导读:本文包含了状态趋势预测论文开题报告文献综述及选题提纲参考文献，主要关键词:加热器,经济性能,状态预警,趋势预测
状态趋势预测论文文献综述
张皓,林斯韵,朱朋成[1]（2019）在《基于热经济性偏差的常规岛加热器状态预警及劣化趋势预测》一文中研究指出为保证核电站的安全经济运行,对核电站常规岛的主要热力设备——加热器进行了基于经济性能的状态预警及劣化趋势的研究。首先,建立基于加热器经济性能的状态综合评价模型,量化其经济状态的动态变化过程,将"异常"状态作为加热器经济性能的预警状态;然后,采用灰色预测和指数平滑的组合预测方法,对加热器经济性能的劣化趋势进行预测,以预估其经济状态转为"严重"的时间节点,排除潜在故障,提高检修效率,降低维修成本;最后,在核电仿真平台插入典型的积聚型故障实例进行了验证,结果证明了所作研究的可行性和有效性。(本文来源于《上海电力学院学报》期刊2019年05期）
薛小明,曹苏群,李超顺,姜伟[2]（2019）在《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》一文中研究指出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。(本文来源于《水电能源科学》期刊2019年09期）
于重重,宁亚倩,秦勇,高柯柯[3]（2019）在《基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测》一文中研究指出为了能够尽早发现滚动轴承开始出现显着退化的临界状态,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着退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。(本文来源于《仪器仪表学报》期刊2019年08期）
陈涛,王立勇,徐小力,王少红[4]（2019）在《基于改进Elman神经网络的烟气轮机运行状态趋势预测》一文中研究指出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;最后构建叁层最优预测步长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。(本文来源于《广西大学学报(自然科学版)》期刊2019年02期）
李锋,向往,陈勇,汤宝平,王家序[5]（2019）在《基于双隐层量子线路循环单元神经网络的状态退化趋势预测》一文中研究指出针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械状态退化趋势预测方法。首先采用量纲一化排列熵误差构建状态退化特征集,然后将该特征集输入DHL-QCRUNN以完成旋转机械状态退化趋势预测。在所提出的DHL-QCRUNN中,设计双隐层结构以提高网络的非线性映射能力;并引入量子相移门和多位受控非门以实现信息的传递;通过双隐层的量子反馈机制获得输入序列的整体记忆;最后采用输出层激发态的概率幅表示输出,通过以上方法改善了网络的非线性逼近能力和泛化性能,使所提出的旋转机械状态退化趋势预测方法具有较高的预测精度。此外,通过量子Levenberg-Marqudt(LM)算法更新DHL-QCRUNN的网络参数,提高该网络的收敛速度,使所提出的状态退化趋势预测方法具有较高计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。提出了基于DHL-QCRUNN的旋转机械状态退化趋势预测新方法,该方法具有较高的预测精度和较高的计算效率。(本文来源于《机械工程学报》期刊2019年06期）
刘义艳,田甜,王彩霞[6]（2019）在《基于EWT和FESN的结构健康状态趋势预测》一文中研究指出为了能够及时发现并处理大型结构和设备在服役期出现的损伤问题,本文提出了一种基于EWT-FESN的结构健康状态趋势预测方法。首先,原始信号经EWT分解,对得到的AM-FM分量进行了希尔伯特变换得到瞬时频率;然后,将瞬时频率作为FESN预测模型的输入参数进行了结构健康状态趋势预测。仿真和工程实验结果表明:经验小波变换可以将信号的各个固有分量清楚地分解出来,不存在虚假模态;FESN模型与经典的ESN模型预测精度分别为0.0125、0.0389,显然前者更接近实际值,精度更高;同时,EWT与FESN的结合对于处理复杂工程结构信号的非线性、不平稳性等特点具有较好的适应性和稳定性。(本文来源于《应用力学学报》期刊2019年03期）
