期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进EMD和GAM-TCN模型的抽水蓄能机组状态趋势预测
1
作者 惠振国 胡志平 +2 位作者 孙政 祝旭 许颜贺 《水电能源科学》 北大核心 2025年第6期175-179,共5页
作为抽水蓄能电站能量转换的核心设备,抽蓄机组运行状态的准确预测对保证电站安全运行具有重要意义。为此,提出一种基于改进经验模态分解(IEMD)和全局注意力机制优化时间卷积网络(GAM-TCN)的机组状态趋势预测方法。首先,鉴于振动信号对... 作为抽水蓄能电站能量转换的核心设备,抽蓄机组运行状态的准确预测对保证电站安全运行具有重要意义。为此,提出一种基于改进经验模态分解(IEMD)和全局注意力机制优化时间卷积网络(GAM-TCN)的机组状态趋势预测方法。首先,鉴于振动信号对机组运行状态的直观表征作用,利用IEMD对振动信号进行分解,得到固有模态分量(IMFs)集合;其次,针对IMFs呈现的多频段、多尺度特征,构建一种新型的GAM-TCN模型,自适应捕获更为精细的数据全局信息,显著提升预测精度。工程实例结果表明,所提方法有助于获取更为精确的状态趋势预测结果,对推动机组智能运维策略发展具有重要意义。 展开更多
关键词 抽水蓄能机组 状态趋势预测 经验模态分解 GAM TCN
在线阅读 下载PDF
基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测 被引量：5
2
作者 李锋 陈勇 +1 位作者 王家序 汤宝平 《计算机集成制造系统》 EI CSCD 北大核心 2020年第8期2050-2059,共10页
为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特... 为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。 展开更多
关键词 强化学习单元匹配循环神经网络 强化学习 奇异谱熵 状态趋势预测 滚动轴承
在线阅读 下载PDF
基于改进Elman神经网络的烟气轮机运行状态趋势预测 被引量：2
3
作者 陈涛 王立勇 +1 位作者 徐小力 王少红 《广西大学学报（自然科学版）》 CAS 北大核心 2019年第2期367-375,共9页
为提高烟气轮机状态趋势预测的精度,提出一种改进Elman神经网络的趋势预测方法。首先,引入以四分位数和四分位距为基础的箱线图方法判别异常值,并对缺失的数据进行插补,为状态趋势预测提供可靠的全数据序列;其次,根据设备运行状态数据... 为提高烟气轮机状态趋势预测的精度,提出一种改进Elman神经网络的趋势预测方法。首先,引入以四分位数和四分位距为基础的箱线图方法判别异常值,并对缺失的数据进行插补,为状态趋势预测提供可靠的全数据序列;其次,根据设备运行状态数据序列具有的时间依存性,计算数据序列不同时延的相关程度,以相关系数最大值点对应的时延为最优预测步长;最后构建三层最优预测步长Elman神经网络对烟气轮机运行状态全数序列进行趋势预测实例分析。研究结果表明,箱线图法能够简捷快速、直观明了地判别异常值;邻近点中位数插补方法更贴近原始数据分布规律,为最优插补方法;相较其他预测步长的Elman神经网络预测方法,最优预测步长的预测误差最小、预测精度最高;同时,Elman神经网络最优预测步长方法的预测误差较BP、RBF神经网络更小、预测精度更高。改进Elman神经网络趋势预测方法能够为烟气轮机的状态趋势预测提供一种有效的预测方法,该方法还可应用于其他关键设备的趋势预测中。 展开更多
关键词 异常值判别 缺失数据插补 最优预测步长 ELMAN神经网络 状态趋势预测
在线阅读 下载PDF
GM(1,1)和SVR的雷达电子部件状态趋势预测模型 被引量：2
4
作者 黄建军 杨江平 刘飞 《火力与指挥控制》 CSCD 北大核心 2012年第4期150-153,156,共5页
为提高雷达电子部件状态趋势预测的精度,根据测试数据特点,提出了基于GM(1,1)与支持向量机回归(SVR)的组合预测模型。采用粒子群优化算法分别对GM(1,1)和SVR模型进行了改进,提高了单一模型的预测精度。在此基础上,结合GM(1,1)模型对趋... 为提高雷达电子部件状态趋势预测的精度,根据测试数据特点,提出了基于GM(1,1)与支持向量机回归(SVR)的组合预测模型。采用粒子群优化算法分别对GM(1,1)和SVR模型进行了改进,提高了单一模型的预测精度。在此基础上,结合GM(1,1)模型对趋向性数据的预测优势和SVR模型对数据波动的强适应性,达到了取长补短、相得益彰的效果。实验结果表明该组合模型不但具有更高的预测精度,而且对不同预测对象有更强的适应能力。 展开更多
关键词 雷达电子部件 状态趋势预测 GM(1 1)模型 支持向量机回归 粒子群优化算法
在线阅读 下载PDF
用于旋转机械状态趋势预测的量子注意力循环编码解码神经网络 被引量：1
5
作者 李锋 程阳洋 +1 位作者 陈勇 汤宝平 《中国机械工程》 EI CAS CSCD 北大核心 2020年第21期2573-2582,共10页
提出了基于量子注意力循环编码解码神经网络(QAREDNN)的旋转机械状态趋势预测方法。在QAREDNN中,引入注意力机制以同时重构QAREDNN的编码器和解码器,使QAREDNN能够充分挖掘和重视重要信息,并抑制冗余信息的干扰,从而获得更好的非线性逼... 提出了基于量子注意力循环编码解码神经网络(QAREDNN)的旋转机械状态趋势预测方法。在QAREDNN中,引入注意力机制以同时重构QAREDNN的编码器和解码器,使QAREDNN能够充分挖掘和重视重要信息,并抑制冗余信息的干扰,从而获得更好的非线性逼近能力;采用量子神经元构建了一种活性值和权值由量子旋转矩阵代替的量子门限循环单元(QGRU),QGRU不仅能够更加精细地遍历解空间,还具有大量的多重吸引子,因此QGRU能代替传统编码器和解码器中的循环单元以提高QAREDNN的泛化能力和响应速度;通过引入Levenberg-Marquardt(LM)法来提高QAREDNN的量子旋转矩阵的旋转角和注意力参数的更新速度。滚动轴承状态趋势预测实例验证了该方法的有效性。 展开更多
关键词 量子注意力循环编码解码神经网络 注意力机制 量子神经元 状态趋势预测 旋转机械
在线阅读 下载PDF
基于能量熵重构与支持向量回归的水电机组状态趋势预测 被引量：7
6
作者 薛小明 曹苏群 +1 位作者 李超顺 姜伟 《水电能源科学》 北大核心 2019年第9期139-142,135,共5页
针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基... 针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基于能量熵(EE)理论对各分量进行重构,以有效降低分量的复杂度;最后,将生成的重构本征模态函数(RIMFs)作为SVR的输入,训练模型参数得到最优的SVR,用于预测机组状态发展趋势。与实例对比分析表明,所提混合预测模型具有较高的预测精度,为机组运维策略的制定提供了一定的指导。 展开更多
关键词 水电机组 状态趋势预测 模态分解 能量熵 支持向量回归
在线阅读 下载PDF
基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测 被引量：37
7
作者 于重重 宁亚倩 +1 位作者 秦勇 高柯柯 《仪器仪表学报》 EI CAS CSCD 北大核心 2019年第8期39-46,共8页
为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动... 为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。 展开更多
关键词 T-分布随机近邻嵌入 样本熵 时间卷积网络 滚动轴承 状态退化趋势预测
在线阅读 下载PDF
基于趋势—状态预测方法的粮食产量预测 被引量：9
8
作者 张淑娟 何勇 《浙江大学学报（农业与生命科学版）》 CAS CSCD 北大核心 2001年第6期673-676,共4页
趋势—状态预测方法能够较好地解决既有趋势性又有较大波动性的数据序列的预测问题 ,且具有计算简便、精度高的特点 .本文利用该方法对浙江省粮食产量进行了预测分析 ,为粮食生产的预测和科学管理提供了依据 .
关键词 预测方法 灰色系统 粮食产量 趋势-状态预测法
在线阅读 下载PDF
基于改进LSTM的电力设备状态融合预测模型 被引量：14
9
作者 崔昊杨 周坤 +2 位作者 胡丰晔 张宇 夏晟 《电测与仪表》 北大核心 2023年第1期10-15,共6页
针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整... 针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证文中模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明:基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25%,在数据缺失情况下的预测准确率分别提高了44%和57%。 展开更多
关键词 数据随机缺失 改进LSTM模型 状态趋势融合预测
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部