3%,有效提高了电机拖动系统的动态工作效率以及控制系统的灵活性。
因客户数据量庞大、各种理财产品的兴起和疫情的短期冲击,银行面临的压力越来越大,使用数据分析和预测方法能够更大程度提升银行的业务量。使用传统的分类树模型无法根据客户信息对可能长期存款的客户做出更加精准的预测,从而导致无法对客户进行精准营销。因此,提出了一种分三层搭建的神经网络模型。通过实验,对葡萄岛银行机构客户数据进行预测,并和传统的决策树模型、随机森林模型、Adaboost模型、XGBoost模型的预测结果进行了对比。结果表明,相比于其他四种模型,神经网络模型预测效果更好,模型评估AUC达到了0.977 7,准确率达到了99.06%。
在常压管式加热炉热效率的研究中,需要对热效率进行有效的在线测量并且选用相对可靠的先进控制方法。在研究加热炉燃烧机理的基础上,采用基于原理和数据处理的在线测量方法,并在加热炉效率优化控制的过程中引入了动态矩阵控制方法。与传统的控制方法相比,动态矩阵控制的引入使系统具有更好的控制效果。同时,选择粒子群算法对动态矩阵控制的参数进行了寻优处理。粒子群算法在动态矩阵参数的寻优过程中相对缩短了寻优时间,并提升了控制品质。最后,与内模控制进行了比较。结果表明,动态矩阵控制方法可以达到更好的控制效果。
针对图卷积神经网络的双人交互行为识别方法存在交互语义信息表达不充分的问题,提出了一种新的双人交互时空图卷积神经网络(DHI?STGCN)用于行为识别的方法。该网络包含空间子网络模块和时间子网络模块。将基于交互动作视频获取的3D骨架数据生成一种双人交互动作的空间动作图用于空间信息的表示,图中根据关节点位置信息对双人之间的连接边赋予不同的权重。时间信息处理中,在构造的邻接矩阵中增加了上下文时间信息的联系,图中关节点与其一定时间范围内的节点增加连接。将生成的时空图数据送入空间图卷积网络模块,结合时间图卷积网络模块增强帧间运动特征连续性进行时序建模。该模型充分考虑了双人交互动作的紧密关系,具有较强的鲁棒性,获得了比现有模型更好的交互动作识别效果。
高压断路器操作过程中的振动信号反映断路器的机械状态。针对基于浅层的振动信号分析模型的特征提取及故障诊断精度等方面存在的不足,提出了一种基于遗传算法优化的卷积神经网络高压断路器故障诊断方法。利用遗传算法的全局寻优能力,通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等,进而优化卷积神经网络,并将优化后的卷积神经网络应用于高压断路器的故障诊断。结果表明,所提方法的诊断性能优于未进行优化的卷积神经网络、动态支持向量机和多层感知机。
长期以来,研究人员大都通过对染病节点在复杂网络中的传播过程进行分析,进而达到预测和防治传染病传播的目的。将SEIR传播动力学模型推广至无向无权大型小世界网络中,并为节点间赋予权值作为感染能力,选用2种初始节点选择方法进行多次仿真实验;在传统的通过感染人数、感染阈值判断传播影响的基础上,又增加了感染概率、峰值、拐点时间的具体值,更加全面地分析了初始节点选择对传播过程的影响。结果表明,初始节点的度与介数越大,其传播的规模越大,传播速度越快,达到平衡时间越短。研究内容可为预防和控制传染病传播提供一定的参考价值。
航空发动机内部管路数量众多,这些管路的排布顺序对系统整体敷设效果具有一定的影响。为了减少多管交叉敷设程度,借鉴产品装配拆卸思路,设计管路拆卸复杂度评价方法,采用一种离散型鸡群优化算法(Discrete Chicken Swarm Optimization,DCSO)求解管路敷设顺序规划。首先,提出了一种管路拆卸复杂度的计算方法,进而评价了管路系统敷设方案的复杂程度。其次,通过A*算法对管路进行了预规划。然后,基于工程规则设计了一种绕障算法对管路进行了调整。最后,以管路长度和拆卸复杂度为优化目标,基于DCSO算法对管路敷设顺序进行优化,并通过敷设算例验证了所提方法的可行性。
