基于ICEEMDAN和PSO-LSSVM的石油机械滚动轴承故障诊断方法研究

针对滚动轴承疲劳故障振动信号具有能量弱、特征稀疏等特点,提出了一种通过改进自适应噪声完备经验模态分解方法与粒子群优化的最小二乘支持向量机结合的故障识别方法;对轴承不同故障信号利用改进的自适应噪声完备经验模态算法分解为一系列固有模态函数分量;根据相关系数-方差贡献率准则筛选出最能表征原始信号状态的分量,并计算重构分量的奇异谱熵值构成特征向量;将提取的特征向量集合输入到基于粒子群优化的最小二乘支持向量机分类器中,进行模型的训练和故障模式的识别,与SVM和LSSVM分类器模型进行准确率和效率比较;试验结果表明,该方法在滚动轴承故障信号中能有效提取故障特征,准确率达98.75%,具有一定可靠性和实用性。

基于KPCA-PSO-LSSVM的轴承寿命预测研究

为了预测不同工况下对于滚动轴承的最大剩余使用寿命(RUL),提出了一种基于核主成分分析(KPCA)结合粒子群优化最小二乘支持向量机(PSO-LSSVM)的滚动轴承RUL预测框架。该方法首先从时域、频域以及小波包域进行轴承故障特征提取,得到一系列退化特征;其次,在尽可能多保留退化特征的前提下,运用KPCA方法进行特征约简;最后采用PSO-LSSVM构建结合的模型来预测滚动轴承的RUL。通过美国智能维护中心(IMS)提供的多组轴承衰退振动信号对模型进行验证,实验结果表明,相比较于PSO-LSSVM和KPCA-LSSVM模型,论文提出的KPCA-PSO-LSSVM的轴承剩余寿命预测方法具有更低的预测误差,可以比较准确出拟合滚动轴承的退化情况。

基于PSO-LSSVM的非重构宽带压缩频谱感知方法

频谱感知是认知无线电的关键技术之一,而宽带环境使采样设备压力大,宽带压缩频谱感知有效地解决了此问题,但压缩重构造成巨大计算复杂度,并且传统检测方法受门限限制,在低信噪比下检测率低。提出将机器学习与非重构压缩感知技术应用到频谱感知当中的方法,原始信号经压缩感知得到测量值,对其进行采样协方差预处理后,通过改进PSO-LSSVM算法对数据进行训练分类,解决门限困扰,并适用于宽带频谱感知。仿真结果表明,此方法在低信噪比下,与传统检测相比有较好的检测结果。

基于PSO-LSSVM算法的脸型与男西装领型适配性研究

为研究脸型与领型之间复杂的适配性视觉关系,使消费者能够根据自身脸型轮廓和比例匹配合适的领型,文章以男性脸型与男西服领型为研究对象,先对男性脸型与男西服领型进行特征提取及分类,共划分出12种脸型和20种领型。随后利用三维虚拟试衣技术建立出240个实验样本,通过主观问卷调研不同脸型与领型组合搭配的视觉效果适配度评价。最后,将脸型和领型的搭配作为模型输入值,主观视觉适配度评价作为模型输出值,并采用PSO-LSSVM算法建立脸型和领型适配度预测模型。结果表明,采用PSO-LSSVM算法的模型均方根误差为0.077 6,平均绝对误差为0.057 3;相对于PSO-RBF神经网络算法,均方根误差降低0.041 1,平均绝对误差降低0.037 6。该预测模型可为消费者线上选购、企业新品精准研发与营销、个性化定制提供一定的参考。

基于改进PSO-LSSVM的蓄电池充放电非线性控制方法

针对当前蓄电池充放电控制方法过于复杂、难以协调各类参数、导致控制效果无法达到预期要求的问题,基于改进PSO-LSSVM算法提出了一种新的蓄电池充放电非线性控制方法.针对非线性参数进行调节,建立非线性动态模型,分析运行过程中蓄电池信号平稳状态,确定控制参数,修改修正参数,控制收敛速度,建立蓄电池充放电非线性控制模型,利用改进PSO-LSSVM调节粒子空间,改变收缩指数,确定关键因子,分析容量效率,根据分析结果得到改进粒子群算法的最佳参数组合,通过数据预处理和归一化处理测得最佳参数数据,根据参数测量结果实现非线性控制.实验结果表明,在正常状态下,本文控制方法与传统控制方法都具有较好的控制效果,但是在蓄电池出现正常波动、蓄电池出现故障和大量负荷投入状态下,本文的控制方法能够通过协调控制参数,提高控制效果,控制功率基本能够维持在0.8×104 W左右,荷电状态与标准值基本一致,能够很好地减少外界冲击伤害,确保蓄电池运行过程的稳定性.

