技术状态预测

技术状态预测（共10篇）

技术状态预测 篇1

装备的技术状态受多种因素的影响, 各个影响因素之间呈动态非线性关系。随着科技含量的不断提高, 影响装备系统运行的因素不断增加。装备技术状态变化对武器系统的可用性、使用寿命、使用安全性以及毁伤效能等都有重要影响。因此, 对装备技术状态监控和预测是非常有意义的。

Vapnik[1]基于统计学习理论提出的支持向量机 (supportvectormachine, SVM) 是目前发展最快的机器学习方法。它最初用于模式识别, 随ε不敏感损失函数的引入, 现已扩展到非线性时间序列分析或非线性回归分析。支持向量机建立在有限样本条件下, 其核心思想就是学习机器要和有限样本相适应。支持向量机中的支持向量是通过解一个凸二次规划问题获得的, 因此保证得到的解是全局最优解。SVR基于结构风险最小, 较好地解决了小样本、非线性、过拟合、维数灾和局极小等问题, 泛化推广能力优异[2]。目前利用支持向量机预测时间序列已经达到很高的精度。有关研究表明, 支持向量机对于混沌时间序列也具有较好的预测性能[3]。

以装备部件某位置的振动烈度时间序列历史数据为基础, 引入分形理论中的相空间重构思想[4], ;利用支持向量机回归建立装备技术状态预测模型。

1分形理论

分形理论中, 一个重要的思想是重构相空间。相空间重构理论[4]是由Packgard等, Ruell和Takens在20世纪80年代首次提出来的。它的重大贡献在于证明了相空间重构能够保持时序所对应的原动力系统内在结构的几何不变性。

给定时间序列{xi}, i=1, 2, 3, …, n, 根据Takens定理[5], 只要找到一个合适的嵌入维, 即如果延迟坐标的维数m≥2D+1 (D是动力系统的关联维数) , 可以由观测输出xi得到一个新的重构系统, 并在拓扑等价意义下保持原系统的动力学性态, 重构的m维状态向量为:yi=[xi, xi+τ, xi+2τ, …, xi+ (m-1) τ], i=1, 2, …其中τ为正整数, 称为延迟时间;获取延迟坐标的最小整数m称为最小嵌入维数。

确定非线性时间序列重构的最佳延时τ和最小嵌入维数m是进行相空间重构的关键, m太小, 不足以展示复杂行为的细致结构, m太大, 则会使计算工作大大复杂化, 同时随之而引起的噪声的影响将不可忽视。

利用相空间重构理论获取时间序列的最小嵌入维数, 以此作为支持向量机输入的节点数目来建立预测模型。

2支持向量机原理

支持向量机是建立在有限样本条件下的机器学习的理论框架和学习方法。其核心思想就是学习机器要和有限样本相适应。支持向量机中的支持向量是通过解一个凸二次规划问题获得的, 因此保证得到的解是全局最优解。有关支持向量机的基本思想参见文献[6,7]。

本文研究的是非线性时间序列, 因此采用支持向量机非线性回归理论。设训练样本集 (xi, yi) , i=1, 2, …, n具有ε相似性, 即yi-f (xi) ≤ε, i=1, 2, …, n, 估计函数f (x) 可以这样确定:首先通过非线性变换将输入向量映射到高维特征空间, 在这个空间中构造最优决策函数, 在构造最优决策函数时应用结构风险最小化原则, 并利用原空间的核函数取代高维特征空间中的点积运算。

SVM估计函数为:

根据统计学习理论, 估计函数转化为如下优化问题

式 (2) 中C为惩罚因子, ξi, ξ*i表示松弛因子, ε为损失函数, 它能够忽略ε范围内的回归误差。其表达式为

式 (2) 一般采用对偶理论转化成二次规划求解。原约束表达式的对偶式为:

定义为核函数。支持向量机回归常用的核函数是径向基核函数, 表示为

根据Karush-Kuhn-Tucker定理, 可求得αi, α*i, b, 最终可得SVM回归函数为

3基于分形和支持向量机回归的装备技术状态预测模型

获取装备某状态时间序列数据{xi}, i=1, 2, 3, …, n, 采用相空间重构理论确定最小嵌入维数m, 将嵌入维数作为支持向量机输入的节点数, 建立训练样本:

根据回归函数式 (6) , 得到

(8) 式 (8) 中将其加入训练样本中, 即

则第二步预测:

一般地, 第n+s个样本的预测值为

式 (10) 中

4装备技术状态预测实例

装备部件某位置的振动烈度的时间序列数据[8]如表1所示, 根据样本数据建立其振动状态的支持向量机回归模型并进行预测。

4.1时间序列分维

采用Cao方法[9]确定时间序列的最小嵌入维数。结果如图1所示。E1 (m) 用于确定最小嵌入维数, E1 (m) 在随m的演变中趋于稳定时对应的m即为最小嵌入维数, 由此可知m=4;E2 (m) 用于判别一个时间序列是否具有分维特性, 一般对确定性混沌序列, E2 (m) 会渐渐趋于1。本文选取样本时间序列1-11预测时间序列12-15的值, 由于训练样本较少, E2 (m) 波动较大。

4.2 支持向量机回归训练

将确定的嵌入维数作为支持向量机回归预测的输入节点数目。考虑到支持向量机回归对输入节点没有量纲要求, 因此对训练样本进行数据的缩放处理, 本文将样本时间序列缩放10倍。建立的训练样本见表2。

采用LIBSVM工具[10]进行支持向量机学习训练。对样本进行交叉验证, 并利用grid-search方法自动搜索并非经验性地确定最佳惩罚参数、灵敏度及径向宽度等核函数参数, 核函数采用径向基核函数。模型的最优参数以MSE最小为原则。

$\text{Μ}\text{S}\text{E}=\frac{{\displaystyle \sum (}y{}_i-\widehat{y}{}_i){}^2}{n}(12)$

通过对样本进行训练, 经过9次迭代, 确定模型的最优参数为:C=128, σ2=0.031 25, ε=

0.000 976 562 5。利用该模型对第12个振动烈度值进行预测, 结果为0.780 708, 将其加入训练样本继续训练并对第13个值进行预测, 以此类推得到各目标值的预测结果。

为验证时间序列分维的正确性, 取特征节点为3, 4, 5, 6时, 对目标值进行了预测, 其结果见表3。

注:误差一栏表示取最优节点数4时的相对误差。

表3的预测结果以及不同特征节点时预测值的走向表明, 时间序列分维的选择作为支持向量机输入节点的数目, 所建立的模型表达了振动烈度的发展趋势, 模型误差最小。

5 结束语

根据支持向量机回归建立了装备技术状态预测模型, 并依据分形中的相空间重构理论对时间序列分维获取最小嵌入维数, 以此作为支持向量机输入节点。应用实例表明, 该方法给出的支持向量机输入节点数是最优的;同时, 支持向量机预测模型给出的预测结果和真实值相比误差较小, 对装备技术状态预测和分析是可行和有效的。

摘要：基于分形和支持向量机回归理论, 建立了装备技术状态预测模型。将反映装备运行状态的特征数据作为时间序列, 首先进行相空间重构, 得到时间序列的最小嵌入维数, 以此作为支持向量机输入节点数。利用支持向量机对样本训练, 建立预测模型。以装备振动信号预测为实例, 表明将时间序列最小嵌入维数作为支持向量机输入节点数目, 所建立的模型是最优的。支持向量机预测结果和真实值相比误差较小, 可以满足装备技术状态分析和预测的要求。

关键词：技术状态预测,分形,相空间重构,支持向量机回归

参考文献

[1]Vapnik V N.The nature of statistical learning theory.New York:Springer-Verlag, 1995

[2]方瑞明.支持向量机理论及其应用分析.北京:中国电力出版社, 2007

[3]刘涵, 刘顶, 李琦.基于支持向量机的混沌时间序列非线性预测.系统工程理论与实践, 2005;9:94—96

[4]马军海, 陈予恕.混沌时序相空间重构的分析和应用研究应用数学和力学, 2000;21 (11) :1117—1118

[5]Takens F.Detecting strange attractor in turbulence.Lecture Notes in Mathematics, 1981;898 (2) :361—381

[6]Burges C.A tutorial on support vector machines for pattern recogni-tion.Data Mining and Knowledge Discovery (S1384—5810) , 1998;2 (2) :121—167

[7]Gunn S.Support vector machines for classification and regression.ISIS Technical Report, Southampton:University of Southampton, 1998

[8]赵荣诊, 孟凡明, 张优云, 等.机械振动趋势的灰色预测模型研究.机械科学与技术, 2004; (3) :256—259

[9]Cao L.Practical method for determining the minimum embedding di-mension of a scalar time series.Physcai D, 1997;110:43—44

[10]Chang Chihchung, Lin Chihjen.LIBSVM:a library for support vec-tor machines, 2001.Soft ware available ot http:www.csie.htu.edu.tw/ncjlin/libsrm

变电设备状态检修技术研究 篇2

关键词：变电设备；定期检修；状态检修；在线监测

中图分类号：TM73 文献标识码：A 文章编号：1006-8937（2014）27-0020-01

1 电力设备检修技术发展概况

国内的电力设备检修方式经历了三个阶段，即事故检修阶段，目前仍在采用的定期检修和发展研究中的状态检修阶段。

事故检修是在监测、运行检修等技术非常落后的时期电力设备的主要检修方式，是电力设备已经发生了故障或异常，造成了供电问题之后才进行的事后维护、修复工作。在早期小电网规模时代，局部的电网线路及设备发生故障给对电网带来的影响有限，电网中的设施和设备非常简洁，电力生产规模也不大，用电则对供电可靠性、连续性要求不太高，所以当时采取在电力设备已经发生了故障或异常，造成了供电问题之后才进行的事后维护、修复工作。这种方式显然已经不能满足目前国内大电网的检修要求，不能满足供电可靠性的要求。

随着国家经济的全面发展，作为能源先驱的电力生产及保障电力传输的电网也在不断壮大，電力设备出现故障后带来的经济损失越来越大，对电网可能带来的冲击也更大，事故检修的滞后性特点决定了这种检修模式己经不能满足大电网输电线路安全运行的需要。所以从20世纪50年代开始，一些欧美发达国家电力生产及电网企业提出并开始采用预防性检修方式，即定期检修。定期检修方式针对不同的电力设备事先确定检修等级，设定固定时间或固定检修次数作为检修周期，每达到一次检修周期，不论电力设备的实际运行状态如何都要进行检修。这种检修方式在运行经验丰富，可以发现输电线路及设备的缺陷或故障，所以定期检修自出现开始就一直被采用为电网输电线路及设备的主要检修方式并沿用至今。但是，电力生产、输送及使用端对电网可靠性的要求一直在提高，电网规模进一步扩大，电网设备及电气技术水平也有了长足进步，定期检修所带来的人力物力消耗问题开始凸显。另外，由于计划性检修未能对输电线路及设备的设计裕量水平和实际运行环境状况进行判断，只是简单的重复周期性检修工作，难免存在部分设备“过度检修”，浪费了宝贵的人力和物力资源，部分设备“失修”，未能及时排除故障，维护设备，带来隐患等问题。所以，尽管广泛采用定期检修方式，电网企业仍在不断地研发新电力设备的检修方式。

