基于Kalman-ARIMA模型的大坝变形预测

大坝变形预测是大坝安全监测系统的关键组成部分,对监控大坝的安全运行起着关键作用。然而,大坝变形监测数据易受到随机干扰噪声的污染,影响变形预测的精度。故提出了Kalman-ARIMA模型,即先根据卡尔曼滤波法剔除观测数据中的随机干扰噪声,然后利用ARIMA模型对经过滤波后的数据进行建模并作预测。结合某大坝的位移监测数据资料,利用Kalman-ARIMA模型预测了该大坝的位移,并与仅利用ARIMA模型预测的位移值作对比,结果表明,Kalman-ARIMA模型能够有效地降低预测值与真实值之间的误差,可以应用于大坝变形预测。     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明：STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

基于GM-ANN组合模型的大坝变形监测数据分析方法

大坝变形监测数据由于受水位、温度、时效等多因素影响,呈现一定的趋势性和波动性。引入时间序列分析模型和方法,合理分析大坝变形监测数据序列特征,精确预测大坝变形状况,是大坝安全监测的重要内容。重点针对"贫信息"、"小样本"情况下的大坝变形监测数据序列,将灰色模型(GM)与人工神经网络(ANN)模型相结合,研究了分析和预测大坝变形监测数据的方法,并进行工程实例验证。首先利用灰色模型拟合和预测实测样本数据,然后将灰色模型残差作为人工神经网络模型的学习样本进行训练和预测,最后将上述结果进行综合得到大坝变形的预测值。应用文中所述方法对某实际大坝变形监测数据的建模检验表明,本文给出的GM-ANN模型预测精度高于GM(1,1)模型,具有较好的实用性。     

深度学习框架下融合注意机制的机床运动精度劣化预示

数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险,挖掘蕴含在各类监测数据序列中的运动精度演化特征,在深度门控循环网络（Gated recurrent unit,GRU）框架下,提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷,采用深度编码器-解码器框架,提出基于深度GRU的运动精度深度学习建模方法,以数据驱动,自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征,预测运动精度,根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达,提高精度劣化预测的准确性,提出一种在深度学习框架中融合注意机制的方法,建立状态参量的注意网络,计算振动、温度等状态信号与机床精度间关联程度,自动调整各信号的权值;进一步,建立时序注意网络自主选取精度劣化历史信息关键时间点,以提升较长时间段预示的准确性。实验结果表明,基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律,有较高的预测精度,优于传统方法。     

基于遗忘递推最小二乘法的泵站水平位移动态监控模型研究

泵站建筑物水平位移是泵站长期运行过程中的重要监测项目，对水平位移监测数据进行分析和建模是掌握泵站结构运行状态的重要手段。传统统计模型的回归参数为固定值，不能反映泵站结构变形性态的动态变化特征。为此，构建了基于遗忘递推最小二乘法（FFRLS）的泵站水平位移动态监控模型，该模型通过引入遗忘因子增强了新监测数据对模型的修正能力，实现了对统计模型参数的动态求解，从而使模型长期保持较高的预测精度。最后结合南水北调东线工程某泵站枢纽，验证了模型的有效性。工程实例表明，所构建的模型可以根据新数据的加入自适应更新泵站水平位移统计模型的回归参数，有效提高了统计模型的拟合与预测精度，为掌握泵站建筑物安全性态提供了新方法。     

基于实时跟踪的ARIMA大坝安全监控模型

为了保证大坝安全监测的准确性并提高模型的预测长度,将差分自回归移动平均模型(ARIMA)结合实时跟踪算法,建立基于实时跟踪的ARIMA大坝安全监控模型,利用ARIMA拟合性好的特点对大坝监测数据进行拟合建模,并使用实时跟踪算法的等维递补思想提高大坝变形监测的预测长度,工程实例表明,基于实时跟踪的ARIMA大坝安全监控模型精度较高,对于数据信息挖掘能力强且具有较长的预测长度,具有很高的工程应用价值。     

