基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

多变量自回归模型的快速辨识方法

本文提出了多变量AR(Autoregressive)模型建模的快速算法,该算法采用解超定矩阵的最小二乘方法,并利用正交变换技术,从而避免了最小二乘估计中矩阵求逆的病态问题,保证了数值计算的稳定性。还介绍了一种可转化为单变量建模的多变量AR模型,它可以直接利用单变量建模模块。一般情况下,可将序列进行典则分解。最后简要列出了有关结论。     

泡沫塑料吸附硫代米蚩酮比色法测定矿石中痕量金

试样经王水溶矿，泡沫塑料吸附震荡分离富集金，用EDTA-柠檬酸三铵联合掩蔽干扰元素，pH=3时TMK与金形成红色络合物，选择合适的体系和控制试剂用量进行水相小体积比色。灵敏度r=1．25*10^5,称取10克试样，可测定0．001g／t以上的金。     

基于N-BEATS的单站对流层天顶总延迟预报

高精度对流层延迟先验值有助于加速精密单点定位的快速收敛。基于高精度高分辨率气象数据库,采用深度学习N BEATS算法,进行了单站对流层天顶总延迟的预报试验。试验选取了9个IGS跟踪站,试验弧段从2002年1月至2019年6月共185a。首先基于N BEATS算法,设计了3种预报策略,然后基于前175a针对不同预报策略进行模型训练,并对最后365d的对流层天顶总延迟进行预报。试验结果表明,以该气象数据库为基准,12h以内预报弧段的预报残差均值量级大多可达亚毫米,2h、4h、6h的预报残差的标准差分别约为5mm、9mm、13mm。     

基于时间序列相似性原理的雷达信号识别

从密集复杂的信号环境中分选和识别出特定雷达辐射源信号,是信号处理领域的重要内容之一。利用威胁复杂雷达信号的先验信息,引入数据挖掘领域时间序列相似性快速匹配原理及其滑窗技术,提出了一种适于复杂体制雷达信号快速匹配识别方法。实验表明,该方法识别速度快、适应环境能力强,具有良好的应用前景。     

基于飞机制动缸渗漏问题的研究

通过了解使用情况、复查设计制造过程、断口金相分析技术、对比试验对飞机制动缸渗漏问题研究.结果表明,渗漏是由于制动缸活塞孔底破裂,刹车时液压油被挤出附着在制动缸表面.断口提示裂纹为多源疲劳断裂,疲劳源为内壁R2转角表面铬酸阳极化孔洞聚集处.制动缸端面内圆处承受较大弯矩是制动缸疲劳开裂的促成因素.采取改进机加和表面处理工艺...     

两对边固定两对边自由矩形板的精确解

基于Ｋｉｒｃｈｈｏｆｆ薄板理论,提出双三角级数形式的挠度函数,求得两对边固定两对边自由矩形板的精确角,计算结果表明,这种解法收敛速度快,计算精度,易于工程应用。     

离子交换增强玻璃的表面酸处理

对离子交换增强玻璃表面不同程度酸腐蚀后强度变化的情况进行了分析,并对表面腐蚀后强度的保留进行了研究.研究发现,控制合适的腐蚀厚度并进行及时有效的表面保护,不但可以保留化学增强所得的强度,甚至可以显著提高玻璃的最终强度.     

相关系数ARMA(p,q)序列分析方法

本文提出相关系数ARMA(p,q)序列分析方法。相关系数ARMA(p,q)序列是从非平稳序列中分离出的一类工程上常见且便于研究的时间序列,在模式识别、故障诊断、信号处理、自动控制和结构响应分析等领域有着广泛的应用。传统的相关函数ARMA(p,q)序列仅是它的一个特例。文中建立了相关系数ARMA(p,q)序列的条件极大似然估计和精确极大似然估计,前者在样本较大时简单便于工程应用,后者则在样本较小时仍具有较高的精度,它们通过时域的全程分析,充分利用样本信息确定相关系数ARMA(p,q)序列的均值函数、方差函数和相关系数函数。在此基础上可进行高精度的频谱分析。     

非等间距相关系数平稳序列分析方法

工程实际中由于数据缺损或受测试条件所限,常常得到非等间距的时间序列。而传统的时序分析方法只适用于等间距采样的数据,目前工程上对这类问题通常采用插值等近似处理方法,这往往导致较大误差。本文提出非等间距相关系数平稳序列的概念,建立了非等间距相关系数平稳序列自回归模型,给出了非等间距相关系数AR(p)序列的精确极大似然估计和条件极大似然估计,能够高精度地确定非等间距序列的均值函数、方差函数和相关系数函数。