随着电网的不断建设，以及坚强智能电网、在线监测等新技术的不断发展，电力设备的状态检修方式开始得到电网企业的关注和采用。状态检修方式不是简单的“不坏不修”策略，而是通过采用各种先进的在线检测技术和设备对电网中输电线路及设备的实际运行状态进行监测和评价，再根据输电线路及设备的运行水平评价结果参照状态评价体系，得出运行维护建议，再对电力设备进行目标明确的检修维护的新检修方式。显然，状态检修以电力设备的实际运行状况为考量，通过检测和诊断技术判断输电线路及设备的状况，进而可以对输电线路及设备可能发生的故障和部位进行判断，进行主动检修，做到有的放矢，针对性强，运行经济合理。目前，状态检修方式是耗费最低、技术最先进的检修方式，可以节约大量的人力和物力资源；状态检修还有效的预防及降低了故障发生概率，减少了停电检修时间，提高了线路运行的安全性和经济性，提高了电力系统供电可靠性。

2 状态检修系统的构成

设备状态监测和设备状态诊断是状态检修系统的两大主要组成部分。设备状态监测系统又包含了在线检测和非在线检测两部分，在线检测技术充分利用了快速发展的传感器技术和电子技术对所需数据进行采集，数据采集周期可以人为调节，通过控制机构和集成软件，在线检测设备对数据进行采集后传输给后续控制和集成软件处理，集成后建立输电线路及设备状态数据库，并可以生成数据报表和变化趋势图，其数据接口为后续专家诊断系统开放，以实现输电线路及设备实时运行状态的与正常参照状态评价体系（如状态量标准等）横向对比后进行评估，提出相应设备的检修计划。非在线检测部分主要包括了输电线路及设备的周期性巡视（也俗称巡线）和预防性试验，参照所得数据，与正常参照状态评价体系横向对比，评估得出检修计划策略。

3 状态检修系统检测项目

电力设备状态检修的检测项目包括了电气检测系统、机械力学检测系统和环境检测系统等。其中，电气检测系统包括了对绝缘子的分布电压检测，绝缘子污秽检测，雷击检测和接地系统检测等；机械力学检测系统包括了对导线弧垂、风偏及舞动、杆塔锈蚀及其基础的沉降移位，金具磨损、锈蚀、发热等检测；线路环境监测指的是线路跨越线路的记录，跨越区域树木生长情况监测，输电线路覆冰检测，盐密监测和其他气象条件的监测等。

4 状态检修系统存在的问题

4.1 变电设备历史状态信息样本量不够大

依赖监测设备和技术可以获取包括变电设备在内的电力设备的状态信息数据，这些数据与电网设备历史数据进行对比评估，从而得出检修策略，但是状态评价和风险评估的数据来源是历史数据，输电线路及设备历史状态信息样本量资料不足将会严重影响客观状态评价和风险评估，依赖专家的主观经验。所以要加强数据收集、管理系统化工作，提高电网输电线路和设备的客观状态评价和风险评估，得出正确的检修策略。

4.2 在线实时监测系统不够完善

变电设备的异常和潜在故障越早发现对检修越有利，给电网供电可靠性和连续性带来的影响就越小。状态检修方式正是凭借其评价输电线路及设备的运行情况，得出经济有效的主动检修策略而受到广泛关注，目前的监测系统及设备还不能做到实时监测，这就要求我们必须加强常规测试手段，做好状态信息收集管理工作，以电气设备预防性试验为基础，分析制订符合状态检修总策略要求的测试方法和周期。但是由于电网规模越来越大，人工预防性试验成本太高，不能完全依靠常规测试手段，并且线路检修工作量也越来越大，所以必须大力开发在线监测技术，以保证状态检修策略的正确性，保障输电线路及设备的安全稳定运行。

4.3 分布式电源和微网对状态检修带来的问题

电网规模越来越大，在长距离、超特高电压输电方式越来越成为常态的同时，新型能源如风电、太阳能发电等分布式电源和微网技术凭借其可以在电网末端灵活供电优势特点也得到越来越多的应用。但是分布式电源间歇性供电易受到环境变化影响的特点，也会对电网潮流分布和网络结构带来影响，研究含分布式电源的电网设备最优检修计划，具有重要的理论意义和工程实践价值。

5 结 语

变电设备的状态检修方式受检测技术、计算机技术和通信网络技术的影响很大，这些技术的发展和进步都将使状态检修更加完善和成熟。同时，状态检修的信息管理系统、评估与专家决策系统也会处于不断研发进步的过程中，这些技术和系统的研发都将使电网输电线路及设备的状态检修更加完善，使状态检修方式的经济性，可靠性等特点更具优势。电网各相关部门也需要加强人员组织培训，及时更新换代监测设备及技术，最后实现状态检修管理方式的全面应用。

参考文献：

[1] 陈三运，谭洪恩，江志刚.输变电设备的状态检修[M].北京：中国电力出版社，2004.

[2] 孙才新.输变电设备状态在线监测与诊断技术现状和前景[J].中国电力，2005，（2）.

轨道质量状态预测方法 篇3

国内外对轨道几何不平顺发展的研究归纳为2类: (1) 直接对轨检车动态检测数据进行相关因素的回归分析, 得出预测公式; (2) 在理论分析基础上, 通过室内试验得到计算公式, 再进行现场验证。由于道床下沉机理复杂, 无法用一般理论分析和室内试验的方法替代, 且随着现代化轨检车、综合检测车等先进检测设备的广泛应用, 为获得大量的轨道状态真实信息提供了技术保证。因此, 利用各种轨道不平顺动态检测数据对轨道状态规律进行分析和预测逐步成为当前世界各国研究轨道不平顺发展的主要方法。

1 局部轨道不平顺预测模型

日本学者利用轨检车的长期实测资料, 通过数据统计分析, 进行了大量研究, 极具代表性的是S预测公式;日本杉山德平等学者利用轨检车实测的轨道几何不平顺资料, 分析了列车速度、轨道结构、路基构造、通过运量等因素对轨道不平顺发展的影响, 通过回归分析, 得到轨道高低不平顺的非线性预测公式;日本研究人员在杉山德平的回归公式基础上, 对近2年的轨检车资料分析, 得出每25m长的轨道最大高低不平顺增长为0.16~1.08mm/100 d。

随着我国高速铁路的陆续开通运营, 在保证安全、舒适的前提下, 充分利用高技术检测手段研究探索轨道平顺性的变化发展规律, 并加以预测应用, 以科学、经济地指导养护维修, 更具有重要的实际意义。中国铁道科学研究院研究人员选用合武高速有砟线路及郑西、武广高速无砟线路的大量有效检测数据进行了研究。为定量化高速铁路轨道不平顺的发展程度, 选用了轨道不平顺的发展率计算公式 (式1) 进行计算分析。

式中:S为轨道不平顺发展率, mm/100 d;xi为第i次读取数值;ti为从第1次检测到第i次检测的累计天数;N为有效检测次数。

分析可知, 所选取的样本点在2010—2011年的变化均较为稳定。郑西、武广高速铁路高低发展率平均值为0.13mm/100d, 轨向发展率平均值为0.09mm/100d;合武高速铁路高低发展率平均值为0.18mm/100d, 轨向发展率平均值为0.07mm/100d。说明高速铁路结构建设的高标准对轨道不平顺的发展起到了较好的控制作用。在进行预测评估时, 工务部门可基于轨道不平顺幅值的发展率预测不同线路的发展速度。

2 区段不平顺预测模型

轨道区段的平均质量指标一般是将轨道区段中所有测点测值作为轨道状态基本元素参与统计运算。由于轨道结构的加强、大型养路机械的推广应用及对线路高品质、高均衡性的维修要求, 提速线路和高速线路的养护维修越来越侧重于轨道质量指数 (TQI) 的应用与管理。因此, 对TQI随时间变化规律的分析与预测是了解和掌握区段轨道不平顺发展、指导大型养路机械维修的重要内容。

基于大量检测数据, 一般对TQI或单项标准差采用线性和非线性2种预测方法进行研究。

2.1 线性预测模型

由于运量和时间一般为线性关系, 因此, 预测时可用时间代替运量。线性预测公式如下:

式中:TQI0为初期轨道质量指数;K为斜率;t为时间。

设某一200 m单元区段长度内, 所选轨检车检测次数为N, 其轨道质量指数为Xi, 距第一次检测的累积天数为ti (i=1, 2, …, N) , 采用最小二乘法计算K和TQI0。

2.2 新型灰色预测模型

由于轨道系统的复杂性, 轨道不平顺的产生与发展是很多具有随机性因素共同作用的结果, 如通过总重、单位时间、载重量、速度、轨道条件、路基构造、温度变化等。国内外大多数轨道不平顺预测模型都无法量化所有相关因素, 极大影响了预测精度。结合国内外有砟轨道相关成果, 认为高速或提速线路有砟轨道运营过程中, 2次维修作业之间的区段线路在众多复杂影响因素的综合作用下, 轨道结构随使用时间的增加质量必然劣化, 然而各影响因素作用的不确定性和彼此间的消长使TQI的时间序列发展过程不仅含有恶化趋势成分, 还含有沿趋势曲线的随机波动成分, 波动幅度随影响因素的随机作用而不同, 自然态势的发展模式见图1。

可见, 在轨道不平顺发展中存在较多不确定因素情况下, 对预测方法的选择主要考虑既要符合轨道不平顺总体趋势发展特征, 也要表现出其随机特征。

由于灰色系统理论是一种研究少数据、贫信息不确定问题的新方法, 适应于环境系统的内部作用机制, 可以将环境系统内部不明确的、难以定量的灰色量以数学模型形式提出, 并运用时间序列数据确定微分方程参量。根据实际情况, 从系统工程角度出发, 选择灰色系统不确定性理论作为预测理论基础, 基于“白色信息”——TQI时间序列数据, 采用GM类预测模型将轨道不平顺系统内部不明确的、难以定量的灰色信息以数学模型形式提出, 对轨道不平顺的未来状态作出科学的定量分析和预测。

设维修周期内所有TQI的时间序列为X={x (0) (t1) , x (0) (t2) , …, x (0) (tn) }, 其中x (0) (t1) 代表轨道质量稳定后的初始质量, 经过对传统核心灰色模型的一系列优化和修正, 新型灰色预测模型分为趋势预测和随机预测两部分。

趋势项序列 预测公式如下:

设其去除趋势项后的残差序列为:

考虑轨道不平顺发展中存在一系列周期性随机因素作用, 基于残差序列利用一系列周期组合波动模型进行模拟, 则随机项序列预测公式如下:

注: (1) 黑色实线为检测数据;黑色虚线为预测数据; (2) 各维修周期时间为相对时间。

则组合模型为:X=X (0) +Q。 (10)

根据灰色预测理论, 发展系数a (t) 反映灰色系统的规律发展趋势, 灰色作用量u (t) 反映整个系统行为模式的变化。因此, 结合式 (5) 可认为a (t) 、u (t) 决定了系统的主要趋势发展进程, 是灰色系统最重要的辨识参数。另外, 初值x (0) (t1) 在TQI时间序列中作为第一个元素, 代表了轨道质量系统发展的基点, 与大型养路机械 (简称大机) 维修后不久的初始质量意义吻合。因此, 整个轨道质量系统趋势发展可看作是由系统辨识参数a (t) 、u (t) 控制、基于x (0) (t1) 初始值的非线性时程函数。根据式 (7) — (10) , 轨道不平顺系统的随机波动发展也可看作时间函数。在具体轨道质量系统波动项计算过程中, 基于残差数列Q可得到函数q1 (ti) 和q2 (ti) 的参数h0、hj、lj、A、T及α、β、m0值。

因此, 对于组合模型来说, 随着这一系列辨识参数的确定, 整个轨道质量系统随机波动项的时程函数便可确定。

2.3 实例预测与比较

为比较说明线性预测和新型灰色预测效果, 取合武高速铁路一组TQI实测数据进行预测说明。新型灰色预测模型和线性模型拟合与预测效果对比见图2。

图2中除TQI实测值外, 分别采用线性拟合方法、新型灰色预测模型的趋势项模型和考虑了随机项的组合预测模型。可以看出, 相比线性模型, 新型灰色趋势项模型能够较好地提取和预测轨道不平顺发展趋势。加入随机项后, 能够更为合理地模拟TQI时间序列波动性的发展过程, 预测效果也较好。

3 轨道质量周期预测模型

轨道质量周期预测方法的研究对于宏观判断轨道结构状态、确定养护维修工作重点、延长轨道结构使用寿命有着重要的意义。在轨道不平顺的长期发展过程中, 工务部门一般采用大机对线路轨道不平顺发展较快的区段进行捣固和稳定作业。由于大机作业的改善效果非常明显, 可将轨道质量寿命划分为不同的维修周期。研究表明, 大机维修后的轨道不平顺系统会以改善后的初始质量重新进入新的发展周期, 可延长整个轨道结构的生命周期。

欧盟轨道养护维修管理系统 (Ecotrack) 的轨道结构生命周期模型中, 把轨道质量恶化过程分为快速恶化 (道床初始稳定期) 、线性恶化和快速恶化 (已超限, 不允许出现) 3个阶段 (见图3) 。进行轨道状态预测时, 主要对轨道质量线性部分的测量数据进行分析, 通过用测得的点和线性外推预测不同维修周期的轨道质量变化值。但实测数据表明, 轨道质量的发展并不完全是线性的, 非线性更符合轨道状态实际发展规律。

新型灰色预测模型是一种针对TQI时间序列发展较好的非线性预测模型, 以新型灰色非线性预测模型为基础, 进行轨道质量生命周期预测方法的探索研究。通过研究, 建立的轨道质量状态发展与修复模型见图4。

通过大机捣固来改善轨道质量, 在很多情况下, 捣固机械在垂向和轨道平面都能将轨道几何参数减小到一个相对稳定的水平。但捣固车不能改变恶化率, 只能延缓平顺性的恶化。因此, 有砟轨道每次捣固作业后不管校正效果如何, 当前的大机作业方法仍无法完全改变区段线路的结构特性, 改善后轨道不平顺系统的发展基本按照前一维修周期的发展态势进行, 这种关系称为轨道质量发展的“相关性”。

新型灰色非线性预测模型是基于对已知维修周期内TQI时间序列的趋势成分和随机成分的合理模拟而建立的, 所挖掘出的一系列辨识参数可表征轨道质量状态随时间发展变化的内在属性。因此, 将已知维修周期内TQI时间序列挖掘出的时程函数参数作为预测维修周期内TQI发展的特征参数, 在已知改善后的初始质量或大机作业效率KG (捣固前末期轨道质量/捣固后初始质量) 的前提下, 便可建立轨道质量不同维修周期的预测模型, 建模思路见图5。

根据工务部门的维修资料, 采用某200~250 km/h速度等级的提速干线上行检测数据进行验证分析。利用第Ⅰ维修周期的末期轨道质量和第Ⅱ维修周期的初始质量计算得到大机作业效率KG=4.328/5.658≈76%, 并假设为恒定值应用在第Ⅲ维修周期。根据第Ⅰ维修周期的实测TQI时间序列, 预测得到第Ⅱ、Ⅲ维修周期的TQI发展, 第Ⅱ、Ⅲ维修周期的实测值与预测值比较见图6。可见, 虽然部分预测值较实测值存在稍许偏差, 但在一定精度范围内, 模型还是较为合理地预测了第Ⅱ维修周期内TQI的趋势发展变化, 由于大机作业效率KG设为恒定值导致了第Ⅲ周期存在一定误差。而实际情况中, 经过大机捣固作业后的轨道状态改善关系并不一定恒定, 这也是影响模型预测精度的重要原因。目前, 我国在这方面的研究成果相对较少, 为使预测模型更加符合线路实际发展规律, 有必要对大机作业前后的轨道状态改善理论进行深入研究。

4 结论

预测轨道质量状态的发展与变化规律是实行预防性计划维修体制的关键技术, 对于科学实施轨道养护维修具有重要的实际意义。利用大量轨检数据对局部和区段轨道不平顺预测模型分别进行研究。局部轨道不平顺通过幅值点计算每百天变化率, 可为工务部门提供统计意义上的评估指标;区段轨道不平顺基于TQI时间序列, 通过建立线性回归预测模型和新型灰色非线性预测模型进行研究, 新型灰色非线性预测模型不仅在理论意义上符合轨道不平顺系统的发展, 还具有较好的拟合预测精度, 为解决轨道系统内部信息的不确定性因果关系提供了新的方法, 在此基础上建立的轨道质量周期预测模型较为合理地预测各维修周期内轨道质量的发展趋势, 可为研究轨道质量周期预测模型提供一种新思路。

参考文献

[1]许玉德.轨道不平顺预测理论及辅助决策系统的研究[D].北京:北京交通大学, 2003

[2]许玉德, 李海峰, 周宇.铁路轨道高低不平顺的预测方法[J].同济大学学报, 2003, 31 (3) :291-295

[3]许玉德, 吴纪才.利用线性预测模型分析轨道不平顺发展[J].石家庄铁道学院学报, 2005, 18 (3) :6-9

[4]陈宪麦, 王澜, 杨凤春, 等.用于铁路轨道不平顺预测的综合因子法[J].中国铁道科学, 2006, 27 (6) :27-31

[5]王建西, 李海锋, 许玉德.基于概率分布推移变化的铁路轨道几何状态评价与预测方法[J].中国铁道科学, 2008 (5) :31-34

[6]曲建军, 高亮, 张新奎, 等.灰色GM (1, 1) 非等时距修正模型在轨道质量预测中的应用[J].中国铁道科学, 2009, 30 (3) :5-8

[7]曲建军, 高亮, 田新宇.基于灰色理论的轨道几何状态中长期时变参数预测模型的研究[J].铁道学报, 2010, 32 (2) :55-59

[8]罗林, 张格明, 吴旺青, 等.轮轨系统轨道平顺状态的控制[M].北京:中国铁道出版社, 2006

[9]Rivier RE, Korpanec I.ECOTRACK:a Tool to reduce the Life Cycle Costs of the Track, Proceedings of the World Congress on Railway Research[J].Florence, 1997 (11) :289-295

[10]Jovanovic S, Esveld C.ECOTRACK:An objective condition-based Decision Support System for longterm track M&R Planning directed towards reduction of Life Cycle Costs[C].7th lnternational Heavy Haul Conference, Brisbane, Australia, 2001

[11]刘思峰, 党耀国, 方志耕.灰色系统理论及其应用[M].北京:科学出版社, 2007

试论继电保护状态检修技术 篇4

状态检修也叫预知性维修，顾名思义就是根据设备运行状态的好坏来确定是否对设备进行检修。状态检修是根据设备的状态而进行的预防性作业。状态检修首先由美国杜邦公司提出，以设备当前的工作状况为检修依据，通过状态监测手段，诊断设备健康状况，确定设备是否需要检修或最佳检修时机。状态检修的目标是减少设备停运时间，提高设备可靠性和可用系数，延长设备寿命，降低运行检修费用，改善设备运行性能，提高经济效益。

状态检修主要包含设备状态监测、设备诊断、检修决策三个环节。状态监测是状态检修的基础，状态监测是设备诊断的依据，检修决策就是根据设备监测与诊断的情况，确定具体的检修计划或策略。电力系统长期以来实行的以预防性计划检修为主的检修体制，主要依据检修规程来确定检修项目，存在设备缺陷较多的检修不足，设备状态较好的又检修过度的状况，一定程度上导致检修的盲目性，实际上很难真正实现“应修必修，修必修好”的检修目标。

二、继电保护检修现状

1.现行的计划检修体制虽然简单易行，但存在漏修、重修、检修混乱等问题，不能按设备的缺陷情况做到检修频率和检修力度的合理分配，无法实时发现并检修设备问题，致使电力系统存在故障隐患。简单来说，这种计划检修方法“费力不出工”；

2.因一次设备检修与二次设备检修之间出现重叠，二次设备检修要在一次设备停电时才能进行，这样不仅增加设备停用时间、造成经济损失，而且频繁的断路开路和设备的停运启动会增加操作危险和降低设备寿命，再加之更长的一次设备运转和更高的供电可靠性，检修体制继续改革；

3.继电保护检修作为维护电网正常运行的被迫手段，应尽量避免使用。且检修工作周密而复杂，检修频繁和操作不当反而会影响设备原有的可靠和稳定，致使继电保护装置误动、拒动。

三、继电保护状态检修特征

状态检修是基于设备状态，利用各种监测方法，结合设备运行状况等进行分析，针对故障的影响及趋势的监测和诊断结果，科学安排检修时间和项目的检修方式。这其中包含三个流程：设备状态监测，故障分析诊断，检修决策制定。继电保护状态检修通常是针对电气二次设备状态进行的，能有效弥补计划检修方式的不足，是未来设备检修的趋势所在。

继电保护状态检修包括：设备状态、故障监测，诊断信息分析与处理，继电保护装置带电检验、故障排查，检修后的复查验收，检修记录总结归档等多个方面。继电保护状态检修可以保证设备有效运行时长，提高继电保护质量，增进企业经济收益，减员增效优化运行，实现继电保护管理的“能控、实控、优控”，为电网安全稳定运行保驾护航。

四、继电保护状态检修原理

继电保护状态检修基于设备的状态监测，检修伊始要对继电保护设备的可靠性（启闭迅速可靠，无滞后）进行分析，可靠性数学模型为Markov Model，这里采用可靠度函数R（t）做定量分析：

其中f（x）为故障密度函数

继电保护的可靠性以下参数表示：

继电保护设备故障率=（设备预定功能—设备故障造成的功能损耗）/设备预定功能

机电设备故障率随时间的变化符合weibull提出的“浴盆曲线”，可靠性评估可以依据此曲线，对继电保护部件的可靠性进行监测分析，通过进行纵向和横向比较，对故障影响程度和影响趋势做出判断，合理确定检修时间和检修手段。

继电保护以预防为主进行检验。因继电保护装置在电力系统正常运行时处于静止预防状态，只有当发生故障或异常时，继电保护装置才会应激启动，因此及时对其进行检验是最为有效的手段。

现场继电保护带电检验可以就计划检验中的不足进行一一补足，通过作业人员的现场检验，针对即时出现的情况，进行数据资料的分析和比对迅速得出处理措施，实现在一次设备带电运行状态下的继电保护装置校验。

五、继电保护状态检修应注意的问题

1. 加强继电保护装置的定期检验。实行状态检验以后，为了确保继电保护和自动装置的安全运行，要加强定期测试，所有集成、微机和晶体管保护要每半年进行一次定期测试，测试项目包括：微机保护要打印采样报告、定值报告、零漂值，并要对报告进行综合分析，做出结论；晶体管保护要测试电源和逻辑工作点电位，现场发现问题要找出原因，及时处理。

2. 重视状态检修的技术管理要求。状态检修需要科学的管理来支撑。继电保护装置在电力系统中通常是处于静态的，但在电力系统中，需要了解的恰巧是继电保护装置在电力系统故障时是否能快速准确地动作，即要把握继电保护装置动态的“状态”。因此，根据对继电保护装置静态特性的认识，对其动态特性进行判断显然是不合适的。因此，通过模拟继电保护装置在电力事故和异常情况下感受的参数，使继电保护装置启动和动作，检查继电保护装置应具有的逻辑功能和动作特性，从而了解和把握继电保护装置状况，这种继电保护装置的检验，对于电力系统是很有必要的和必须的。

3.状态检修的经济性要求。状态检修的一个重要特点就是依靠技术经济分析进行决策。有针对性地按项目和诊断结果的检修取代了以往的带有盲目性的强制计划检修，其结果是减少了不足维修带来的强迫停运损失和事故维修损失，减少了过剩维修，提高了维修工作的效率，增加了设备可用率，节约了大量检修费用。在状态检修的实践中，没有经济效益的技术是不适用的。解决这个问题的办法除了研究更加廉价的技术手段外，必须发挥人的力量，更加有效地采用管理的手段，使检修决策工作能够适合实际的需要和可能。

4. 高素质检修人员的培养。状态检修对检修人员技术素质的要求主要体现在掌握状态监测和故障分析的手段，能综合评价设备的健康状态；参与检修决策，能制定优化检修计划和检修工艺；有丰富的检修经验和高超的检修技术等方面。高素质检修人员是状态检修能否取得成功的关键。在传统的检修模式中，运行人员是不参与检修工作的。状态检修要求运行人员与检修有更多联系，因为运行人员对设备的状态变化非常了解，他们直接参与检修决策和检修工作对提高检修效率和质量有积极意义。

六、结语

综上所述，随着我国电力技术和通信技的不断发展，系统的稳定性对继电保护及自动装置的要求越来越高，不但要求继电保护装置具有良好的可靠性，同时也要求其具有较好的稳定性。因此，迫切希望能实现对继电保护状态检修管理由“到期必修，修必修好”的方针向“应修必修、修必修好”的观念转变，这就要求继电保护人员应当在施工、检修及试验过程中，规范作业，才能保证保护装置可靠性、稳定性。

参考文献：

[1]林君芳，陆兵.刍议继电保护状态检修技术的发展与应用[J].硅谷，2011（11）.

[2]邹宗填.浅析电力系统继电保护状态检修[J].无线互联科技，2011（5）.

电力线路的状态检修和缺陷预测 篇5

1 电力线路的检修方式

1.1 检修的方式

一般检修的方式有两种, 分别是定期检修以及状态检修。定期检修是一项相对传统的检修方法, 出现的时间比较早, 并且发挥的作用非常明显。但是同样的伴随着供电技术的不断发展以及管理水平的不断提高, 此项检修方式越来越无法适应现代社会的发展需求了。从本质上来说, 定期电力检修考虑的范围过于狭隘, 设备千差万别的形式其根本没有进行考虑, 所以片面的电力线路状态检修, 是无法取得良好的检修成果的。而另一种状态检修方式, 是随着电力线路的发展而出现的一种与发展形态相适应的评价方式, 其是依据电力线路运行的情况分析风险等级, 这样从实际情况出发, 能够更好的确保电力线路运行的可靠性, 并且优化检修方式。此项检修方式和传统的定期检修方式相比, 优势更加的明显, 不论是针对性还是效率性都会更高。能够明显降低电力线路检修的资金投入, 还能够有效的减轻电力工作人员的工作量。从整体方面来说, 状态检修的方式不管是理论知识或是实际操作, 取得的发展都是不容忽视的。但是, 就目前我国发展的形式而言, 还是有很多不足的地方, 和一些发达国家相比, 还是存在一定的差距的。

1.2 传统电力线路状态检修的缺陷

第一, 传统的电力线路检修一般是用时间作为检测周期制定一系列的检修计划, 这种检修方式其实存在很多的弊端, 没有针对性, 会在耗费了大量的人力物力之后还得不到良好的效果。因此电力线路检修的费用一直盘踞高位, 这种资源大量消费的检修方式已经和现在的电力供电要求脱节。第二, 因为一个很普遍的要素就是电力线路一般都比较长, 而且分布的地区相对广泛, 因此工作任务无形中就增加了很多。使得检修人员常常是不能全面的兼顾的各项检修业务, 检修的质量很难保证, 进而造成供电的可靠性严重不足。第三, 电力线路的检修一般是一年开展一次停电检修, 但是线路不正常以及用技能型过程中的问题并不是固定在某个时间段出现的, 造成很多的弊端问题得不到及时解决, 使得弊端由小变大, 像个雪球一样越滚越大, 拉低整体线路的健康稳定。

2 电力线路检修的预测的方式

检修电力线路时, 构建一个特别的检修系统是非常有必要的。构建电力线路检修系统主要是为了能够有效的安排电力线路检修的顺序。电力线路检修预测不是随意为之的, 而是有一定的规章制度, 需要一步一步有条不紊的根据相关的程序路线进行检测。

2.1 建模

电力线路检测系统的建立是至关重要的, 并且其占据的地位也是至关重要的。前文中简单介绍了电力线路检修系统建立的目的是为了能够合理有效的安排检修的次序。因为只有明白的整体的框架结构, 在真正开展实施工作时才能够有方向性。

2.2 获取数据

一般情况下, 需要获得的数据有两个方面的内容。一个是缺陷等级参数, 另一个是线路关键程度参数。

(1) 缺陷等级参数:取得此项参数的过程并不容易, 有很多繁杂的步骤存在。一般情况下, 获取这项参数都是根据经验出发, 从丰富的工作经验中取得指导, 并且根据其他的事故进行分析总结, 再结合自身, 取得所需的参数。

(2) 线路关键程度参数:因为线路自身在模型中的地位是非常关键的, 其和模型系统中的地位存在着一定的差异, 因此对于一些作用性较强的线路需要先期进行排查。

还有一个出现地位较重的参数就是缺陷个数矩阵参数。获得此项参数并不像缺陷等级参数一样难以获取, 其获取的方式较为容易。像是能够观察供电局日常的巡视报表, 然后对得到的数据总结分类排查, 就可以得到了相关的参数了。另外, 最后一步, 也是最重要的一步就是对实际运行的效果进行观察, 确保实际检修的效果和事先预计的效果相一致。长时间的实践积累确定了线路检修的优越性的, 其不但能够提升整体电力线路运行的安全性, 也能够最大程度的避免发生电力线路缺陷的情况。另外一点, 因为电力线路检修安排的方式相对合理, 所以就算是出现了情况较为严重的雷电情况, 跳闸的情况也能够大大减少。

3 电力线路缺陷的预测方式选择

现如今存在的电力线路预测方式并不只是有一两种, 而是存在很多种各种各样的方法一般使用的较多的方式有以下几种。

3.1 时间序列法

主要是通过分析之间获得的统计数据, 根据时间的变化找出其自身的变化规律, 并根据此项规律建立时间模型, 从而进一步寻求出潜在的缺陷数值。简单的说就是根据过去的情况总结, 预测未来的发展趋势, 未来的情况是根据过去的发展确定的。

3.2 回归分析法

此项方法是指自身已经掌握了大量的数据, 通过数理计算, 将变量和自变量之间的关系表达出来。因为电力线路缺陷出现并不是定性的, 随机性很强, 需要大量的数据统计, 观察分析得出其中的规律。

3.3 专家系统法

专家系统法其实是人工智能法中的一项内容, 能够将其认为是经验知识都十分丰富的计算机程序系统。很多情况下, 电力线路检修中发现缺陷相对复杂, 而专家系统法一般都是解决一些复杂性较强的问题。此项方法不但能够节省大量的人力脑力活动, 还能够明显减少项目开支。

这些方法各自的优缺点都比较突出, 在选择时, 需要根据自身线路系统检修的实际情况确定选择哪种。选择合适的方法, 检修起来就已经成功了一半, 不然只能取得事倍功半的效果。

4 结语

经过文中的简单描述, 综合使用各项操作方案, 能够确保电力线路安全稳定运行, 与此同时, 还能够提高供电企业在管理方面的水平。近些年, 科学技术的发展不断有新的突破, 电力线路状态检修的方案也在逐渐的深化完善, 对未来的电力线路检修工作提供的支持也会越来越大。提升电力企业的供电稳定性, 保障用户的用电权益, 减少电力事故发生的概率, 能够对电力部门的竞争力有更好的提升。因此强化电力线路的检修力度, 以及充实相关缺陷的预测工作, 具有十分必要的现实性意义。

摘要：现如今的市场经济状况之下, 各行各业之间的竞争都特别强烈, 包括电力行业。我国的电网规模不断的扩大, 传统的电力线路检修远远不能满足现如今社会发展的要求。在此项环境背景之下, 人们对供电的可靠性有了更高的要求, 因此电力部门之间的竞争也包括了提供可靠性服务这一项。提高电力部门的竞争力, 不但需要强化服务, 也需要减少电力事故发生的概率, 其主要措施就是强化电力线路的检修以及对其的缺陷进行预测分析。从此项方面考虑, 简单分析了电力线路检修在传统形式上存在的缺陷, 并在此项基础上完成了电力线路的检修并且对电力线路缺陷的预测系统进行了分析, 以及能够提升电力线路可靠运行的概率。

关键词：电力线路,状态检修,缺陷预测

参考文献

[1]郑建平, 梁锦照, 焦连伟.电力线路的状态检修和缺陷预测[J].电力系统自动化, 2010, 12 (30) .

[2]吴创现.电力线路的状态检修与缺陷预测探讨[J], 科技致富向导, 2011, 11 (05) .

[3]陈菲.电力线路检修及缺陷的预测方法[J].电源技术应用, 2013, 05 (15) .

电气设备维护与健康状态预测 篇6

在企业的生产管理中, 设备管理是其重要的一个组成部分, 设备管理的水平及可靠性会影响企业的持续发展、生产水平及生产效率等[1]。目前, 国内大型企业由于设备种类繁杂, 管理流程繁琐, 涉及的管理和技术问题非常复杂, 经常因设备日常维护不到位、点检制度不合理、备品备件供应控制缺失等导致企业生产需求与设备资产生产能力之间产生的矛盾越来越突出, 甚至严重影响了企业的正常生产经营。为此, 企业需投入更多的设备资产来满足正常生产和市场需求, 但更新设备需要投入巨大的资金和人力, 对设备进行合理有效的维护来降低故障发生率, 已经成为企业降低生产成本、提高生产效率和市场竞争力的重要手段之一。对设备的健康状态进行有效预测, 还可以避免由于可能的突发故障造成的人员伤亡和企业经济损失。因此, 及时对设备的健康状态进行评估、预测设备剩余寿命, 以确定设备正常、稳定的工作是当今各行各业最为关注的问题。

传统的设备状态检测一般跟踪合同订单, 及时巡检设备, 以发现有可能发生故障的设备。文献中多采用构建设备状态评价模型, 分析整个设备系统的实际运行状态, 采用过程产品物理和几何变化信息检测设备状态和潜在故障的方法, 构建面向设备及其产品的一体化健康状态评价模型[2~3]。很多学者利用仪表数据进行分析, 判断干扰和异常信号, 从而对设备健康状态进行评价, 并进行设备寿命预测, 例如文献[4~5]分析振动信号、文献[6]分析油液光谱分析数据。文献[7]从残差信号中分析断层影响参数, 从而进行变速箱振动数据失效分析, 达到变速箱状态评价的目的。如果可以采用数学模型描述设备故障问题, 则可以采用基于模型的方法对被测信息进行诊断处理。

由于人工神经网络技术具有不依赖精确数学模型, 只要有足够中间隐层节点, 就能够以任意小的误差逼近任何函数、训练简洁、学习效率高等优点, 因此, 本文采用基于径向基函数 ( RBF) 的神经网络技术, 对设备进行分类管理, 进行设备状态预测, 实现设备有效维护。实验结果证明, 本文设计的方法能够提高设备健康状态的有效检测, 为设备维护决策提供有效依据。

二、基于RBF的电气设备维护与健康状态预测

( 一) 电气设备维护与健康状态预测策略。电气设备按照其使用寿命一般可以分为“大修、小修、报废、正常”四种健康状态。由于各仪表数据与设备健康状态结果之间的关系是未知的非线性关系, 可以用公式表示如下:

其中f代表未知的非线性关系, Y代表健康状态。按照输出值Y值大小区域划分如表1 所示的“大修、小修、报废、正常”四种状态。

为了充分利用仪表数据, 且由于大部分的设备故障模型很难采用精确的数学模型描述, 因此采用神经网络技术进行仪表数据与设备健康状态之间的建模。首先利用仪表采集系统进行数据采集与处理, 输送给RBF神经网络系统进行建模, 输入为各种仪表信号, 网络输出为0 ~ 1 之间的数值, 再根据表1 进行语义解释, 最后得到“大修、小修、报废、正常”四种健康状态结论, 最后根据该结论进行设备的维护方案设计。

首先建立如图1 所示的神经网络模型。针对不同的设备建立不同的神经网络模型, 每个神经网络模型依据可得的设备仪表数据量, 确定模型输入节点。

以空调设备为例, 建立空调健康状态预测和维护模型。一般可以利用传感器获得环境温度、湿度、二氧化碳浓度、空调设备的电压、电流、连续运行时间、购买时间及相应的操作信息 ( 开、关) , 设计RBF网络的输入节点为8 个, 分别输入上述仪表信息, 输出为1 个节点, 分别代表“大修、小修、报废、正常”四种健康状态, 依次量化为如表1 所示的四个区域。

( 二) 基于RBF的电气设备维护与健康状态预测算法。由于高斯函数形式简单、径向对称、光滑性好、易解析, 因此采用高斯函数作为激活函数, 采用8 - h - 1 的网络结构, h为隐层节点数; 输入节点数为8, 则可以表示为:

其中W为估计权值矩阵, φ 为激活函数, c分别为隐节点中心估计值和标准化参数, 其中h为隐层节点数。

输入X1, X2, X3, …, X8分别代表环境温度、湿度、二氧化碳浓度、空调设备的电压、电流、连续运行时间、购买时间及相应的操作信息 ( 开、关) 。隐层节点中心ci和数目h的选取是关键问题。不恰当的选择会使网络隐层节点空间无法实现从非线性的输入空间到线性输出空间的转换。具体学习方法采用减法聚类算法[8], 对样本进行归一化之后, 进行如下步骤的减法聚类过程:

其中:

其中X =[X1, X2, X3, …, X8]T∈R8 × 1; n代表样本数; h代表隐层节点数; ci为初始聚类中心; wq代表联接权系数; φm为隶属于第m个聚类的数据对; nm为隶属于第m个聚类的样本个数; η1和 η2为给定接受比拒绝比; ra、rb、rth、Pth为给定合理值。

三、实验研究

采集某个大型建筑物内空调供暖设备进行实验研究。针对103 个空调进行健康状态预测分析。采集历史数据进行建模后, 得到模型参数设置如下:

( 一) 参数设置。高斯半径= 0. 5。采用减法聚类离线确定网络初始值时, σ = 0. 58, rth= 0. 34, ra= 0. 2, rb= 0. 3。接受比和拒绝比分别为 η1= 0. 5, η2= 0. 15, 减法聚类后得到6 个中心点。

( 二) 验证。利用上述建立的建筑设备健康状态预测模型对2011. 12. 12 的空调设备健康状态进行预测, 并利用后来的1年内空调设备维护历史记录进行验证。验证如表2 所示。由本文提出的基于RBF算法的设备健康状态预测方法得到的大修、小修、报废和正常的空调数分别为12, 26, 6, 59 个, 而在后来一年内的历史记录中可以获得实际需要维护的设备数分别为12, 24, 5, 62 个, 对应的“大修、小修、报废和正常”命中率分别为100% , 92. 3% , 83. 3% 和95. 2% 。实验结果说明本文提出的RBF算法的空调设备健康状态预测方法的预测命中率较高, 作为后续的设备维护策略设计具有一定的指导意义。

四、结语

由于设备管理是企业生产管理中一个重要的组成部分, 及时对设备的健康状态进行评估、预测设备剩余寿命, 以确定设备正常、稳定的工作是当今各行各业最为关注的问题。本文采用神经网络技术, 提出基于RBF网络的设备健康状态预测方法, 能够对设备健康状态进行有效预测, 可以为后续的设备维护策略提供一定的指导意义。

参考文献

[1]潘家轺.现代生产管理学[M].北京:清华大学出版社, 2004

[2]宾光富, 李学军, 楚万文.基于模糊层次分析法的设备状态系统量化评价新方法[J].系统工程理论与实践, 2010, 4:744~750

[3]周津慧.重大设备状态检测与寿命预测方法研究[D].西安电子科技大学, 2006

[4]周月琴.机械设备状态检测系统设计及其信号处理算法研究[D].南京信息工程大学, 2008

[5]杨永生.基于状态监测的机械设备可靠性评估模型[J].四川兵工学报, 2010, 31 (7) :49~51

[6]张英锋, 马彪, 郑长松, 等.基于油液光谱分析的PCA-AHP综合传动健康状态评价研究[J].光谱学与光谱分析, 2010, 30 (4) :1008~1012

[7]Lin D, Wiseman M, Banjevic D, et al.An approach to signal processing and condition-based maintenance for gearboxes subject to tooth failure[J].Mechanical Systems and Signal Processing, 2004, 18 (5) :993~1007

技术状态预测 篇7

关键词：煤矿企业,经营状态,预测

一、国有大型煤矿企业及生产经营过程特点

国有大型煤矿企业主要是指由国家投资兴办，生产资料属于全民所有，由国家煤炭工业主管部门直接管理或为主管理、或与地方共管的煤矿。这类煤矿生产的煤炭绝大部分由国家统一分配，面向全国供冶金、电力、化工、建材等工业部门，交通运输部门和大中城市用煤，同时调剂弥补缺煤省(自治区、直辖市)的不足，只有极少部分由煤自销进入市场。近年来，随着改革开放的深入和社会主义市场经济的发展，自销比重正在逐步扩大。这类煤矿的生产规模较大，现代化程度较高，代表着国家煤炭工业的发展水平，是我国煤炭工业的主体，是保证国民经济持续、稳定、健康发展所需煤炭的主要来源。

作为国有大型国有企业，国有大型煤矿企业除具有国有大型国有共同的特点外还具有煤炭行业的特殊性。

（一）国家政策导向对国有大型煤矿企业影响很大

煤炭属于不可再生资源，我国是“富煤、贫油、少气”的国家，我国石油能源有限，对进口依赖较大，而且国际油价变幻莫测，因此在未来可以预见的时期内，这一特点决定了煤炭将在一次性能源生产和消费中占据主导地位且长期不会改变。

（二）自然环境对国有大型煤矿企业影响巨大

煤炭的生产过程，既是煤炭产品的生产过程，又是生态环境破坏、资源枯竭的过程。对于煤炭企业来讲，环境资源不仅是组织生产活动的潜在基础，而且是一种生产要素，因此煤炭生产活动的开展是以资源的减少和生态环境系统的结构发生变化为前提的。随着煤炭生产的发展，煤炭资源越来越少、大范围的地表塌陷、大量煤矸石的堆积，导致大量耕地的占用和破坏、大量废水废气的排放，引起周边耕地的劣化和空气污染。因此煤炭企业因资源环境破坏而付出的代价和保护资源环境而支付的费用与其他行业相比更高。

（三）与其他能源开采行业相比煤炭产业存在严重的安全问题

煤炭资源都是埋藏于地下，开采过程属于地下作业，生产环境恶劣，生产过程复杂，受到水、火、瓦斯、煤尘和冒顶等多种自然灾害的威胁，致使煤矿生产安全问题较其他行业更重要、更复杂、更难解决，以至于对于煤炭开采的安全建立了专门的评价指标———百万吨死亡率指标。

（四）国有企业管理滞后

国有企业管理有一套经营多年的现成规范，多年积累的经营数据，但传统数据整理方法是手工整理，数据时间延续性和准确性存在不足。

客观准确地反映我国国有大型煤矿企业的经营状态，一直以来都是企业和学术界十分关注的一个课题，因为只有准确客观地反映了企业的经营状态，才可能对其经营状态进行预测，这也为加强对煤矿企业的科学管理提供了前提条件。煤矿企业是通过月报表、季报表和年报表来体现其经营状况的，这也是领导者做计划和决策的依据。现在的科学管理和科学研究讲究通过数据说话，因此客观地反映国有大型煤矿企业的经营状态就要求能够客观地获取和识别反映这一经营状态的统计资料。虽然国有大型煤矿企业能够定期统计出反映经营状况的资料，但是这些资料是否足够准确，而现有的管理方法能否做出科学的计划和决策，都是目前面临的主要困难。

二、国有大型煤矿企业经营状态预测现状及面临的问题

统计预测的方法按性质来分，可以分为定性预测法和定量预测法。定性预测法是以逻辑判断为主的预测方法，主要是根据所掌握的资料并结合各因素对事物发展的影响做出判断，并将此种判断定量化，该方法适用于缺乏历史统计资料事件的预测。定量预测法是以数学模型为主的预测方法，一般有回归预测法、经济计量模型法和时间序列预测法。回归分析是研究变量与变量之间相互关系的一种数理统计方法，具体有一元线性回归、多元线性回归和非线性回归预测法。时间序列预测法是一种考虑变量随时间发展变化规律并用该变量的以往统计资料建立数学模型进行预测的方法，这类方法应用广泛，可以分为确定型和不确定型时间序列法。确定型时间序列法有移动平均法、指数平滑法、趋势外推法等。不确定型时间序列法有我们所熟悉的博克斯-詹金斯法。目前，国有大型煤矿企业经营状态预测面临的难题主要有以下方面。

（一）国有大型煤矿企业经营状态数据量大且存在噪声

首先，国有大型煤矿企业结构复杂，一般一个矿业集团由几个大型煤矿分公司组成，各分公司又由各矿组成。其次，国有大型煤矿企业产品种类繁多，既有主营项目，又有副产品，包括煤、煤气、煤焦油、焦炭、电、水泥、红砖、炸药等等。最后，煤炭企业存在严重的安全隐患，这是因为煤炭开采是在地下作业，而地质结构变化万千，在没有打开之前是不能够知道其结构的，因此在开采过程中存在安全隐患。由此可知国有大型煤矿企业经营数据量非常庞大，而矿业集团的产销量的确定是由各个矿的产销量叠加后计算出来的，中间一个环节数据出现问题都会影响最后的矿业集团数据准确度。某些数据可能会由于统计不准确以及出现安全事故而导致出现严重的噪声数据。

（二）经营状态预测的非线性特征

由于企业经营状态影响因素较多，可能任何一个环节都会影响到企业的经营状态，而对国有描述煤矿企业经营状态的指标数据由于受到诸多因素的影响，其变化规律并不是线性的，而大多情况是非线性的。例如，产量指标，由于受到回采煤量、准备煤量、开拓煤量的影响，或者由于其他因素导致短时间的停产，都会致使产量发生变化，与其联系的销售量、利润等指标也会发生变化。而一些线性方法只能在长期的预测中体现出较高的拟合能力，但是在短期的预测上有较大的出入。

（三）国有大型企业经营有很强的政策性

煤炭资源属于不可再生资源，开采过程中对当地环境也有很大影响，这些因素导致煤炭企业的经营受国家政策影响较大，要符合国家和谐发展、绿色发展的需要，因此其经营状态很难预测。

（四）预测结果要符合精度要求

一种解决问题的方法，一个好的模型，必须具有一定的理论基础，没有理论支持的模型，其可信度将会受到质疑，而且模型必须经得起实践检验，经不起实践检验的方法或模型，其实际价值将大打折扣。由于现在对非线性指标进行预测的方法比较多，但是它们所达到的精确度是不同的，有的精确度高，但有的精确度就比较低，即预测值要比实际统计真值相差很多。

三、遗传神经网络用于企业经营状态预测中的优势

由于传统预测方法在实际预测应用中遇到了很多难以逾越的鸿沟，需要新的方法来合理的解决这些难题，本文选取遗传神经网络模型作为建立国有大型煤矿企业经营状态预测模型的原因主要有以下几点：

第一，神经网络是一种比较成熟的理论和方法。它是作为对人脑最简单的一种抽象和模拟，是对人的大脑系统一定特性的描述。简单地讲，它是一个数学模型，可以用电子线路来实现或用计算机来模拟人的自然智能。近20年来，神经网络技术迅猛发展，已经在智能控制、模式识别、计算机视觉、非线性优化、信号处理等方面取得巨大的成功和进展，现在已经成为人工智能研究的重要领域之一。

第二，遗传神经网络在时间序列预测、非线性预测方面的运用相当成功。这方面的文献资料相对较多，如赵振勇的《基于遗传BP神经网络的股市预测》，柏熙的《神经网络与遗传算法在煤矿智能监控系统中的预测模型研究》等。比较详细地介绍了遗传算法和神经网络的基本原理和学习算法，建立了基于该原理的BP应用模型，并通过实例进行了验证。

第三，神经网络模型能够满足预测的需要。描述国有大型煤矿企业经营状态的指标数据量大且存在噪声，由于受到周围环境的影响，所呈现出的特征是非线性变化的，而遗传神经网络所具有的特征完全能够满足这种非线性变化的要求，个别的噪声数据不会影响到最终的预测结果，通过神经网络在其他领域的运用已经证明了神经网络模型能够满足预测的整体需要。

第四，由于遗传算法的特点是种群搜索和种群中个体之间交换信息，搜索不依赖于梯度信息和问题本身，具有的鲁棒性和全局搜索能力，利用遗传算法来优化BP神经网络的初始权值的方法解决了BP神经网络收敛速度慢，且常受局部极小点的困扰，可以使预测的精度更高，同时可以解决随即生成BP神经网络初始权值在运算过程中的稳定性差的问题。

四、结论

综上所述，遗传神经网络对于非线性高维、高阶问题神经网络能力会得到更好的发挥，同时可以解决传统方法在预测中对数据要求过于苛刻的问题，它能够在信息源不完整、不准确等复杂的数据环境下，通过其自身结构的调整过程，提取数据特性，并对未来做出有效的预测。遗传神经网络为解决非线性预测问题提供了较好的模型基础，根据以前学者在其他领域预测的结果，也可以得知其精确度要明显优于其他传统的非线性预测方法，适合用于国有大型煤矿企业经营状态预测。

参考文献

[1]、唐万梅.几个预测方法及模型的研究[D].内蒙古大学理学院, 2006.

[2]、赵振勇.基于遗传BP神经网络的股市预测[D].贵州大学, 2007.

[3]、韩立群.人工神经网络理论、设计及应用 (第二版) [M].化学工业出版社, 2007.

[4]、王小平, 曹立明.遗传算法——理论、应用与软件实现[M].西安交通大学出版社, 2002.

技术状态预测 篇8

关键词：区域交通状态,时间序列模型,主成分分析,模糊综合评判

0引言

道路状态判别分析是对路段上的交通实时数据进行处理和预测后, 定性或定量地区分出交通状态差异, 从而发现区域路网中是否存在交通拥挤以及拥挤程度, 其目的是为区域交通控制方案、 诱导策略制定及疏散交通拥挤提供依据［１］。

许多专家将模糊数学和成分分析方法应用于交通领域, 并取得了较丰富的研究成果。 刘海青［２］等以路段平均行程时间为描述交通拥挤的参数, 利用主成分分析法确立了各个路段对区域拥挤的影响权重, 用模糊评价法对区域路网拥挤状况进行了评估;杨兆升［３］等选取交叉口进口道最大相位饱和度、进口道的平均最大排队长度比和路段平均车速为特征参数, 设计了1种基于模糊综合评判的道路交通状态分析模型。

交通状态的判别问题也属于模式本身界线不确定的问题, 由于路段多且结构复杂, 使得区域状态判别成为一大研究难点。笔者以时间序列模型进行数据预测, 以速度和流量作为状态判别模型的输入, 利用主成分分析的统计方法将影响路网总延误的成分降维, 再结合采用模糊综合判别的方法来判定区域道路的交通状态。

1数据的预测

1.1交通状态参数的选择分析

交通状态的各个参数都有一定的阈值, 超过这个阈值, 交通状态就会发生变化。不同的交通状态下, 许多交通参数都有明显的区别, 通过对参数的适当选取和综合分析就可以定性、定量的区别出道路的不同交通状态。常用到的参数有交通流量、通行能力、交通密度、占有率及速度等。对于交通参与者来说, 道路交通拥挤主要表现在行程速度下降、路段交通流量的增加和到达目的地的行车时间的增加, 这是道路上拥挤交通流的主要特征［４］。笔者选取平均速度和流量作为判别因素。

1.2交通子区划分的原则

以其他学者的研究为基础, 结合实际路网的具体情况制定了如下几条子区划分原则。

1) 周期原则。相邻交叉口信号最佳周期长度相近, 表明其交通状况相似。周期长度应根据当地实际情况, 考察周期时长与交通状况的相关性, 经实地观测调查后确定。

2) 流量原则。若相邻各交叉口流量都大于某个值, 说明交叉口交通拥挤程度比较高, 甚至已处于交通阻塞状态。为了迅速分流, 缓解这种局部交通拥挤, 应把这些交叉口划入同1个交通控制子区。

3) 距离原则。经现场观测调查后, 根据2路口间距确定将这2个交叉口分开或合并［５］。

笔者考虑的是以控制子区为主, 定性地对子区实行划分, 主要结合实际的交通工程经验对小范围路网进行分析和划分。

1.3时间序列模型概述

对于平稳、正态、零均值的时间序列{Xｔ}, 若{Xｔ}的取值不仅与其前n步的各个取值{Xｔ－１}, {Xｔ－２}, …, {Xｔ－ｎ}有关, 而且还与前m步的干扰{aｔ－１}, {aｔ－２}, …, {aｔ－ｍ}有关 (n, m=1, 2, …) , 则按多元线行回归的思想, 可得到最一般的ARMA模型

式中:φｉ (i=1, 2, …, n) 为自回归参数;θｊ (j=1, 2, …, m) 为滑动平均参数;{aｔ}序列为白噪声序列。式 (1) 称为xｉ的自回归滑动平均模型, 记为ARMA (n, m) 模型。

特殊地, 当θｊ=0时, 模型式 (1) 变为

式 (2) 为n阶自回归模型, 记为AR (n) 模型。

当φｉ=0时, 模型 (1) 变为

式 (3) 为m阶滑动平均模型, 记为MA (m) 模型。

2区域拥挤模糊评价

2.1区域交通状态的主成分定义

在区域交通状态判别的过程中, 为了克服由专家法确定指标权重所带来的缺陷, 将区域路网中各个路段作为区域交通拥挤的影响成分, 利用主成分分析法对实际路况交通流样本信息进行处理, 以获得客观合理的指标权重。

主成分分析法是1种从多元信息中解析出主要影响因素, 把多指标转化为少数几个综合指标的多元统计分析方法。第i个主成分对应的特征值在总特征值中所占的比例, 为第i个主成分的贡献率, 代表了该主成分在整个原始变量分析中所承担的意义和占的比重。按特征值由大到小排列, 则前m个主成分的累积贡献率为, 代表了前m个主成分在整个原始变量分析中所承担的意义和占的比重。即用前m个主成分代替原来的变量时, 累积贡献率越大, 可靠性越高。一般取累积贡献率≥80%, 可以有效满足所选取的主成分反映原始数据主要信息的需求。

通常是评价指标参数方差大、数据波动范围大的路段具有较高的权重。因为这样的路段拥挤状态受路段本身各种因素的影响, 对交通流量的变化很敏感, 极易发生拥堵并影响与其相交的其他路段。这种路段的拥堵易发性和对其他路段的间接影响性, 决定其在区域拥挤中具有较高的影响权重［９］。

2.2基于模糊综合评判的基本原理

利用模糊综合评判方法判别交通拥挤状态, 其模糊推理法的原理是根据平均速度、交通流量和交通拥挤状态之间的关系组成模糊规则矩阵, 然后利用平均速度、交通流量的实测数据作为输入, 通过一系列的模糊运算推断出交通拥堵状态［６－８］。

根据《城市道路交通管理评价指标体系 》 (2012年版) 给出的主干道高峰时段的车速、流量等级分布和仿真路网所在地的实际情况, 采用同比例放缩的原则划分交通状态等级。根据笔者方法将道路交通状态分为畅通、正常、拥挤、堵塞、严重堵塞5个等级, 并根据评价体系中的等级要求建立如下的论域隶属函数。

模糊推理的基本算法步骤如下。

1) 设 (U, V, R) 为模糊综合评判的评判模型, 其中:U= (U１, U２, …, Uｍ) (m为指标项目数) 为评判的因素集, V= (V１, V２, …, Vｎ) (n为评语等级数) 为评语集。评判矩阵R= (rｉｊ) ｎ×ｍ。其中: rｉｊ为从第i个因素角度做出第j个评语的可能程度, 即Uｉ对Vｊ的“隶属程度”。

2) 定义因素集和评语集的模糊论域。把平均速度、交通流量2个因素集的论域统一定义为: U１=U２={“非常小 (VS) ”, “小 (S) ”, “中 (M) ”, “大 (L) ”, “非常大 (VL) ”}={1, 2, 3, 4, 5};把拥堵状态的评语集论域定义为:V={“畅通”, “正常”, “拥挤”, “堵塞”, “严重堵塞”}={1, 2, 3, 4, 5}。

3) 定义模糊关系规则库。由于速度与流量在实际获得的数据中存在2次函数的关系, 故平均速度、交通流量和交通拥挤状态之间的模糊关系见表1。其中:aｉ (i=1, 2, …, n) 为该条规则的权重, 模糊向量A= (a１, a２, a３) = (0, 0.5, 1) 。

4) 定义隶属度函数。根据对城市道路交通流特性的分析, 平均速度 (平均速度由L/tｔｒａｖ求得。其中:L为路段长度, tｔｒａｖ为路段旅行时间) 和交通流量隶属函数选用梯形函数, 交通状态隶属函数选用三角函数。相应的隶属函数如图1。

5) 模糊运算。计算模糊关系矩阵, 假设每1条模糊规则对应1个模糊关系Rｉ (i=1, 2, …, n) , 则进行模糊关系融合得到模糊关系矩阵:R= R１⊕R２⊕A⊕Rｎ。

6) 区域交通状态的判别。假设区域中各个主成分的交通状态值分别为Vｉ, 所属权重分别为bｉ (∑bｉ=1) , 则可得到整个区域的交通状态值: G =∑Vｉbｉ。区域交通状态G值划分为[0, 0.4) , [0.4, 0.6) , [0.6, 0.8) , [0.8, 0.95) , [0.95, 1]5个区间, 并根据实际情况设定相对应的交通状态为[畅通、正常、拥挤、堵塞、严重堵塞]:

2.3算法判定步骤

区域交通状态判别步骤如图2所示。

3仿真验证

根据山西省临汾市的部分路网实况, 结合Vissim仿真数据, 对选定的区域拥挤状况进行综合评价。所选定的路网结构见图3。该路网结构中包含4条主干道、2条次干道以及1条支路, 都为双向行驶道路, 路网中包含10个灯控路口。采集该路网的交通组织及交通特性数据作为仿真模型的标定依据, 将不同时段的车流量作为仿真的车辆输入, 并分别在每条路段的起止点设置旅行时间检测器和流量检测器, 按300s为1个间隔, 得到100组数据作为仿真的基础数据。

3.1主成分分析结果

整理仿真测得的数据, 利用SPSS软件对数据进行主成分分析, 得到对路网延误贡献率较大的主成分路段, 见表2。根据SPSS软件的数据分析查看器的结果, 选取了9个对路网总延误的贡献较大的主成分。

3.2数据预测

预测路网路段的排队和平均速度。

1) 数据的预处理。通常的数据是非平稳的带有线性趋势或周期性变化的时间序列, 对此应当先做数据处理, 一般通过对数据作一阶或二阶差分［７］, 使数据平稳化。

2) 相关性分析。计算出观察值序列的样本自相关系数 (ACF) 和偏自相关系数 (PACF) 的值, 见图4。通过计算序列的自相关函数和偏相关函数, 并由他们的截尾性和拖尾性进行模型类别的初步判断［８］。

3) 模型定阶。使用AIC准则确定ARMA (p, q) 模型阶数p, q。AIC定阶准则是指在p, q的一定范围内, 找出使AIC (S) 最小的 (p, q) 作为 (p, q) 的估计值。AR (p) 模型:;ARMA (p, q) 模型:;取使AIC值最小的阶次。

4) 模型参数估计及数据预测。阶数确定后, 进行模型参数估计。常用的3种基本方法有:矩估计法。逆函数估计法、和最小二乘估计法。需要说明的是白噪声方差也是1个模型参数, 笔者用实际效果来说明该模型的优劣程度。

经多次实验, 预测数据的误差在10%~15% 之间 (见图5) , 模型的精度验证了该方法的可行性。

3.3模糊综合评估

根据SPSS计算得到该路网主成分基础数据, 见表3。

区域状态计算方法结合主成分的权重得到: 交通拥堵状态值的预判值为0.78, 而真实值为0.68。利用先验经验的模糊规则和隶属函数计算得到路网的状态为正常状态。实验证明, 该种方法判别得到的路网状态值与真实的专家经验状态相符。

4结束语

笔者在主成分分析的基础上, 利用预测数据对区域道路状况进行模糊综合评判。实验表明: 该方法可以有效地预判区域交通状况, 并在临汾市的仿真运用中取得良好的效果。主成分分析有效地为模糊评判减少了评判对象个数, 提高了模糊综合评判的精度;对于评判不同道路等级、不同车流量组成路网状态, 可以根据主观的观测经验对模糊评判中的隶属函数进行合理调整, 以提高交通状况判定的精度。笔者的方法仅是1种区域状态判别的定性分析, 希望在今后的研究中能够更进一步在定量分析上有进展, 并通过计算边界路口的饱和度和泄流效率来确定区域的拥堵趋势。

参考文献

[1]梁妍, 夏乐天.时间序列ARMA模型的应用[J].重庆理工大学学报:自然科学, 2012, 26 (8) :106-109.

[2]刘海青, 杨立才, 吴磊, 等.基于Fuzzy-PCA的城市区域交通拥挤评价方法[J].山东大学学报:工学版, 2012, 42 (6) :56-62.

[3]杨兆升, 张茂雷.基于模糊综合评判的道路交通状态分析模型[J].公路交通科技, 2010, 27 (9) :121-126.

[4]保利霞.智能交通集成控制与管理[M].上海:同济大学出版社, 2012.

[5]魏强.基于固定检测器的区域交通状态判别方法研究[D].长春:吉林大学, 2011.

[6]窦慧丽, 王国华.基于模糊聚类和判别分析的交通状态提取算法[J].交通信息与安全, 2010 (2) :13-15.

[7]杜金观, 项静怡, 戴俭华.基于参数预测的高速公路交通状态判别[J].交通信息与安全, 2012 (6) :30-32.

[8]薛薇.统计分析与SPSS的应用[M].北京:中国人民大学出版社, 2001.

飞行试验中的技术状态管理 篇9

技术状态管理是随着复杂武器装备的发展而形成的系统工程管理方法，是产品质量控制的重要环节。本文从技术状态的起源、发展及基本过程出发，阐述了飞行试验中技术状态管理的主要内容，分析论证了试飞期间飞机及其系统的技术状态管理的方法步骤，对确保质量管理状态的连续性和提高试飞质量具有重要的意义。

1、概述

技术状态管理起源于美国20世纪50年代，是随着复杂武器装备发展而形成的系统工程管理方法。在欧美等发达国家的大型工程管理中已得到了广泛应用，形成了一套成熟的理论和方法。九十年代，美国和欧洲空间局均制定了比较完善的技术状态管理标准。

20世纪80年代，我国开始引进技术状态管理的理念，开始研究制定我国的技术状态管理标准，并在航空、航天和重大武器装备（等领域的复杂工程系统研发过程中推广使用。

技术状态管理是工程管理的一个重要工具，是品质管理的一个重要手段。本文通过查阅和借鉴相关标准及规范，针对某型飞机的飞行试验任务特点，对如何进行技术状态管理进行了分析研究，提出了使用可行的技术状态管理方法。

2、技术状态管理基本定义

飞机的技术状态是指飞机所达到的功能特性和物理特性的技术文件规定。飞行试验中技术状态管理是其在型号的试飞周期内，标识飞机的功能特性和技术指标，并控制这些指标的更改、记录和报告更改的处置与实施情况的管理技术和方法。

3、技术状态管理基本过程

飞行试验中的技术状态管理包括技术状态标识、技术状态控制、技术状态纪实、技术状态审核等4项相互管理的活动。应从试飞大纲设计阶段开始，贯穿试验的任务设计、开展、交付等全寿命周期，准确清楚的表明飞机的技术状态并对其更改进行有效的控制。

4、飞行试验应用探索

飞行试验是一项复杂的系统工程，且在飞行过程中，技术状态更改几乎每天都在进行。飞机技术状态是指飞机总体参数、气动外形特点、全机及各系统功能和性能、使用限制条件、飞机基本性能品质等多个方面。只有对技术状态全面掌握，才能在试飞时胸有成竹。

4.1技术状态标识

技术状态标识是指对技术状态控制、技术状态纪实和技术状态审核并保持一个确定的文件依据，主要包括技术状态项目的确定，技术状态基线的建立和技术状态文件的编制。

4.1.1确定技术状态项目

技术状态项目是指技术状态管理的基本单元，正确选择技术状态项目是开展技术状态管理的基础。在飞行试验中，影响技术状态项目选择主要有以下3个因素：一是控制飞机整体及各主要系统、主要设备的技术状态是有序开展试飞的先决条件；二是试飞大纲及试飞实施方案是开展试飞的依据；三是对试飞期间机上的设计更改等的控制，是保证实施过程符合要求的关键。

4.1.2建立技术状态基线

在试飞中编制出相应的能全面反映飞机在某一特定时刻确定的技术状态文件。就是建立飞机的技术状态基线。建立基线是技术状态管理的核心。技术状态的标识、控制、审核、纪实都是在基线的基础上进行的。飞行试验应以批复的试验大纲为依据，以试飞实施方案作为鉴定评估的技术状态基线，以飞行试验程序文件为试验开展的流程监督。

4.1.3技术状态文件的编制

技术状态基线确定后，根据技术状态项目在工作分解结构中所处的位置，为确保工作分解结构单元的可追溯性，需要编制相应的技术文件，为技术状态控制、技术状态纪实和技术状态审核建立并保持一个确定的文件依据。

飞机的技术状态文件基本包括：研制总要求、试验大纲、试飞实施方案、飞机技术说明书、技术状态管理规定等。

4.2技术状态控制

技术状态控制是指依据飞行试验有关规定和标准，结合本型号的具体试验实际，规定技术状态控制的具体步骤、方法和职责权限等，在飞机的飞行试验技术状态项目管理的全寿命周期内，对技术状态文件的更改实施控制，记录更改造成的所有影响，并将已批准的技术状态更改纳入技术状态文件。

主要包括：对已通过验证的技术状态予以固化；有效地控制对所有技术状态项目及其技术状态文件的更改；制定有效控制的更改、偏离或超差的程序与方法；确保已批准的更改得到贯彻实施。

4.3技术状态审核

技术状态审核是指确定飞机及其系统、设备或部件的技术状态是否符合设计要求指标等而进行的验证和检查，包括功能技术状态审核物理技术状态审核。型号试飞的技术状态审核即指飞机鉴定及定性的全过程，主要有三个方面：一是考察飞机及其关键系统或设备是否得到正确的识别并进行了规定，如飞机战技指标考核方法、技术状态管理计划的适用性、符合性如何等；二是审核试飞期间对于飞机的各项要求或规定的落实情况及落实过程的符合性、记录的规范性、关键技术状态记录的真实可信性；三是技术状态管理过程的持续改进。

4.4技术状态纪实

技术状态纪实是指对已确定的飞机技术状态文件提出的更改和已批准的更改的执行情况所做的记录和报告，并保证可追溯性。技术状态纪实应提供所有技术状态标识的信息，每一个更改的记录以及偏离规定技术状态基线的信息。

5、结论

飞行试验是一项复杂且需耗费大量人力物力的活动，试飞中不仅要关注飞机及其系统的技术指标是否满足研制总要求，还要高度重视试飞过程中的技术状态变化，在飞行试验中开展技术状态管理是确保试飞数据被有效使用，挖掘试飞数据潜力的重要措施。

技术状态预测 篇10

实践证明, 预测控制是一种原理直观、实现简易的控制策略[1]。线性系统的预测控制已经很成功地应用于各种国防和工业控制问题。从大量的文献也可以看到,线性系统的预测控制已经研究得比较透彻, 相关的理论也比较成熟。但现实世界中, 几乎所有的控制系统都是本质非线性的, 线性系统的动态特性已不足以解释许多常见的实际非线性现象。由于非线性系统本身的复杂性,寻找一种统一的非线性预测控制方法是很难的, 同时非线性系统又是最具有一般代表性的系统, 因此对非线性系统的研究具有较高的实用价值, 并且对控制系统的设计和应用具有一定的指导意义。

在数学工具和理论方法方面, 现有的处理非线性系统的方法也不少, 如微分几何方法、微分代数方法[2,3,4,5,6]等, 这些工具虽然能有效的分析和处理非线性系统,但是不利于工程的实际应用, 而且背离了创立预测控制的初衷。

多变量状态反馈预测控制系统, 作为一种预测控制算法, 计算简单, 占用内存少, 跟踪效果好, 使用实测的状态变量反馈, 可以提高控制的精确度, 改善预测控制系统的稳定性[7]。

本文把多变量状态反馈预测控制算法应用于仿射非线性系统, 对该类非线性系统状态反馈预测控制算法进行详细的推导, 给出算法的具体形式, 同时进行仿真验证。

2 问题描述

考虑如下非线性系统:

其中, 状态变量x(t) ∈ Rn是非线性的;f,g为非线性x(t) 的非线性函数矩阵;C=[C1C2… Cm]T∈ Rm×n为常数矩阵; 输入变量u ∈ Rm是线性的。

3 状态反馈预测控制算法

在某点xt附近, 对任意的u将上述非线性系统近似为线性时变模型。设转化后的线性时变系统为

即需要矩阵在xt点附近满足

并且

首先分析如何得到矩阵M使f(x) ≈ Mx, 并且有f(xt) ≈ Mxt成立。其中MiT代表M矩阵的第i行,fi(x)代表矩阵f(x) 的第i行, 有

将矩阵的每一行fi(x) 在xt处进行一阶泰勒级数展开, 同时忽略高阶无穷小项, 整理得:

▽表示函数f对向量x的Jacobi矩阵。

为了使MiT近似接近于▽Tfi(xt),MiTx近似接近于fi(x)。取目标函数

为计算目标函数极小值的拉格朗日乘子。将上式两端对MiT进行求导得:

为使MiT近似接近于▽Tfi(xt), 需使目标函数Ji满足

当 ‖xt‖22=0 时,MiT等于▽Tfi(xt)。

当 ‖xt‖22≠ 0 时, 将方程两边同时右乘xi有

将求出的 λi代入到方程(8) 中得到:

则有M=[M1TM2T…MnT]T。

因为u是任意的,所以有g(xt)=N。

这样最终得到(2) 所描述的新线性时变模型。

选取离散采样周期T, 对新模型进行离散化, 可得到原系统在当前状态xt的离散状态空间模型:

该模型中的A(k),B(k) 随着当前状态xt的变化而变化, 逐点自动跟踪实际的非线性系统。其中,

将非线性模型转化为线性时变的模型, 便于状态反馈预测控制算法的推导, 这样就可以把本文的研究核心逐点转嫁为研究线性系统的状态反馈预测控制, 因为转化的过程模型能够实时自动跟踪实际的原非线性系统,所以本文的研究有很大的意义。对新模型进行状态反馈预测控制算法推导。

状态变量和输出在未来p时刻的预测值为:

对未来时刻的预测控制输出进行反馈修正:

y(k)为系统输出实测值,是相同预测控制时域下由历史输入和历史状态对当前输出的预测值。

变量状态预测控制系统的预测时域p是向量,即:p=[p1p2… pm]T,m=rank C, 是预测控制系统稳定的必要条件。

当前第r个输出历史预测值的表达式:

应用状态反馈单值预测控制算法, 控制时域L=1,即只在k时刻改变控制作用的大小, 在其以后控制作用维持不变, 有u(k+l)=u(k),l>0。则有

第r个输出的预测值表达式变为:

求解多变量单值预测控制的最优化目标, 要使反馈修正后的输出预测值等于输出给定值。

其中设定值表达式为

将式(16) 和(18) 代入上式, 并令

其中r=1,2,…,m。得修正方程为:

由此得到预测系统的最优控制律为:

是输出给定值,是历史输出预测值,y(k)是输出实测值,x(k)是状态变量实测值或模型计算值。

选取预测时域p的必要条件是使矩阵[S(p,k)+W(p,k)]-1存在。最优控制律包含了状态反馈和输出反馈, 且对输出预测值进行了反馈修正。K(p,k),S(p,k),W(p,k)都能够自动跟踪原非线性系统的动态过程。

4 仿真

例: 如下非线性系统

其中,

令矩阵M满足f(x) ≈ Mx, 并且有f(xt) ≈ Mxt成立。其中MiT代表M矩阵的第i行,fi(x) 代表矩阵f(x) 的第i行, 则有

选取目标函数

将求出的拉格朗日乘子λi代入到方程MiT-▽Tfi(xt)+λixiT=0中,得到:

或

从而有M=[M1TM2T…MnT]T,

g(xt)=N

用MATLAB计算,

上述非线性系统经模型变换后得到新模型

选取采样周期T=0.1, 给定初始状态为X=[x1,x2]=[-1,1],

选择预测时域为p=13, 令以下矩阵

以上矩阵可以通过MATLAB程序得到。

当给定值ys=1时,反馈修正方程为:

模型准确时原非线性系统的最优控制律为:

直接将状态反馈预测控制算法原理运用到MATLAB循环语句中仿真, 即可得到以上参数及最优控制律。

预测时域p=16 时的仿真和计算过程同上。

图2 给出了不同预测时域情况下系统的仿真曲线,参数在不同时刻k的具体情况反映在闭环响应曲线中。

5 结束语

由于使用了状态空间模型和单值预测控制算法, 计算比较简便。原非线性系统是开环不稳定的, 在使用状态反馈预测控制之后, 控制系统增加了状态变量的动态反馈, 预测控制后的系统是闭环稳定的, 控制和仿真效果良好。

参考文献

[1]QIN S J,THOMAS A B.A survey of industrial model predictive control technology[J].Control Engineering Practice,2003,11(7):733-764.

[2]陆璐.仿射非线性系统控制方法及其应用研究[D].[西安交通大学博士学位论文].1999.

[3]孙志毅.非线性系统控制理论与方法[J].太原重型机械学院学报,2003,24(4):249-252.

[4]廖晓玲.非线性控制系统的仿真研究[J].重庆三峡学院学报,2004,20(5):112-115.

[5]CHEN XIPING,ZHANG JINDONG.Modelbased predictive control of nonlinear system[C].The 2002International Conference on Control and Automation,Xia men,Fujian,China,2002,(6):16-19.

[6]RAU M,SCHRODER D.Model Predictive Control with Nonlinear State Space Models[C].2002.7th International Workshop on Advanced Motion Control,2002,(7):136-141.