CN104392143A - 一种自适应量子神经网络汽轮机故障趋势预测方法 - Google Patents
一种自适应量子神经网络汽轮机故障趋势预测方法 Download PDFInfo
- Publication number
- CN104392143A CN104392143A CN201410745943.7A CN201410745943A CN104392143A CN 104392143 A CN104392143 A CN 104392143A CN 201410745943 A CN201410745943 A CN 201410745943A CN 104392143 A CN104392143 A CN 104392143A
- Authority
- CN
- China
- Prior art keywords
- input
- state variable
- layer
- value
- steam turbine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Turbines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自适应量子神经网络汽轮机故障趋势预测方法。所述方法对传统的三层BP神经网络模型进行改进,引入量子神经网络,在输入层中对不同历史数据进行趋势贡献力分析,加强最新数据对趋势的影响力,增加输入层至输出层的直接连接权,在输出层根据信号特征自适应调整激励函数,以提高收敛速度和预测精度;引入自适应学习效率的方法,以提高收敛速度。本发明的方法具有很好的可靠性和稳健性,是解决汽轮机故障趋势预测的关键技术研究,可以广泛应用在汽轮机故障趋势预测中。
Description
技术领域
本发明涉及一种汽轮机故障趋势预测中的基于多因素输入的自适应量子神经网络预测方法。
背景技术
汽轮机故障轻则影响生产,重则引发系统瘫痪甚至酿成灾难性事故,造成重大经济损失。汽轮机故障现已引起高度重视,一般大型汽轮机发电机组都配有TSI(汽轮机在线振动监测保护系统)和TDM(汽轮机实时数据故障诊断系统)。故障预测能够揭示故障的发展变化,在事故发生之前进行有效预防措施,防止故障发生,所以故障预测比故障发生后维修更加重要。
汽轮机的故障一般不是瞬时发生的,大多都具有一定的时延性,即从原发性故障的形成到故障的发生、发展是一个渐变的过程,状态变量的前后数据有一定的关联性,故可以基于历史数据进行故障预测。但由于汽轮机故障机理复杂,各种随机性的发生也可能使得数据关联性减弱,所以只能从统一意义上做出最优预测,使得预测结果与实际监测量的均方值满足一定精度要求。
BP神经网络有高度的非线性映射能力和自适应学习能力,对时间序列有很强的容错性,系统具有很强的鲁棒性和联想记忆能力,对噪声也有很好的抗噪能力,适合非线性系统建模和对时间序列的预测,因此在故障预测中广泛应用。但是传统的BP神经网络直接应用在汽轮机故障趋势预测中存在一定的缺陷,主要表现在:
1、学习效率固定,容易陷入误差曲面底部平坦区;
2、若对单一状态量进行建模,不能体现其他种类的状态变量对结果的影响而降低预测精度;
3、按照故障发展机理,趋势应该与最新数据的关联性更强,而传统的BP网络,输入数据平等输入网络,不能突出最新数据对结果预测的影响力。
4、采用传统的Sigmoid作为输出层的激励函数,模型对于有递增或者递减趋势的征兆数据的敏感性不足;
5、训练速度慢,训练过程中有灾变性失忆的危险,模型精度不高。
本专利针对以上BP网络存在的缺陷,提出一种改进的神经网络,有效的避免了以上缺陷,更好的发挥了BP神经网络在汽轮机故障诊断中的趋势预测能力。
发明内容
本发明的目的在于提供一种自适应量子神经网络汽轮机故障趋势预测方法,用于对汽轮机进行以天为步长或者以周为步长的故障趋势预测。该方法基于汽轮机运行故障数据和传统的BP神经网络算法,对传统BP神经网络结构进行了改进。
本发明具体采用以下技术方案。
一种自适应量子神经网络汽轮机故障趋势预测方法,其特征在于,所述故障趋势预测方法包括以下步骤:
(1)利用汽轮机实时数据监测系统TDM,采集和记录汽轮机运行过程中的各种状态变量数据,分析状态变量,提取对预测变量有直接或者间接影响的状态变量,并对其进行信息融合作为样本输入;
(2)在输入层中对作为输入样本的各状态变量的不同历史数据进行趋势贡献力分析,加强最新数据对趋势的影响力,在输入层引入指数加权系数,在每一个样本数据被输入到神经网络之前都乘以指数加权系数
(3)增加输入层至输出层的直接连接权;(4)引入自适应学习效率的方法,提高收敛速度;
(5)在隐含层采用经典的Sigmoid激励函数,输出层根据输入的状态变量的信号特征自适应调整激励函数;
(6)建立基于多种状态变量因素的改进的量子神经网络模型;
(7)按照BP神经网络的有导师机制对所述量子神经网络模型进行新陈代谢法训练,直至预测变量的输出结果满足误差精度;
(8)利用训练后的量子神经网络模型,对状态数据进行以天或以周为时间步长单位的故障趋势预测,对预测输出结果与实际测量值进行平均误差和绝对误差分析。
本发明给出了一种汽轮机故障预测的方法,利用汽轮机运行中的最新数据,通过建立的自适应量子神经网络模型,预测出可能发生的故障。该方法具有训练时间短,迭代次数少,预测精度高和运行可靠等优点,对解决汽轮机故障预测问题具有重大意义。
附图说明
图1为本申请自适应量子神经网络汽轮机故障趋势预测方法所采用的自适应量子神经网络结构图;
其中,x,a……h分别代表不同的状态变量,这些变量对预测结果有直接或者间接影响。量子神经元的输入数据为量子,如:
|xi>=αi|0>+βi|1>=(αi+βi)T
输入神经元的个数N==n*k,n为预测样本数据时间序列的长度,k为状态变量的种类数。隐含层神经元的个数是Q=q。输出层神经元的个数是M=m,输出的个数就是预测的步数。
具体实施方式
下面结合附图对本申请的技术方案进行详细描述。
如图1所示,本实施方式所述的自适应量子神经网络对汽轮机故障进行趋势预测的方法,按照以下步骤实现:
步骤1:利用汽轮机实时数据监测系统(TDM),采集和记录汽轮机运行过程中的各种状态变量数据,分析状态变量,提取对预测变量有直接或者间接影响的状态变量,并对其进行信息融合作为样本输入。
由于振动烈度有明确的国际标准,其值可以灵敏的反映出汽轮机的振动情况,选作预测变量y。
振动烈度预测除与历史振动烈度数据直接有关,还与汽轮机整体运行状态密切相关。因此对于高压缸附近轴承处的振动烈度,汽轮机转子转速及其各转速下对应的汽轮机带载负荷、高压缸热膨胀幅值的平均值、和高压胀差和该轴承的两个垂直方向轴振的振动峰峰值、振动有效值,均可能会对振动烈度的预测产生-影响,对应于图1中的x,a...h等k个变量,即为多状态变量。利用汽轮机实时数据监测系统(TDM),采集和记录对预测变量有直接或者间接影响的状态变量时间序列值,并对其进行信息融合作为样本输入;
对所有输入变量进行归一化处理:
x为原始值,x′为归一化后的值,xmax和xmin分别为原始时间序列中该状态变量的最大值和最小值。
预测结果也是一个[0,1]之间的数值,需要进行还原。
y=y′×(ymax-ymin)+ymin
y′为预测的计算输出结果,ymax和ymin分别为原始时间序列中的最大值和最小值,y为实际预测故障结果。
步骤2:在输入层中对不同历史数据进行趋势贡献力分析,加强最新数据对趋势的影响力,在输入层引入指数加权系数,在每一个样本数据被输入到神经网络之前都乘以指数加权系数
式中为在采样时刻i时的某样本输入的指数加权系数,i为时间序列号,e为自然对数,k为实数,k∈(0,e),
越小,加权系数衰减的速度越快,预测结果越依赖于近期数据的信息。输入数据乘以指数加权后,体现了近期数据对预测结果影响大,远期数据对预测影响小的特点,符合汽轮机故障预测中对近期数据依赖性高的规律。
步骤3:增加输入层至输出层的直接连接权:
输入层的每一个节点都与输出层的每一个节点相连。
对输出具有直接贡献的输入节点,其与输出节点之间的连接权值赋为1,而其间接贡献的输入节点则根据它对故障趋势预测结果的贡献大小赋0~1之间的小数,无贡献的输入节点与输出节点之间的连接权值视为零;
突出了输入与输出层即既有现象与预测故障之间的直接关联性,有利于神经网络模型的稳定性,同时加快了网络的收敛速度,并能更快更准的对故障进行分类诊断。
步骤4:引入自适应学习效率的方法,提高收敛速度;
训练中检查神经网络中输入节点到隐含节点的权值V(阈值)以及隐含层到输出层之间的权值W的修正值是否真正降低了误差函数,若降低了误差函数,则说明所选择的学习效率值略小,可以对其适当增大;否则,可能就产生了过调,可以对其适当减小。
自适应学习效率的调节方法如下式:
其中,E(t+1)为t+1时刻的误差函数值,E(t)为t时刻的误差函数值,η(t)为t时刻的神经网络学习效率,η(t+1)为调整之后的t+1时刻的神经网络学习效率。
步骤5:在隐含层采用经典的Sigmoid激励函数,输出层根据信号特征自适应调整激励函数:
隐含层中采用Sigmoid激励函数。Sigmoid函数是一种饱和激励函数,其表达式为它可以保证网络在预测过程中具有良好的鲁棒性,即当由于噪声使网络的输入变化时,该激励函数可以保证网络的预测输出值变化很小,从而免受噪声的影响。
因Sigmoid激励函数其饱和性对输入信号也有很强的限幅作用,使得网络对于具有上升趋势(或下降趋势)的随机时间序列误差很大。
本申请提出在输出层中采用自适应切换激励函数机制:对于无上升或下降趋势的输入样本的各状态变量的时间序列值,输出层采用Sigmoid激励函数,以满足快速收敛和抗噪性能;对于有上升趋势或者下降趋势的输入样本的各状态变量的时间序列,输出层则采用线性非饱和函数g(x)=x激励函数,以实现趋势信号的敏感动态跟踪。
输出层中激励函数切换的条件是根据输入层的数据特征决定,即:
其中,f(x)为输出层对输入层状态变量x的激励函数,x代表输入样本中状态变量x,x(t-n)为t时刻之前的前n时刻的状态变量x的值,e为自然对数。
步骤6:建立基于多种状态变量因素的改进的量子神经网络模型;
与传统BP神经网络的不同在于,在量子神经
网络中,每个神经元都是量子神经元,每个权值都为[2×2]的矩阵,设为算子,则神经网络隐含层中第j个神经元的输出|zj>为:
其中,x,a,……h,为各状态变量,V为输入层到隐含层之间的权值,i为状态变量的时间序列号,k为状态变量的种类,φ为输入层引入的指数加权系数。
设为算子,则神经网络输出层的第k个神经元的输出|yk>为:
其中,x,a,……h,为各状态变量,z为隐含层节点,W为隐含层到输出层之间的权值,T为输入层到输出层之间的直接连接权值,i为状态变量的时间序列号,k为状态变量的种类,φ为输入层引入的指数加权系数。
量子神经网络比传统神经网络训练时间短。
处于每个宇宙中的分立的单层网络仅训练一个模式且无需重复,学习过程中模式之间不发生相互干扰,具有消除灾变性失忆的能力。
步骤7:按照BP神经网络的有导师机制对网络进行新陈代谢法训练,直至满足误差精度;
利用建立的网络模型,对状态数据进行以天或以周为时间步长单位的故障趋势预测,对预测输出结果与实际测量值进行平均误差和绝对误差分析;