大坝实测服役性态抗噪预测模型

大坝变形、渗流、应力应变等服役性态的原型监测数据序列,多具有非线性特征且易受噪声污染。为基于原型监测数据,通过构建大坝服役性态预测模型,高效合理地拟合和预测大坝非线性服役性态,需高度重视模型抗噪能力和泛化能力的提升。源于此目标,综合应用小波、支持向量机(SVM)、粒子群算法(PSO)等工具,开展了大坝实测服役性态抗噪预测模型的构建方法和应用研究。在对大坝服役性态原型监测数据小波消噪处理的基础上,借助支持向量机,建立了大坝实测服役性态预测模型;考虑模型精度受SVM惩罚因子及核函数参数影响显著的特点,引入PSO算法,实现了支持向量机参数的寻优。将文中方法应用于某实际大坝变形实测性态预测模型的构建,结果表明,所构建的抗噪预测模型较传统统计回归模型,在预测能力方面有一定的优越性,且对样本数量方面的要求可适当放宽,体现出较强的工程实用性。     

基于分形插值与支持向量机混合模型的大坝变形分析

大坝变形分析是研究大坝变形规律和保证大坝安全的重要组成部分。基于大坝变形时间序列的分形特征，同时考虑到分形插值在大坝变形时间序列拟合和预测时的分数维特点，以及外延序列越远、预测精度越差的缺点，引入支持向量机算法对分形插值模型进行优化。针对大坝变形时间序列特点，通过优化垂直比例因子和核函数，建立了分形插值和支持向量机混合模型。以某混凝土重力坝引张线8号测点水平位移为例，建立了分形插值和支持向量机混合模型，对变形时间序列进行拟合和预测分析，计算结果表明混合模型具有更高的精度，可以应用于大坝变形分析中。     

基于残差修正的混凝土坝位移双层阶预测模型

传统的混凝土坝位移监测模型往往忽略残差序列中的有效信息,导致对大坝位移的预测效果不佳。旨在提高预测模型的精度。针对这一问题,提出一种考虑信号残差修正的混凝土坝位移双层阶预测模型。首先根据传统混凝土坝位移预测的统计模型选取大坝位移的影响因子;其次通过麻雀搜索算法（SSA）确定极限学习机（ELM）中的超参数,建立单层阶预测模型SSA-ELM,进而得到大坝的单层阶模型位移预测值;再次,基于最小样本熵（SE）和相关分析法,通过变分模态分解法（VMD）对残差序列分解重构;最后利用SSA-ELM对重构后序列进行修正,并将修正值与单层阶模型位移预测值进行叠加,构建双层阶预测模型SSA-ELM-VMDρ+,进而得到最终的位移预测值。工程实例验证表明,与其他模型相比,该双层阶模型预测精度高,泛化能力强,有效的挖掘了残差中的有效信息,并克服了噪声干扰。本研究为大坝安全监控、健康服役诊断与管理运行提供了新的参考。     

鲁棒回归在水工建筑物安全监控模型建立中的应用

建立水工建筑物安全监控模型是预测和控制大坝的运行、避免重大事故发生的不可或缺的重要手段,而大坝安全监测数据中经常出现的异常值对监测模型的稳定性和精度产生较大影响,针对这个异常值问题,采用鲁棒回归方法,有效地剔除或削弱了监测数据中的异常值的影响,实例分析表明:在监测数据中含有异常数据的情况下,基于鲁棒回归的大坝安全监测模型的稳定性和预测效果能够得到保证。     

鲁棒回归在水工建筑物安全监控模

建立水工建筑物安全监控模型是预测和控制大坝的运行、避免重大事故发生的不可或缺的重要手段，而大坝安全监测数据中经常出现的异常值对监测模型的稳定性和精度产生较大影响，针对这个异常值问题，采用鲁棒回归方法，有效地剔除或削弱了监测数据中的异常值的影响，实例分析表明：在监测数据中含有异常数据的情况下，基于鲁棒回归的大坝安全监测模型的稳定性和预测效果能够得到保证。     

基于小波分析的MGM(1,N)模型在大坝监测系统中的应用

针对大坝变形监测系统监测过程中受到各种随机因素干扰的情况,详细讨论小波分析和MGM(1,N)灰色模型的基本理论和建模过程,成功将基于小波分析的MGM(1,N)模型应用于大坝变形的预测预报.实践证明,先用小波滤波法对监测数据进行去噪处理,然后建立MGM(1,N)模型进行预测,能有效地提高传统MGM(1,N)模型的预测精度.     