基于PSO-LSSVM的广西花岗岩分布区滑坡易发性评价

广西花岗岩分布区地质构造复杂,岩体风化严重,滑坡灾害较为频繁。提出一种粒子群算法优化的最小二乘支持向量机(particle swarm optimization-least squares support vector machine, PSO-LSSVM)模型对该地区滑坡易发性进行评价。首先,利用灰色关联度分析(grey relation analysis, GRA),从高程、坡度、地质构造、断裂带密度、植被覆盖率、年均降雨量、日均降雨量、岩土特性8种因子中提取出对滑坡发生影响较大的诱发因子,将其作为LSSVM模型的输入;其次,针对LSSVM存在过拟合的问题,使用PSO对LSSVM模型的惩罚因子γ、核参数σ进行了优化,能够更有效地减少LSSVM陷入局部最优解的情形。将PSO-LSSVM应用到该地区滑坡灾害的易发性评价中,模型预测结果与实际值基本一致。最后,将PSO-LSSVM模型与遗传算法优化的LSSVM模型(genetic algorithm-least squares support vector machine, GA-LSSVM)和LSSVM模型进行对比,从实验结果得出PSO-LSSVM模型的平均绝对误差和均方根误差均小于其他两种模型,拟合优度为93.6%,评价结果具有较高的精度,为广西地区滑坡灾害易发性评价提供了新思路。

基于PSO-LSSVM的塔机起升机构虚拟传感器研究

目前塔机起升机构的安全监测多采用布置传感器的方法,载荷测量方式主要是通过在定滑轮处加装轴销式称重传感器,高度测量多采用安装外接编码器的方法。此方法安装、更换成本高且布线发杂,因此该文提出了一种通过变频器输出数据来计算起升载荷以及吊钩高度虚拟传感测量方法。首先介绍了起升机构的组成,通过变频器中的电机编码器数据完成了吊钩高度的换算。接着描述了载荷测量虚拟传感的原理与方法,选用基于粒子群优化的最小二乘支持向量机算法来建立吊重测量模型,通过对数据的关联性分析确定了模型的输入输出。最后通过现场试验验证了载荷测量虚拟传感方法的可行性,且吊重测量误差不超过4%。

基于PSO-LSSVM的GNSS高程拟合

粒子群算法通过迭代搜索最优解,简单且易于实现,具有很好的全局优化能力。最小二乘支持向量机应用于GNSS高程拟合,需要选择模型参数。本文采用粒子群算法优化最小二乘支持向量机参数,对粒子的速度设定限值,建立高程拟合模型,最后通过实例采用学习样本、测试样本和总样本均方误差3种适应度函数进行评价,分析比较其拟合效果。结果表明,采用本文方法所建的高程拟合模型在GNSS高程拟合中能得到满意的拟合效果,拟合精度达到四等水准测量的精度,能满足一般的工程测量的要求。

基于WRF模式和PSO-LSSVM的风电场短期风速订正

风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)对WRF模式输出的风速进行订正。同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization,PSO)对其参数进行优化。试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s。与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性。

基于CEEMDAN-WD-PSO-LSSVM模型的月径流预测研究

针对径流序列的非线性、非稳态化的特点导致直接预测精度低的问题,提出了一种二次分解径流时间序列,再经过最小二乘支持向量机(LSSVM)模型进行月径流预测的新途径。该方法首先利用自适应噪声的完整集成经验模态分解(CEEMDAN)算法来分解原始径流时间序列,得到一系列本征模态分量(IMF)。再利用小波分解(WD)对高频分量进行二次分解,更有效地提取原始数据中的隐含信息。把各分量作为基于粒子群算法(PSO)优化的LSSVM预测模型的输入,最后将每个分量预测结果进行叠加重构,得到最终结果。以洛河流域长水水文站月径流为例,验证结果表明:提出的CEEMDAN-WD-PSO-LSSVM组合模型的预测精度较单一模型有效提高了径流预报精度,CEEMDAN-WD二次分解可更有效地提取复杂径流序列的信息,为非线性、非稳态化的月径流时间序列预测提供了新方法。

