一种基于领域知识的电机故障模糊预测模型

针对交流电机故障原因的复杂性,提出了一种基于领域知识的电机故障模糊推理与故障综合评判相结合的预测模型.从模型结构、规则库建立、模糊推理及综合评判等方面具体讨论了所提出电机故障预测模型的建立思路与方法,阐明了这种模型可以更好地提高电机故障预测的有效性.     

船舶推进电机无速度传感器矢量控制仿真研究

船舶电力推进技术的核心是船舶推进电机控制技术。采用异步电机作为船舶推进电机,以船-桨负载模型作为船舶推进交流异步电机的负载模型,对船-桨负载模型进行仿真分析,同时对船舶推进异步电机的实测转子转速和估算转子转速进行了对比。经验证,改进后的模型参考自适应算法性能更优。     

基于改进LSTM的高速列车牵引电机轴承温度预测模型

为提高牵引电机轴承温度的预测精度,提出一种基于改进LSTM的高速列车牵引电机轴承温度预测模型。该模型引入窥视孔模块,改进了LSTM网络结构,适应长距离时间序列的牵引电机轴承温度数据,设计两层改进LSTM网络构成隐藏层,减少模型的计算量和训练耗时。选取某动车组的历史运行数据进行测试与分析,与标准LSTM、RNN、GRU、SVR预测模型相比,改进LSTM预测模型的均方根误差和平均绝对百分比误差最低,分别为1.158和2.57%,表明改进模型提高了牵引电机轴承温度的预测精度。     

带阻尼绕组的多相同步推进电机空载特性及其绕组参数的计算研究

凸极式同步推进电机的空载特性及其绕组参数与电机结构、定转子齿槽、磁场饱和等紧密相关,文中通过对多相同步推进电机电磁场数值计算,得到了电机反电势表达式,提出了相绕组参数的计算方法,并对十八相同步推进电机的绕组参数及其空载特性进行了计算和测量,结果表明,文中提出的方法对于分析同步推进电机是有效的．     

舰船电力推进电机性能剖析

介绍了综合电力推进的概念、研究发展动态以及舰船电力推进电机的特殊性能要求,剖析了先进感应电机、轴向磁通永磁电机、横向磁通永磁电机、高温超导电机等高性能推进电机的性能特点、拓扑结构及关键技术.在分析推进电机研究应用现状的基础上对其未来发展进行了展望.     

求解频率指配问题改进的完全图算法

以四级预测模型为基础,提出改进的完全图算法,并推导出该算法计算量的解析式,从理论上证明了改进的完全图算法性能上的提高.四级预测模型来判断两电台之间的兼容性,而改进的完全图算法调用四级预测模型来搜索出多电台间的所有可用频组,进行了小规模电台数目电子信息系统的完整电磁兼容分析,完成了系统内的频率指配.实际工程应用的结果与理论一致.     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

感应电机参数辨识的计算机实现

基于利用迭代算法进行电机参数辨识的思想,推导出一种计算电机定子电感、互感及漏感的迭代公式,给出了具体的求解算法.通过该方法对电机参数计算值与堵转、空载实验所测参数值比较,结果表明该方法是有效的.     

基于灰色PSO-BP的客运量预测模型

在灰色预测模型、BF神经网络与粒子群优化算法PSO的基础上建立基于灰色PSO-BP的公路客运量预测模型。并根据陕西省近10 a的公路客运量数据,对GM(1,1)、BP神经网络、灰色PSO-BP网络预测模型的预测结果进行比较,得出基于灰色PSO-BP的客运量预测模型能充分发挥各种算法的优势、提高预测精度,更适合运用在公路客运量预测的领域中。     

基于神经网络算法的沥青路面使用性能组合预测模型研究

为了准确预测沥青路面使用性能变化规律,提出了基于径向基神经网络算法的路面使用性能组合预测模型PCA-GA-RBF;针对神经网络收敛速度慢、模型参数容易陷入局部最优的问题,采用主成分分析算法对路面使用性能影响因素进行了降维处理,利用遗传算法对神经网络结构进行了优化;通过路面行驶质量的预测分析对组合预测模型进行了验证。研究表明：组合预测模型PCA-GA-RBF的拟合优度R²=0.820,均方根误差S=2.645,比单一RBF神经网络预测模型误差降低了11.4%,平均预测准确率为84.13%;组合预测模型计算速率快、预测精度高、预测效果好。     