7-1:按照步骤1~6所述的多变量输入因素(即以多种状态变量作为输入样本),,直接连接权、加权系数φ、自适应学习效率η、算子和自适应激励函数,建立量子神经网络模型。
7-2:初始化量子神经网络模型中的Vjik,Tjik,Wkj,各权值的初始值为[-1,1]区间内的随机数;
7-3:利用已经归一化后的输入样本对量子神经网络模型进行训练,训练过程中采用新陈代谢法更新训练样本,即每增加一个新的输入数据,便去掉一个最老的数据。
7-4:根据:步骤6中的公式,计算网络的实际输出|yk>,(k=1,2,,m);
7-5:计算网络的输出误差:
其中k为第k个神经元,k=1,2,,m,m为输出层神经元的个数,为量子态叠加系数,为量子神经网络的第k个神经元的期望输出,为量子神经网络的第k个神经元的输出层输出;
7-6:若E<Es(系统平均误差容限)或达到指定的迭代步数,则学习结束;否则,进行误差反传,转向7-7。
7-7:计算权值矩阵调整,修正量子神经网络的权值:
Wkj(n+1)=Wkj(n)+ΔWkj(n)
Vjik(n+1)=Vjik(n)+ΔVjik(n)
7-9:向步骤7-3继续对量子神经网络模型进行训练。
步骤8:利用建立的网络模型,对状态数据进行以天或以周为时间步长单位的故障趋势预测,对预测输出结果与实际测量值进行平均误差和绝对误差分析。对状态数据进行以天或以周为时间步长单位的故障趋势预测,对预测输出结果与实际测量值进行平均误差和绝对误差分析:网络的输出层节点数就是预测步数,即若进行L步预测,则网络输出层节点数就是L。能同时进行多步预测,是BP网络的一个显著优点。
Claims (8)
1.一种自适应量子神经网络汽轮机故障趋势预测方法,其特征在于,所述故障趋势预测方法包括以下步骤:
(1)利用汽轮机实时数据监测系统TDM,采集和记录汽轮机运行过程中的各种状态变量数据,分析状态变量,提取对预测变量有直接或者间接影响的状态变量,并对其进行信息融合作为样本输入;
(2)在输入层中对作为输入样本的各状态变量的不同历史数据进行趋势贡献力分析,加强最新数据对趋势的影响力,在输入层引入指数加权系数,在每一个样本数据被输入到神经网络之前都乘以指数加权系数
(3)增加输入层至输出层的直接连接权;
(4)引入自适应学习效率的方法,提高收敛速度;
(5)在隐含层采用经典的Sigmoid激励函数,输出层根据输入的状态变量的信号特征自适应调整激励函数;
(6)建立基于多种状态变量因素的改进的量子神经网络模型;
(7)按照BP神经网络的有导师机制对所述量子神经网络模型进行新陈代谢法训练,直至预测变量的输出结果满足误差精度;
(8)利用训练后的量子神经网络模型,对状态数据进行以天或以周为时间步长单位的故障趋势预测,对预测输出结果与实际测量值进行平均误差和绝对误差分析。
2.根据权利要求1所述的汽轮机故障趋势预测方法,其特征在于:
在步骤(1)中,所述预测变量为汽轮机高压缸附近轴承处的振动烈度;所述直接或者间接影响的状态变量包括:汽轮机高压缸附近轴承处振动烈度历史数据、汽轮机转子转速及其各转速下对应的汽轮机带载负荷、高压缸热膨胀幅值的平均值、高压胀差和该轴承的两个垂直方向轴振的振动峰峰值、振动有效值,采集和记录上述状态变量时间序列值,并对其进行信息融合作为样本输入。
3.根据权利要求2所述的汽轮机故障趋势预测方法,其特征在于:
所述信息融合是指将对预测结果有直接或间接影响的各个状态变量作为输入样本,并对作为输入样本的状态变量按照下式进行归一化处理:
x为某类状态变量的原始值,x′为归一化后的值,xmax和xmin分别为原始时间序列中该状态变量的最大值和最小值。
4.根据权利要求1所述的汽轮机故障趋势预测方法,其特征在于:
在步骤(2)中,每一个样本输入被输入到神经网络之前都乘以指数加权系数
式中,为在采样时刻i时的某样本输入的指数加权系数,i为时间序列号,e为自然对数,k为实数,k∈(0,e),
5.根据权利要求1所述的汽轮机故障趋势预测方法,其特征在于:
在步骤(3)中,具体包括以下内容:
输入层的每一个节点都与输出层的每一个节点相连;
对输出具有直接贡献的输入节点,其与输出节点之间的连接权值赋为1,而其间接贡献的输入节点则根据它对故障趋势预测结果的贡献大小赋0~1之间的小数,无贡献的输入节点与输出节点之间的连接权值视为零。
6.根据权利要求1所述的汽轮机故障趋势预测方法,其特征在于:
在步骤(4)中,训练中根据神经网络中输入节点到隐含节点的权值V(阈值)以及隐含层到输出层之间的权值W的修正值是否降低了误差函数值自适应调整学习效率值;
自适应学习效率的调节方法如下式:
其中,E(t+1)为t+1时刻的误差函数值,E(t)为t时刻的误差函数值,η(t)为t时刻的神经网络学习效率,η(t+1)为调整之后的t+1时刻的神经网络学习效率。
7.根据权利要求1所述的汽轮机故障趋势预测方法,其特征在于:
在步骤(5)中,在输出层中采用自适应切换激励函数机制:
对于无上升或下降趋势的输入样本的各状态变量的时间序列值,输出层采用Sigmoid激励函数;
对于有上升趋势或者下降趋势的输入样本的各状态变量的时间序列,输出层则采用线性非饱和函数g(x)=x激励函数;
输出层中激励函数切换的条件是根据输入层的数据特征决定,即:
其中,f(x)为输出层对输入层状态变量x的激励函数,x代表输入样本中状态变量,x(t-n)为t时刻之前的前n个时刻的状态变量x的值,e为自然对数。
8.根据权利要求1所述的汽轮机故障趋势预测方法,其特征在于:
在步骤(6)中,
在量子神经网络中,每个神经元都是量子神经元,每个权值都为[2×2]的矩阵,设为算子,则神经网络隐含层中第j个神经元的输出|zj>为:
其中,x,a,……h,为各状态变量,V为输入层到隐含层之间的权值,i为状态变量的时间序列号,k为状态变量的种类号,φ为输入层引入的指数加权系数。