针对Apriori算法在扫描数据库和低维频繁项集时效率较低的问题,提出了一种基于Apriori算法的高效实现方法EI_Apriori算法。该方法基于向量的存储结构和预剪枝,降低了扫描数据库和低维频繁项集的次数,进而提高了Apriori算法的效率。根据学生成绩分析的实际情况,在关联规则挖掘中增加了课程间先后关系的约束,在关联规则中增加了对成绩等级区间的约束,将调整后的EI_Apriori算法在成绩关联分析中进行了应用。结果表明,EI_Apriori算法能精确地找到符合现实需求的关联规则,证明了EI_Apriori算法的优越性。
汽油干点难以实时测量,需要通过大量的数据样本对各段油品的质量进行检验。为了解决此问题,通过建立软测量模型进行预测控制。最小二乘支持向量机(LSSVM)模型对异常点过于敏感,容易影响预测精度。通过建立加权最小二乘支持向量机(WLSSVM)模型,对拟合误差进行加权处理,削弱了异常点对模型的影响,提高了模型的抗干扰能力。将改进后的加权最小二乘支持向量机(IWLSSVM)模型应用于汽油干点的预测。结果表明,IWLSSVM模型的最大绝对误差比LSSVM模型降低了11.65%,其预测性能和鲁棒性具有明显的优势。
针对加热炉各支管温度的跟踪和平衡控制问题,提出了改进遗传算法优化多偏差控制加热炉支管温度跟踪和平衡的方案。该方案利用各支管原料混合后的温度和各支管温度的偏差,通过对进料流量和燃料流量的调控,不仅确保了调节过程中总管流量不变,而且实现了各支管温度跟踪和平衡的双重目标。同时,因为把多个支管作为一个整体来分析,所以避免了对相邻支管温度反复进行比较。利用改进遗传算法对多偏差控制技术的控制器参数进行优化,克服了控制器参数整定的困难。仿真结果表明,改进遗传算法优化多偏差控制方案具有可行性和有效性。
针对多输入多输出(Multiple?Input Multiple?Output, MIMO)的非线性系统,提出了一种基于改进的麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)的在线序列随机权值网络( Online Random Vector Functional?Link Net, ORVFL)自适应预测控制算法(ISSA?MPC)。该算法采用ORVFL网络逼近非线性系统模型,并用于系统过程的多步预测。为了提高麻雀搜索算法的性能,使用该算法对系统性能指标进行了在线优化,求解了每一个采样周期的最优控制律。结果表明,该算法控制性能良好并具有较好的抗模型失配能力。
高斯混合模型(GMM)易受噪声影响,马尔科夫随机场(MRF)模型能够很好地刻画空间特性。两者结合适用于对含有噪声的图片进行分割,但MRF模型用于图像分割时,容易出现过分割现象。针对这个问题,提出一种自适应权值系数的图像分割改进算法,从核磁共振成像(MRI)中较好地分割出脑脊液、灰质和白质组织。首先,使用K?means算法得到初始分割结果,通过期望最大化算法(EM)估计GMM参数,进而得到图像像素灰度的联合概率能量函数。然后,利用MRF邻域系统中心像素与邻域像素的灰度值、后验概率和欧式距离得到自适应的权值系数,使用MRF模型得到先验概率能量函数。最后,借助贝叶斯准则得到最终图像分割结果。实验结果表明,该算法具有较强的自适应性,能够较好地克服噪声对图像分割的影响织。与同类算法相比,该算法对含有噪声的脑部MRI图像具有较高的分割精度,可得到较好的图像分割结果。