基于PSO-LSSVM的Ni-Cr-W-Mo合金本构关系研究

针对热成形金属材料变形本构关系的多因素、高度非线性的特点,利用Gleeble-3500型热模拟试验机对Ni-CrW-Mo镍基高温合金开展变形温度和应变速率分别为950~1200℃和0.01~10 s^-1的平面应变热压缩实验。建立材料本构关系的LSSVM模型,并采用粒子群算法(Particle Swarm Optimization,PSO)对LSSVM模型的惩罚因子c和核宽度δ进行寻优,构造了基于PSO-LSSVM的Ni-Cr-W-Mo镍基高温合金本构模型。将实验数据与模型预测值进行对比,结果表明,所建本构模型预测值与实验值间的平均相对误差仅为1.98%,模型预测精度高、泛化能力强,能够准确预测Ni-Cr-W-Mo镍基高温合金的高温流动应力。

基于PSO-LSSVM的新能源汽车充电负荷预测方法研究

“双碳”背景下,新能源汽车充电负荷的持续增长对电网安全稳定运行的影响愈发显著。针对现有的以用户侧为出发点的预测方法存在较多的不确定性、实用性不足的情况,从电网侧的角度,提出了将粒子群优化(PSO)算法与最小二乘支持向量机(LSSVM)应用于充电负荷预测。通过分析影响充电负荷因素的相关程度系数,选择合适的特征量作为输入量,并运用PSO算法优化LSSVM模型参数,建立了基于PSO-LSSVM的充电负荷预测模型。以国网上海市电力公司市北供电公司东升路充电站作为案例,验证了所提出的方法具有较好的数据拟合效果,预测的数据准确度较高。这为新能源汽车充电负荷的预测提供了一种新思路。

基于HHT变换的PSO-LSSVM耦合模型估算气象资料短缺地区ET0

为准确估算气象资料短缺地区参考作物腾发量,构建了一种基于HHT变换的PSO-LSSVM耦合模型,并利用新疆和田气象站2000—2009年单日数据做训练、双日数据做验证。结果表明,该模型估算ET0方法明显优于常规的PSO-LSSVM和GRNN,预测精度较二者分别提高了15.7%~85.6%和15.8%~93.7%;该方法预测ET0的气象要素重要性为Rs〉Tmax〉Tmin〉RH〉Wn,利用该方法对气象要素组合为Tmax/Tmin/RH/Wn、Tmax/RH/Wn、Tmin/Wn、Wn条件下的ET0预测,MSE分别为0.407、0.185、0.149、0.135,说明该方法可以很好地估算资料缺失地区ET0。

基于模糊物元分析的PSO-LSSVM磨加工补调值在线预测与补偿方法

磨削过程中尺寸补调值的设定对批量工件的加工精度具有至关重要的作用。通过对外圆磨削过程的深入分析,研究磨削加工过程中的补调值预测算法,提出基于模糊物元分析的PSO-LSSVM补调值精确预测模型。通过模糊物元分析迅速准确地获得最佳工艺参数,并将对应的参数作为输入,以此训练出PSO-LSSVM预测模型。通过PSO优化LSSVM模型参数,提高了模型的预测精度。当预测值大于理论边界时,对尺寸误差进行补调,及时调整工艺参数以提高加工精度。通过磨削加工在线测量实验验证,模型平均绝对误差为0.05257μm,均方根误差为0.06533μm;采用所得模型对试样外磨削工件加工时的补调值进行预测可得平均绝对误差0.09625μm,均方根误差0.13412μm,达到补调值预测的精度要求。通过批量工件的加工测试,得出批量工件加工精度较未使用补调值预测补偿控制前显著提高。将提出的补调值预测方法应用于磨加工主动测量控制仪中,控制仪实现了自动补调并与机床形成反馈控制,提高了磨削加工工件的精度与磨加工系统智能化程度。

基于PSO-LSSVM的疲劳裂纹漏磁定量识别技术

针对疲劳裂纹难以定量识别的问题,提出一种将主成分分析(PCA)和粒子群优化的最小二乘支持向量机(PSO-LSSVM)相结合的建模方法,通过建立漏磁信号与疲劳裂纹宽度、深度之间的非线性映射关系,对疲劳裂纹宽度、深度进行定量识别.搭建漏磁检测系统,采用疲劳拉伸试验制备一系列疲劳裂纹样本,通过疲劳裂纹漏磁定量识别实验,建立漏磁缺陷样本库,对基于PSO-LSSVM的疲劳裂纹漏磁定量识别方法的可行性进行验证.结果表明,该方法能够有效定量识别尺寸小于1mm;疲劳裂纹的宽度、深度,误差在0.1mm左右.

