Residual life prediction for marine diesel turbocharger based on Wiener process北大核心CSCD

[目的]针对船舶柴油机增压器难以收集到全生命周期性能退化数据的问题,提出一种基于维纳过程的寿命预测模型。[方法]首先,采用K-Means模型对增压器实际运行工况进行聚类,提取出典型工况数据;然后,使用贝叶斯突变点检测模型识别增压器的缺陷点;最后,建立基于维纳过程的退化模型,并以某型船用柴油机增压器为应用对象,预测增压器的剩余使用寿命。[结果]结果显示,基于维纳过程的寿命预测方法能够在不需要同类设备历史退化数据的情况下对增压器的剩余寿命进行预测。[结论]所提方法对缺少故障样本的船舶柴油机增压器寿命预测具有一定的参考价值。     

基于模型预测控制的无人艇VO避障

在高速行驶中,无人艇速度快、反应时间短,为了达到安全避障的要求,避障算法必须实时性好、稳定性高。同时,在高速场景中,无人艇的静浮力较小,流体升力较大,风浪流对无人艇的影响较低速场景更加显著,稳定的航迹跟踪与避障控制面临挑战。为了达到良好的避障效果,无人艇必须要满足控制量的约束,同时要削减外界扰动带来的不利影响。无人艇控制系统是一个多输入多输出系统,而模型预测控制则是处理多变量约束优化问题最有效的方法之一。本文提出基于模型预测控制的无人艇VO避障算法,通过仿真实验实现了该算法的避障功能,并将该算法与传统的VO算法避障效果作对比,验证了该算法的有效性,同时,通过分析模型不确定性对该避障算法性能的影响,证明了该算法的鲁棒性。     

基于数据分析的铁路列车到达晚点预测模型

准确估计列车的实际晚点时间对于列车运行图制定、列车调度员决策具有重要意义。为此,以荷兰铁路列车运行实际数据为研究基础,根据列车实际运行数据选择自变量,以列车的实际晚点时间为因变量,建立列车晚点的随机森林预测模型,并以BP神经网络模型作为对比,结果表明随机森林模型预测误差稳定,预测精度较高,比传统的神经网络方法取得了更好的预测效果。     

基于注意力机制的CNN-LSTM剩余寿命预测研究

机械设备剩余寿命的准确预测可以降低昂贵的维护费用,提高机械设备的安全性。随着深度学习的发展以及注意力机制被广泛应用于各个领域,基于数据驱动的剩余寿命预测方法为机械设备寿命预测提供了众多的方法。文章提出了一种基于注意力机制的CNN-LSTM剩余寿命预测方法,该方法利用不同的注意力机制包括通道注意力、CBAM机制和自注意力等进行剩余寿命预测试验。注意力机制可以向CNN-LSTM提取的特征信息分配不同的权重,突出关键的特征信息,过滤无用信息,进而更准确地表示设备的退化特征信息,最终得到设备的剩余寿命。文章对NASA发动机数据集进行了剩余寿命预测试验,同时研究了不同注意力机制影响,试验结果表明,基于注意力机制的方法可以有效地进行剩余寿命预测,所提方法具有一定的应用价值。     

电力机车用复合绝缘子运行性能及使用寿命预测方法概述

电力机车用复合绝缘子是受电弓、真空断路器等高压网侧设备的支撑装置,其在运行环境等因素下的老化失效问题直接影响电力机车运行可靠性。文章系统分析了电力机车用复合绝缘子老化的影响因素和作用机理,重点对复合绝缘子的外观现状、电气性能、憎水性能、老化性能等运行性能及使用寿命预测方法进行了研究。通过对试验结果、试验数据的分析,提出一种电力机车用复合绝缘子使用寿命预测方法,可用于电力机车用复合绝缘子老化性能的评估。     

基于统计数学理论的船舶航行流量预测

船舶航行流量与多种因素相关,使得船舶航行流量变化复杂,对其进行预测面临巨大的挑战。为了解决当前船舶航行流量预测结果不理想的缺陷,以提高船舶航行流量预测精度为目标,提出基于统计数学理论的船舶航行流量预测方法。首先分析影响航行流量的因素,找出航行流量变化规律,然后收集航行流量历史数据,采用统计数学理论对航行流量历史数据进行分析,建立可以描述其变化规律的模型,最后对航行流量预测方法的有效性和优越性进行了测试与分析。结果表明,本文方法的船舶航行流量预测值与实际的航行流量值之间的偏差小,航行流量预测误差小于5%,提高了航行流量预测精度。     

新冠疫情对高速公路交通量的影响评价

采用时间序列分析中的A RIM A模型对湖北省某高速公路2020年交通量本底趋势值(不考虑疫情影响)进行预测,并通过分析疫情危机的生命周期,将此次新冠疫情危机分为征兆期、爆发期、高峰期、后疫情期4个阶段,对各阶段中收费车流量进行统计分析,计算交通量损失率,判断此次疫情对高速公路交通量的影响程度.选取经济指标、感染人数等相关因素,采用主成分分析、线性回归及曲线估计等方法,建立疫情影响下高速公路交通量短时预测模型,模型误差在±5％ 以内为可接受范围.该模型能够帮助政府主管部门及高速公路运营管理单位对交通量发展趋势进行准确判断,有利于相关应急措施的制定.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.