由于常减压蒸馏过程的复杂多变性,过程变量耦合严重,直接建模会增加问题分析的难度。为了提高模型性能,首先采用核主元分析(KPCA)算法对模型的变量进行选择,再将经过处理的数据作为高斯过程回归(GPR)模型的输入,采用KPCA?GPR模型建立常压塔塔顶汽油干点的估计模型。该方法可解决不同变量之间的非线性相关性,并且具有灵活的非参数推广及超参数自适应调节等优点,通过计算经验置信区间,不仅可以对汽油干点进行预测估计,还可以做概率解释。仿真结果表明,KPCA?GPR模型取得了较好的估计结果。
当前图像去雾算法对人工合成图像域去雾效果与真实图像域去雾效果存在较大差异。针对该问题,提出了一种基于双向域转换网络的自适应单幅图像去雾算法。首先,构建双向域转换网络,实现人工合成有雾图像与真实有雾图像之间的自适应域转换;然后,通过卷积神经网络进行图像去雾。在实验中采用RESIDE人工合成的数据集以及真实环境的有雾图像作为训练集。结果表明,在人工合成图像域和真实图像域所提算法都有较好的处理能力和模型泛化能力,峰值信噪比(PSNR)、结构相似度(SSIM)等指标均有提高。
针对已有基于相关向量机对锂离子电池进行在线寿命预测因考虑因素单一而导致预测精度不理想这一问题,提出了一种基于主元分析(PCA)的特征因素变量加权建构的方法。该方法首先将多种特征因素变量作为研究对象,找到其线性变换后的得分向量所构矩阵;分析其不同得分向量对原变量数据矩阵特征覆盖程度,进一步加权构建融合得到相应特征向量。将所得向量作为输入,经相关向量机建立预测模型并进行锂离子电池寿命在线预测,最终得到预测结果。采用国际公用电池数据作为研究对象,通过MATLAB软件验证了有多变量预测电池寿命的可行性,结果表明预测效果较好。
利用自身高速高精度的特点,协作机器人通过模仿人的创造性复杂动作来提高生产效率。当前协作机器人对人动作的模仿主要来自部署人员的长期调试,缺少通用的解决方案,无法快速部署。基于此,提出了一种无锚的基于RepVGG网络的孪生网络协作机器人目标跟踪算法。该算法由孪生网络模块、分类回归模块和机器人执行模块组成。孪生网络模块使用改进的RepVGG网络代替主流的ResNet作为骨干网络用于图片特征的提取,在不损失精度的前提下提高整个网络的运行速度,降低算法对硬件的要求,对专用深度学习芯片更加友好;分类回归模块通过引入中心度分支来提高跟踪框的中心点预测精度;机器人执行模块采用尺度惩罚和宽高比惩罚以平滑跟踪框,保证协作机器人的动作流畅。实验结果表明,平均速率相比替代ResNet骨干网络前提高了14 FPS,实现了实时跟踪的效果。
为提高水印图像的不可见性和算法鲁棒性,通过小波变换?海森伯格矩阵?奇异值分解的方法研究了彩色图像水印算法。首先,对宿主图像和水印图像进行了彩色空间变换;然后,对载体图像进行了小波变换;最后,对低频系数进行了海森伯格矩阵?奇异值分解后嵌入水印图像。结果表明,该算法对多种攻击方式有较强的鲁棒性,嵌入水印后宿主图像不可见性好,嵌入信息能力强,具有一定的应用价值。
针对分解的分布式模型预测控制(DMPC)系统中子系统间的耦合影响所导致的通信负担重的问题,提出了一种新的基于免疫算法(IA)系统结构分解的DMPC算法。首先,采用IA算法对DMPC系统结构分解中遇到的输入分组(ICD)和输入输出配对(IOPD)问题进行求解,最大程度地减小了系统间输入输出耦合影响;然后,采用DMPC算法对分解后的系统进行分布式控制,有效地减小了子系统间的耦合,并降低了系统的通信负载问题;最后,用重油分馏化工过程进行了仿真实验,并通过与集中式模型预测控制(CMPC)的仿真结果作对比来验证了算法的有效性。
在油井作业过程中,无线通讯技术可以解决油井井下参数传输中存在的误码率高、实时性差等问题,如何选择声波特征频率以及探究声波在油管柱中的衰减度已成为近年来研究的热点。针对声波信号沿金属管壁传输衰减特性展开研究,并建立了通讯模型,在此基础上量化声波衰减规律,结合Comsol波形仿真软件验证了所建立的通讯模型和特征频率选取的正确性。结果表明,该方法可以有效传输声波信号,为油井远程无线声波通讯技术提供了最佳频率选取方案。
常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析(KPCA)算法中引入稀疏主元分析(SPCA)思想,采用稀疏核主元分析(SKPCA)算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机(LSSVM)的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。
长久以来,布料的瑕疵检测工作一直由质检员完成,瑕疵判别过程受主观因素影响大,存在检测效率低、成本高等问题。随着计算机视觉技术的发展,基于视觉技术的布料瑕疵检测系统逐渐成为取代人工质检的重要解决方案。针对基于视觉技术的布料瑕疵检测,从行业发展情况、通用检测标准、系统整体结构、检测算法的关键技术等方面进行了综述,介绍了目前市面上已经存在的基于视觉技术的布料瑕疵检测产品,分析了目前常用的瑕疵检测标准与检测系统的基本结构,梳理并对比了近年来图像处理与深度学习技术在布料瑕疵检测领域的研究现状。最后,总结了各方面尚待解决的关键问题,并探讨了未来可能的发展方向。
随钻测井技术相比传统测井能够获得更真实的地层数据信息,因而更适用于实际应用。但是,在随钻检测的过程中,需要迅速、精确地判断混合物中是否含有原油,即实现混合物的定性分析。激光拉曼光谱分析技术作为当前发展较为完整的分子光谱分析技术,被广泛应用到多种物质分析的领域中。针对原油钻井液混合物的特点,基于激光拉曼光谱分析技术,提出一种以偏最小二乘分析法为基础的定性分析算法,同时对已知获得的拉曼光谱进行平滑去噪、基线校正、归一化等预处理操作,并在此基础上完成以奇异值分解为主要方法的特征提取处理,进而实现对混合物定性分析的目的,并在一定的精度内完成定量计算。
由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征,传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题,经验模态分解(EMD)法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法(CEEMDAN),利用具有麻雀捕食预警机制的粒子群算法(SPSO)优化极限学习机神经网络(ELM)的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断,结果表明,所提算法具有有效性及诊断准确性。
航空发动机卡箍与管路具有装配约束关系,其布置位置对管路走向和振动性能具有重要影响。提出一种基于改进灰狼算法(Gray Wolf Optimization, GWO)的发动机卡箍位置调整优化方法。该方法在已有管路?卡箍几何布局方案基础上,以调节管路?卡箍固有频率避过共振为主要优化目标,以管路避障、管路?卡箍满足装配约束等为约束条件,应用改进GWO算法对卡箍位置进行二次优化调整。为了不影响管路几何布局方案,建立基于管路投影线的卡箍位置优化空间。为提高计算效率,建立反映卡箍位置和管路固有频率的Kriging模型,代替耗时的有限元计算程序。为提高GWO的搜索性能,提出改进收敛因子的GWO算法。所提方法可在保证管路几何布局微调的前提下,对卡箍位置进行优化,且可保证管路与卡箍满足装配约束关系。最后通过测试函数算例和卡箍布置算例验证所提方法的有效性。
为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。