基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度（4、9、14℃）下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差（MSE）为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。     

变形监测数据分析的群集智能模型

针对标准微粒群优化算法(PSO)存在早熟收敛和搜索精度低等缺陷,对其惯性权重因子进行改进,并将非均匀变异机制引入PSO,即在算法进行搜索时以一定变异概率对选中的粒子进行变异操作,同时对飞离搜索区域的粒子用新产生的粒子取代,由此得到改进的微粒群优化算法(IPSO)。然后将IPSO用于优化BP神经网络的连接权重和阈值,分析和建立变形监测数据处理的群集智能模型(IPSO-BP),为了进行比较,同时建立了回归分析模型、标准PSO-BP模型,并将3种模型分别应用于某大坝水平位移数据的分析预测,结果表明,IPSO-BP模型收敛速度更快、预报精度更高,是一种新的且有效、可靠的变形数据处理方法。     

拖拉机电气故障诊断方法研究——基于深度学习理论和大数据

基于深度学习神经网络模型,结合拖拉机在线监测数据和故障数据,提出了一种新的故障诊断方法。该方法采用神经网络学习理论和大数据分析能力,通过样本数据的训练诊断出拖拉机各种运行状态的电气故障,为工作人员决定是否对电气系统进行检修提供更多参考信息。以拖拉机电压调节器故障诊断为例,对神经网络深度学习理论故障诊断的准确性进行了验证,结果表明:采用神经网络深度学习理论,在相同条件下具有更高的故障诊断准确率。     

基于卡尔曼滤波的GA-BP模型在大坝变形预测中的应用

传统的BP神经网络拥有良好的逼近非线性映射能力,然而由于其自身存在收敛速度慢,容易陷入局部极小值和泛化能力差的不足,往往难以满足实际中预测精度的需要。采用卡尔曼滤波方法,将观测到的大坝位移原始值进行滤波处理,以尽可能剔除随机误差的干扰,并引入遗传算法,对神经网络的权、阈值进行优化,提高其全局搜索能力,建立了基于卡尔曼滤波的GA-BP模型。以某大坝位移预测为例,证明了此模型比传统的BP模型在预测精度上有所提高,具有一定的实际应用价值。     

基于空间变异理论的大坝安全监测位移场插值研究

为了利用有限的大坝位移观测资料分析大坝内部位移场情况,将基于空间变异理论的克里金法应用于大坝安全监测位移场,进行插值拟合计算位移等值线。克里金法是以变差函数作为基本工具,在研究区域化变量的空间分布结构特征规律性的基础上,综合考虑空间变量的随机性和结构性的一种数学地质方法。应用克里金法结合某大坝的位移观测资料绘制等值线图,结果表明,该方法能有效地应用于大坝安全监测数据插值拟合,形成位移场等值线,并为大坝安全监测可视化提供基础数据。     

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一,具有时序性、不稳定性和非线性等特点,且其影响因子过多、存在复杂的耦合关系,难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据,且在训练过长序列时会出现梯度消失现象,从而不能捕捉因子间长期的依赖性问题,提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先,使用WT降低数据噪声;然后,使用CNN深度挖掘各变量之间的潜在关系;最后,利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明,本文提出的WT-CNN-LSTM模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954,比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

数据集对基于深度学习的作物病害识别有效性影响

基于深度学习的作物病害自动识别已成为农业信息化领域新的研究热点,为探究数据集的大小和质量对基于深度学习的作物病害识别有效性的影响,研究不同数据集训练得到的模型识别效果并进行了分析.以338张玉米病害数据集为例,对其进行数据增强、移除背景和细分割划分等处理,设计5个AlexNet框架的CNN网络模型并利用不同类型的数据集...     

基于RFR和VMD-TCN的抽水蓄能机组劣化趋势预测方法

抽水蓄能机组具有结构复杂、工况复杂多变、故障复杂多样等特点。利用实时监测数据有效评价抽水蓄能机组的劣化状态并对劣化趋势进行准确地预测仍是一个难题。为此，提出一种基于随机森林回归（RFR）、变分模态分解（VMD）和时间卷积网络（TCN）的抽水蓄能机组劣化趋势预测方法。首先，基于健康状态下的历史监测数据，选择与状态监测数据关联性强的工况参数数据作为健康状态模型的输入，建立基于RFR的健康状态模型；其次，输入实时工况参数数据，根据健康模型输出的标准值与实时状态监测数据计算得到劣化趋势序列；最后，考虑到劣化趋势序列的非线性因数，设计了基于VMD-TCN的时序预测模型，以实现对劣化趋势的精确预测。为验证所提方法的有效性，采集位于中国浙江的抽水蓄能电站真实监测数据进行多组对比实验。结果显示，所提出的方法在建立健康模型时拟合精度达到了0.98，并且在劣化趋势预测任务中，基于VMD-TCN的时序预测模型相比于其他比较模型具有更高的预测精度。