崔建国,李慧华,于明月,蒋丽英[7]（2018）在《基于LSSVM与WNN的燃气轮机状态趋势预测》一文中研究指出为了对燃气轮机未来状态趋势进行预测,提出基于最小二乘支持向量机(LSSVM)与小波神经网络(WNN)组合的燃气轮机状态趋势预测方法,把最小二乘支持向量机的预测结果分为两部分,将实际参数数据与前一部分的预测结果计算残差,然后利用小波神经网络对残差进行预测,再将预测的残差与最小二乘支持向量机的预测结果的后一部分进行合成,将合成的结果作为最小二乘支持向量机-小波预测模型的预测结果。结合某型燃气轮机进行试验验证,验证结果表明,组合的最小二乘支持向量机与小波神经网络预测模型预测效果更好,预测结果相对误差为0.12%。(本文来源于《火力与指挥控制》期刊2018年08期）
李锋,陈勇,向往,王家序,汤宝平[8]（2018）在《基于量子加权长短时记忆神经网络的状态退化趋势预测》一文中研究指出提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络(LSTMNN)的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数(即权值量子位和活性值量子位)的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。(本文来源于《仪器仪表学报》期刊2018年07期）
张金艳[9]（2018）在《基于趋势预测的风电机组运行状态模糊综合评估》一文中研究指出近年来,风电技术发展较快。风电行业的快速发展导致运行维护成本不断增长,为了节约运行维护成本,风电机组运行状态评估变得尤为重要。本文首先简要的介绍了风电技术的发展现状、风电机组的工作原理、故障机理以及风电机组数据采集与监控系统,分析了评估风电机组运行状态的重要性之后,做出了如下工作:(1)对风电功率量化指标进行分析、利用正态分布函数图像拟合风电功率随机分量。定义量化指标,从差分时间尺度分析风电功率波动特性;分析风电场输出功率的随机分量,选用二次滚动平均法,利用MATLAB正态分布图像拟合随机分量概率密度,研究不同滚动窗口时风电功率的随机分量的概率密度分布。(2)采用层次分析法构建风电机组评估指标,计算各个指标劣化度,利用模糊隶属度函数构建评估矩阵,并提出模糊趋势预测方法。本文在传统方法中指标权值的确定以及评价结论上进行了一系列改进,并将改进结果与原方法进行对比,建立基于SCADA数据改进的风电机组运行状态模糊综合评估模型,并通过实例验证,提出策略更具可行性,有助于及早发现故障隐患。(3)选择功率曲线法计算风电场弃风电量,分析弃风情况。(本文来源于《华北电力大学(北京)》期刊2018-06-01）
徐铬,李正天,程建,万松,曹长冲[10]（2018）在《油浸绝缘电气主设备状态量发展趋势预测模型研究》一文中研究指出研究了油浸绝缘电气主设备状态量发展趋势预测模型。提出了基于信息熵的组合预测方法,针对预测结果的应用问题,提出了区别变压器故障与工况改变的预测应用方法。同时针对现场了解到的实际生产问题,有针对性地展开了研究,提出了相应的解决方法。(本文来源于《水电站机电技术》期刊2018年03期）
状态趋势预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
状态趋势预测论文参考文献
[1].张皓,林斯韵,朱朋成.基于热经济性偏差的常规岛加热器状态预警及劣化趋势预测[J].上海电力学院学报.2019
[2].薛小明,曹苏群,李超顺,姜伟.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[J].水电能源科学.2019
[3].于重重,宁亚倩,秦勇,高柯柯.基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测[J].仪器仪表学报.2019
[4].陈涛,王立勇,徐小力,王少红.基于改进Elman神经网络的烟气轮机运行状态趋势预测[J].广西大学学报(自然科学版).2019
[5].李锋,向往,陈勇,汤宝平,王家序.基于双隐层量子线路循环单元神经网络的状态退化趋势预测[J].机械工程学报.2019
[6].刘义艳,田甜,王彩霞.基于EWT和FESN的结构健康状态趋势预测[J].应用力学学报.2019
[7].崔建国,李慧华,于明月,蒋丽英.基于LSSVM与WNN的燃气轮机状态趋势预测[J].火力与指挥控制.2018
[8].李锋,陈勇,向往,王家序,汤宝平.基于量子加权长短时记忆神经网络的状态退化趋势预测[J].仪器仪表学报.2018
[9].张金艳.基于趋势预测的风电机组运行状态模糊综合评估[D].华北电力大学(北京).2018
[10].徐铬,李正天,程建,万松,曹长冲.油浸绝缘电气主设备状态量发展趋势预测模型研究[J].水电站机电技术.2018