在采油作业中,井下油藏参数获取的准确性与实时性,对制定采油工艺至关重要。以油管柱作为信道的无线声波通讯技术,能够满足井下油藏参数实时性和传输速率的技术要求,近年来成为油井通讯领域的研究热点。针对油井无线声波通讯中因噪音干扰和波形畸变导致的识别困难问题,提出了一种有效的识别方法——声波动态模型匹配法。该方法基于油管柱的声学模型和离散信号相关性,通过将待识别声波信号与动态模型进行相关处理提取其相关系数特征,根据其相关系数鉴别每位声波信号的含义,提高识别的准确率。
传统偏最小二乘法(PLS)在工业过程建模中运算过程繁琐,复杂工业过程的性能评价模型难以在线获得。采用自回归潜结构投影(AR?PLS)算法对相关过程数据建立预测模型,通过模糊C均值聚类算法划分输出数据的性能等级,建立一种在线性能评价模型。仿真结果表明,该方法相比传统偏最小二乘法建模过程简便,计算复杂度低,具有一定的应用价值。
由于噪声、周期性、非线性和非平稳性的干扰,现有的大多数因果分析方法在工业过程控制系统的应用中往往是不可靠和不准确的。为提高厂级振荡源定位的性能,提出了一种基于改进收敛交叉映射的因果关系检测方法。首先,指出噪声和周期性对因果关系检测的不利影响。其次,将经验模态分解和去趋势波动分析相结合,实现了振荡信号去噪。然后,通过奇异谱分析有效地去除信号的周期性。利用收敛交叉映射可以对去噪去周期后的信号进行分析,进而准确地定位厂级振荡的源头。仿真结果表明,所提方法能提高过程控制系统中厂级振荡源定位的准确性。
随着天然气在能源消耗中占比越来越大,如何准确预知未来的天然气消耗量,对天然气资源合理规划具有重大意义。针对此问题,提出一种基于小波变换和深度学习的短期天然气负荷预测模型。首先对所收集的天然气负荷数据利用不同小波变换进行分解,之后对其进行归一化处理;其次利用深度学习算法对数据进行训练与预测;然后利用小波重构对预测的数据分别进行整合;最后以平均绝对百分误差、平均绝对误差和均方根误差为评价指标,评价不同小波变换的预测结果,计算最优小波变换的最优阶数和层数。结果表明,Fk小波变换第22阶第6层相对于其他小波变换和直接利用LSTM进行预测具有更高的预测精度。
针对现有基于马尔科夫随机场的图像分割算法容易出现过分割、分割结果不理想等问题,提出了一种基于马尔科夫随机场与区域合并的图像分割改进算法。该算法首先基于马尔科夫随机场与高斯混合模型理论的图像分割算法得到初始分割结果;然后利用各个区域间的相邻关系、颜色关系以及边界情况等信息,给出各个区域间的距离;最后按照区域间的距离与区域合并前后的颜色散度变化率对初始分割结果进行区域合并,输出最终的分割结果。使用伯克利标准图像库进行实验仿真,采用Dice系数和Jaccard系数作为评价指标。仿真结果表明,相比于现有基于MRF理论的算法,本文算法具有更好的分割效果。
剩磁应力检测技术可对铁磁性材料的应力集中程度进行有效检测,在长输油气管道内检测领域具有巨大发展潜力。然而,剩磁应力检测技术的机理尚不完善,剩磁信号与应力关系难以量化计算,导致剩磁应力检测无法实现管道损伤的量化测量,严重影响了该技术在管道内检测领域的应用。根据磁畴模型解释了管道剩磁产生机理,通过矫顽力建立剩磁与应力的对应关系,分析了剩磁信号随管道外应力的变化特征。研究结果表明,铁磁性材料的不可逆磁化是产生剩磁的原因,随着管道外应力的增加剩磁信号有逐渐增大的变化规律。
事件驱动控制是一种减少通讯总量并能保持闭环系统性能的有效控制策略。在事件驱动控制中,由于取样时刻与切换时刻之间的异步会导致子系统与控制器之间的异步切换,造成切换系统的不稳定。因此,考虑非线性切换系统的异步事件驱动控制问题显得尤为重要。为了解决这一问题,首先从结构简单的线性部分和非线性部分级联的非线性切换系统入手,基于该系统的结构特点构造合适的Lyapunov函数。然后,针对每个子系统设计系统的切换控制器,并给出切换系统所要满足的平均驻留时间,当切换系统的切换信号满足一定平均驻留时间时,得到切换系统全局一致指数稳定的充分条件。最后给出数值算例消除了异步切换所导致的系统的不稳定性,说明了该方法的有效性。