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优。最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AFSA-PSO-LSSVM算法模型。实验结果表明,AFSA-PSO-LSSVM相较于PSO-LSSVM和AFSA-LSSVM模型,收敛速度更快、精度更高,验证了方法的有效性。

基于PSO-LSSVM的森林地上生物量估测模型

为提高森林地上生物量估测精度,从建模因子和建模方法出发,提出了一种综合考虑影像纹理特征、地形特征、光谱特征的粒子群优化最小二乘支持向量机生物量估测方法。以松山自然保护区为研究区域,以资源三号遥感卫星数据为数据源,配合194块调查样地实测数据、森林资源二类调查数据、数字高程模型数据,通过分析46个特征变量与森林地上生物量间的Pearson相关性,进行特征变量优化提取,建立PSO-LSSVM模型并在Matlab 2014a上编程实现。以决定系数R2和均方根误差RMSE为指标,对比分析了PSO-LSSVM和多元线性回归地上生物量模型精度。研究结果表明:PSO-LSSVM模型在针叶林、阔叶林、灌木林3种类型中预测决定系数分别为0.867、0.853、0.842,比多元线性回归模型分别提高了23.15%、19.13%、14.40%。PSO-LSSVM地上生物量模型具有良好的自学能力和自适应能力,它取代了传统的遍历优化方法,在全局优化及收敛速度方面具有较大优势,预测精度较高。

基于PSO-LSSVM的海水淡化负荷预测

为了将海水淡化负荷与分布式可再生能源或电网结合协同运行,进一步提高海水淡化用户的综合经济效益,提出了精准预测海水淡化负荷的方法。首先对影响海水淡化负荷的相关因素应用灰色关联分析理论构建相似日的小样本集合,而后建立多输入单输出的最小二乘支持向量机(LSSVM)模型。针对LSSVM模型,提出了通过粒子群算法(PSO)优化相关参数γ和σ~2的新预测方法。最后利用某海岛冬季用水数据对模型进行仿真验证,结果表明,该模型可达到参数最优化选择的目的,提高了预测精度,能够满足海水淡化负荷预测的需要。

基于局部PSO-LSSVM的水泥f-CaO测量方法研究

针对水泥熟料质量指标游离氧化钙含量难以实时检测的问题,提出一种基于局部pso-lssvm的软测量建模方法。在构建局部建模数据集时,同时考虑了数据样本之间的加权欧氏距离与向量的夹角,使得训练数据的选取更加具有实际意义。由于局部建模的时间开销较大,首先,采用加权k均值聚类算法对历史数据库进行聚类分析得到若干子样本集;其次,在与当前输入数据加权欧氏距离最小的子样本集中,建立基于pso-lssvm算法的局部软测量模型,计算得到当前游离氧化钙含量值;最后,应用实际数据进行训练和验证,结果表明,该方法较全局建模具有更好的泛化能力,能够满足水泥熟料游离氧化钙含量检测的实时性要求,对于实现水泥烧成系统的优化控制,提高能源利用率具有重要意义。

基于自适应变异SAPSO-LSSVM的轨道电路故障诊断

针对传统无绝缘轨道电路故障诊断精度不高与诊断结果不稳定的问题,提出一种将模拟退火(Simulated Annealing,SA)算法和粒子群最小二乘支持向量机(PSO-LSSVM)相结合的方法,并用其进行故障诊断.借鉴遗传算法(Genetic Algorithm,GA)中的变异思想,在SA算法中引入简单变异算子,提出动态自适应变异SAPSO算法,以克服传统粒子群算法易陷入局部最优的问题.利用自适应变异SAPSO算法对改进LSSVM核函数的惩罚因子和核函数参数进行优化,避免故障诊断结果不稳定.最后通过仿真将本文算法与近几年比较先进的几种算法进行对比.仿真结果表明:本文算法对无绝缘轨道电路的故障诊断准确率更高、诊断结果更稳定.