山区双车道公路机动车碰撞事故严重度致因比较分析与预测

以云南山区双车道公路1740起碰撞事故数据为基础,将事故数据分为机动车与机动车、机动车与摩托车、机动车与非机动车3种类型,事故严重度划分为仅财产损失、轻伤、重伤或死亡事故3个等级,分别用部分优势比模型和有序Logit模型建立3类机动车碰撞事故严重度分析模型,对比分析不同等级事故的显著影响因素和模型的预测准确率,分析部分...     

����֧���������ع�ĺ�������Ԥ���о�

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型。首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大Lyapunov指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能。结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误。     

采用支持向量机回归的航班延误预测研究

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型.首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大 Lyapunov 指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能.结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误.     

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

�������ת��������Խ����BP����ģ�ͼ������ȷ���

机非相互穿越模型是信号交叉口混合交通微观仿真系统中反映机动车和自行车相互影响的核心模型. 为了描述交叉口处机动车穿越自行车流的决策行为,分析了两相位信号交叉口右转机动车穿越邻道直行自行车的微观行为,提出了基于BP神经网络的机动车穿越决策模型. 以北京2个交叉口调查数据为基础,对该模型验证并与Logistic模型比较,结果表明BP模型优于Logistic模型且具有较好的预测精度. 根据所建模型的映射关系计算出系统输出对输入参数的一阶灵敏度矩阵,灵敏度分析结果表明,自行车提供给机动车的穿越间隙是影响机动车穿越决策行为的决定性因素,且间隙在2.76s～2.96s变动时对机动车穿越决策行为影响最大.     

交叉口右转机动车穿越决策BP仿真模型及灵敏度分析

机非相互穿越模型是信号交叉口混合交通微观仿真系统中反映机动车和自行车相互影响的核心模型. 为了描述交叉口处机动车穿越自行车流的决策行为,分析了两相位信号交叉口右转机动车穿越邻道直行自行车的微观行为,提出了基于BP神经网络的机动车穿越决策模型. 以北京2个交叉口调查数据为基础,对该模型验证并与Logistic模型比较,结果表明BP模型优于Logistic模型且具有较好的预测精度. 根据所建模型的映射关系计算出系统输出对输入参数的一阶灵敏度矩阵,灵敏度分析结果表明,自行车提供给机动车的穿越间隙是影响机动车穿越决策行为的决定性因素,且间隙在2.76s～2.96s变动时对机动车穿越决策行为影响最大.     

BP Simulation Model and Sensitivity Analysis of Right-turn Vehicles' Crossing Decisions at Signalized Intersection

Inter-crossing behavior model of motor vehicles and bicycles is the key part of micro-simulation for mixed traffic at signalized intersection. The microscopic behaviors of the motor vehicles passing through the bicycle flow at a two phased signalized intersection were analyzed to reproduce the passing behavior of motor vehicles. A BP neural network model was proposed to describe the motor vehicles' passing decision. Based on the field data at two typical intersections in Beijing, the model was validated and compared with the Logistic model. The results indicated that the BP model was more effective than the Logistic model and had better prediction accuracy. First derivative sensitivity matrix of the BP model was established. The sensitivity analysis showed that the most important factor impacting on the motor vehicles' passing decision-making behavior is the gap allowing motor vehicles to pass through. The passing decision-making behavior is the most sensitive to the gap when it lies between 2.76 s and 2.96 s.     

客运专线动车组运用计划的计算机编制

根据动车组运用规则，建立了动车组运用计划整数规划模型．为降低求解的复杂性，将动车组运用计划编制问题转化为交路段生成和基于交路段的交路生成两个问题分步求解．用多起点搜索和交路段互换的方法，使求解结果在有效性和均衡性上得以优化．实际编制实验表明了模型和算法的有效性．     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...