设为算子,则神经网络输出层的第k个神经元的输出|yk>为:
其中,x,a,……h,为各状态变量,z为隐含层节点,W为隐含层到输出层之间的权值,T为输入层到输出层之间的直接连接权值,i为状态变量的时间序列号,k为状态变量的种类,φ为输入层引入的指数加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410745943.7A CN104392143B (zh) | 2014-12-09 | 2014-12-09 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410745943.7A CN104392143B (zh) | 2014-12-09 | 2014-12-09 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392143A true CN104392143A (zh) | 2015-03-04 |
CN104392143B CN104392143B (zh) | 2017-05-17 |
Family
ID=52610045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410745943.7A Active CN104392143B (zh) | 2014-12-09 | 2014-12-09 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392143B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127300A (zh) * | 2016-07-04 | 2016-11-16 | 哈尔滨理工大学 | 一种旋转机械健康状态预测方法 |
CN107742160A (zh) * | 2017-10-12 | 2018-02-27 | 深圳达实智能股份有限公司 | 一种机电设备维保周期自适应预测方法及装置 |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
CN108701263A (zh) * | 2015-12-30 | 2018-10-23 | 谷歌有限责任公司 | 量子统计机器 |
CN108711312A (zh) * | 2018-05-24 | 2018-10-26 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
CN109033632A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于深度量子神经网络的趋势预测方法 |
CN109063359A (zh) * | 2018-08-16 | 2018-12-21 | 燕山大学 | 一种循环流化床锅炉燃烧过程的动态建模方法 |
CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110361966A (zh) * | 2018-06-23 | 2019-10-22 | 四川大学 | 一种基于双隐层量子线路循环单元神经网络的趋势预测方法 |
CN110554602A (zh) * | 2018-05-30 | 2019-12-10 | 罗伯特·博世有限公司 | 生成鲁棒的自动化学习系统并测试经训练自动化学习系统 |
CN110704964A (zh) * | 2019-09-16 | 2020-01-17 | 中国神华能源股份有限公司国华电力分公司 | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
CN112101418A (zh) * | 2020-08-17 | 2020-12-18 | 华南理工大学 | 一种乳腺肿瘤类型识别方法、系统、介质及设备 |
CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 发动机的故障分析预测方法 |
CN117669390A (zh) * | 2024-02-01 | 2024-03-08 | 中国石油大学(华东) | 基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5390261A (en) * | 1991-05-13 | 1995-02-14 | Huang; Yee-Wei | Method and apparatus for pattern classification using distributed adaptive fuzzy windows |
US20030182062A1 (en) * | 2002-03-25 | 2003-09-25 | Bishwajit Chakraborty | System for classifying seafloor roughness |
CN102034133A (zh) * | 2010-12-16 | 2011-04-27 | 浙江工业大学 | 一种基于量子神经网络的多因素系统的综合评价方法 |
CN102883548A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | 基于量子神经网络的贴片机元器件贴装调度优化方法 |
-
2014
- 2014-12-09 CN CN201410745943.7A patent/CN104392143B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5390261A (en) * | 1991-05-13 | 1995-02-14 | Huang; Yee-Wei | Method and apparatus for pattern classification using distributed adaptive fuzzy windows |
US20030182062A1 (en) * | 2002-03-25 | 2003-09-25 | Bishwajit Chakraborty | System for classifying seafloor roughness |
CN102034133A (zh) * | 2010-12-16 | 2011-04-27 | 浙江工业大学 | 一种基于量子神经网络的多因素系统的综合评价方法 |
CN102883548A (zh) * | 2012-10-16 | 2013-01-16 | 南京航空航天大学 | 基于量子神经网络的贴片机元器件贴装调度优化方法 |
Non-Patent Citations (2)
Title |
---|
M.V.ALTAISKY: "《Quantum Neural Networks:Current Status and Prospects for Development》", 《PHYSICS OF PARTICLES AND NUCLEI》 * |
李楠,侯旋: "《自适应量子前向对传算法研究》", 《电子与信息学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108701263A (zh) * | 2015-12-30 | 2018-10-23 | 谷歌有限责任公司 | 量子统计机器 |
US11900215B2 (en) | 2015-12-30 | 2024-02-13 | Google Llc | Quantum statistic machine |
US11288585B2 (en) | 2015-12-30 | 2022-03-29 | Google Llc | Quantum statistic machine |
CN106127300A (zh) * | 2016-07-04 | 2016-11-16 | 哈尔滨理工大学 | 一种旋转机械健康状态预测方法 |
CN107742160A (zh) * | 2017-10-12 | 2018-02-27 | 深圳达实智能股份有限公司 | 一种机电设备维保周期自适应预测方法及装置 |
CN107742160B (zh) * | 2017-10-12 | 2021-03-30 | 深圳达实智能股份有限公司 | 一种机电设备维保周期自适应预测方法及装置 |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
CN108711312B (zh) * | 2018-05-24 | 2020-09-01 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
CN108711312A (zh) * | 2018-05-24 | 2018-10-26 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
CN110554602A (zh) * | 2018-05-30 | 2019-12-10 | 罗伯特·博世有限公司 | 生成鲁棒的自动化学习系统并测试经训练自动化学习系统 |
CN110361966B (zh) * | 2018-06-23 | 2022-05-27 | 四川大学 | 一种基于双隐层量子线路循环单元神经网络的趋势预测方法 |
CN110361966A (zh) * | 2018-06-23 | 2019-10-22 | 四川大学 | 一种基于双隐层量子线路循环单元神经网络的趋势预测方法 |
CN109033632A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于深度量子神经网络的趋势预测方法 |
CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
CN109063359A (zh) * | 2018-08-16 | 2018-12-21 | 燕山大学 | 一种循环流化床锅炉燃烧过程的动态建模方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110704964A (zh) * | 2019-09-16 | 2020-01-17 | 中国神华能源股份有限公司国华电力分公司 | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 |
CN110704964B (zh) * | 2019-09-16 | 2022-11-25 | 中国神华能源股份有限公司国华电力分公司 | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
CN112101418A (zh) * | 2020-08-17 | 2020-12-18 | 华南理工大学 | 一种乳腺肿瘤类型识别方法、系统、介质及设备 |
CN112101418B (zh) * | 2020-08-17 | 2023-08-22 | 华南理工大学 | 一种乳腺肿瘤类型识别方法、系统、介质及设备 |
CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 发动机的故障分析预测方法 |
CN117669390A (zh) * | 2024-02-01 | 2024-03-08 | 中国石油大学(华东) | 基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104392143B (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392143A (zh) | 一种自适应量子神经网络汽轮机故障趋势预测方法 | |
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
Asghar et al. | Estimation of wind speed probability distribution and wind energy potential using adaptive neuro-fuzzy methodology | |
CN104951836A (zh) | 基于神经网络技术的发帖预测系统 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN102831475B (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
Goudarzi et al. | Intelligent analysis of wind turbine power curve models | |
CN103116804A (zh) | 一种模糊神经网络模型及深基坑变形智能预测方法 | |
Duan et al. | A LSTM deep learning model for deterministic ship motions estimation using wave-excitation inputs | |
Sundararajan et al. | Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors | |
Olaofe et al. | Wind power estimation using recurrent neural network technique | |
Tanoto et al. | Levenberg-Marquardt recurrent networks for long-term electricity peak load forecasting | |
Yang et al. | A novel method of wind speed prediction by peephole LSTM | |
CN106779139A (zh) | 基于小波分解和二阶灰色神经网络的短期风速预测方法 | |
Shabbir et al. | Short-term wind energy forecasting using deep learning-based predictive analytics | |
Khan et al. | Digital twin and artificial intelligence incorporated with surrogate modeling for hybrid and sustainable energy systems | |
Qureshi et al. | Short-term forecasting of wind power generation using artificial intelligence | |
Yang et al. | A new hybrid model based on fruit fly optimization algorithm and wavelet neural network and its application to underwater acoustic signal prediction | |
Tao et al. | A Combined Approach for Very Short Term Wind Power Probability Forecast | |
CN104991447A (zh) | 一种基于小波神经网络的火电机组变负荷速率预测方法 | |
Liu et al. | Based on BP Neural Network Stock Prediction. | |
Lv et al. | Research on short-term load forecasting approach for smart grid | |
Niu et al. | A novel evaluation model for hybrid power system based on vague set and Dempster-Shafer evidence theory | |
Zhang et al. | Research on DBN-based evaluation of distribution network reliability | |
Liu | The prediction model and system of stock rise and fall based on BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |