基于参数优化VMD和改进LSSVM的道岔故障诊断方法

为了解决道岔设备智能故障诊断中特征指标难以提取以及模型训练时间较长的问题,以ZDJ9型转辙机带动的道岔设备为研究对象,以转辙机功率曲线为数据基础,提出一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和改进最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)的道岔故障诊断方法。首先,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化VMD参数,得到模态(Intrinsic Mode Functions,IMF)分量个数和惩罚因子的最优参数组合。其次,计算IMF分量与功率曲线的相关系数,优选相关性较大的前3阶IMF分量,并计算功率谱熵、模糊熵及包络熵值,建立多特征融合样本数据库。最后,针对麻雀搜索算法(Sparrow Search Algorithm,SSA)易陷入局部最优的问题,通过改进Tent混沌映射初始化策略随机生成种群,正余弦算法(Sine Cosine Algorithm,SCA)更新追随者的位置,并采用改进SSA优化LSSVM算法的惩罚因子和核函数方差,构建基于TSSSA-LSSVM的道岔故障诊断模型。实验结果表明:所提道岔故障诊断方法是可行的,采用多特征融合能够更加全面地提取道岔典型故障特征,反映道岔的真实运行状态,提高了故障诊断准确率,而且较TSSSA-SVM,PSO-LSSVM,GWO-LSSVM以及SSA-LSSVM等方法具有较高的故障诊断准确率、召回率以及较低的漏报率,减少了模型训练时间,完全满足现场道岔故障导向安全的原则,具有更好的故障诊断性能,对现场道岔设备的故障维修具有一定的指导意义。

基于DBO-LSSVM的空气质量指数预测

针对当下空气质量指数预测的模型精度不高的问题,提出一种基于蜣螂优化(DBO)算法,优化最小二乘支持向量机(LSSVM)的空气质量指数预测模型。该模型利用蜣螂优化算法对最小二乘支持向量机的两项参数进行寻优,提高预测速度和精度。并与传统最小二乘支持向量机、灰狼优化最小二乘支持向量机模型进行比对,通过实验仿真结果表明,蜣螂优化算法优化最小二乘支持向量机预测模型的均方误差、平均绝对误差及决定系数均为最优值,可以为空气质量指数预测提供更准确的支持。

基于改进LSSVM算法的柔性飞机起落架智能半主动控制技术

提出了基于改进LSSVM算法的柔性飞机起落架智能半主动控制技术。充分考虑柔性飞机结构振动模态,构建飞机起落架智能半主动控制力学模型。根据半主动控制起落架结构,采用剪枝算法构造最小二乘支持向量机优化函数,使控制过程具有稀疏性。计算双气室缓冲器的气体弹力、油孔液压阻尼力和轮胎压力,分析飞机落下、滑跑在动力学模型中的非线性动力学特征。构造起落架二次型性能指标函数,用线性二次型调节器设计起落架最优控制结构,导出最优控制律。由实验结果可知:该技术在缓冲距离为0.25 m时功量达到最大为0.9×10^(5)N,与实际着陆功量控制效果一致;最大位移为0.47 m,仅与实际存在最大为0.01 m的误差,使飞机在平衡位置减少振动响应,保持飞机起落稳定。

基于VMD-BOA-LSSVM-AdaBoost的短期风电功率预测

针对风电信号具有间歇性、非线性、波动性、非平稳性和不确定性等特征,建立一种基于变分模态分解(VMD)和蝴蝶优化算法(BOA)优化最小二乘支持向量机(LSSVM)的风电功率短期预测模型,为提高预测精度,引入自适应校正算法(AdaBoost)。首先,利用变分模态分解将原始功率信号数据分解多个子序列。其次,利用蝴蝶优化算法优化最小二乘支持向量机组合预测模型对每个子序列进行预测。最后通过自适应校正算法将多个分量预测值重构得到最终的预测值,结合西北某一风电场提供的风电功率数据为例验证模型的有效性。结果验证了建立的组合预测模型能够较好地对短期风电功率进行预测,并具有较好的预测精度。

基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主成分作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-LSSVM预测模型,将预测结果与PCA-LSSVM、LSSVM、多元非线性回归、KPCA-BP神经网络、PCA-BP神经网络以及BP神经网络预测结果进行对比。以最大相对误差绝对值作为模型预测精度的评价指标。研究结果表明:当选取前4个核主成分时,即达到模型训练要求。KPCA-LSSVM模型的预测最大相对误差绝对值为5.89%,预测精度均优于其他6种对比模型。研究结果可为实现瓦斯涌出量高精度预测提供参考。

基于ANFIS-LSSVM的计算颜色恒常性算法研究

计算颜色恒常性是指消除场景光源的影响从而再现物体真实颜色的能力。目前,深度神经网络的应用使颜色恒常性精度显著提高,但大多数深度学习算法训练时间长、计算复杂度高,且需要大量的训练样本。针对此问题,提出了一种结合自适应神经模糊推理系统(ANFIS)和最小二乘支持向量机(LSSVM)的简单有效的方法。该方法分为训练和预测两个阶段:在训练阶段,首先提取图像特征分别训练ANFIS、LSSVM两种初始光源估计模型,接着利用核函数变换将两种模型融合,然后利用预留训练样本进一步训练得到多元线性回归光源估计模型;在预测阶段,提取测试图像特征后,直接由训练所得模型预测得到该测试图像最终的场景光源颜色值。实验结果表明,与深度学习方法相比,本文所提方法计算复杂度较低,即使在小训练样本中也能有很好的光源估计性能。

LASSO-LSSVM与激光诱导击穿光谱技术结合提高铝合金中Mn成分检测精度研究

铝合金作为一种重要的航空航天装备材料,其元素含量是决定铝合金材料质量和性能的关键因素,其组成成分的多样性对铝合金的铸造、冶炼以及回收分类有较大的影响,其中Mn是铝合金中的重要元素,能够止铝合金的再结晶过程,提高再结晶温度。铝合金成分的定量测定是合金成分在线检测的重要组成部分。信号波动(激光能量波动、等离子体不稳定性、样品不均匀性等)和自吸收效应对激光诱导击穿光谱(LIBS)技术测定铝合金中微量元素有一定影响。为了消除自吸收效应和信号波动所引起的偏差,提出了一种利用LIBS技术结合LASSO-LSSVM机器学习法检测铝合金材料中微量元素含量的新方法。利用最小绝对收缩和选择算子(LASSO)模型对光谱特征向量进行选择,降低光谱数据的维度从而与训练样本相匹配,降低了过拟合风险,有效提取表征LIBS光谱最重要的特征。利用最小二乘支持向量机(LSSVM)模型对LASSO所选择的特征光谱进行训练,分析结果与内标法和偏最小二乘回归(PLSR)相比,LASSO-LSSVM回归模型的精度和准确性都有所提高,其中,Mn元素回归曲线的相关系数(R^(2))从74.62%提高到99.29%,平均相对误差(ARE)从22.38%降低到3.56%,训练集均方根误差(RMSEC)从0.66 wt%降低到0.040 wt%,测试集均方根误差(RMSEP)从0.58 wt%降低到0.042 wt%。LASSO-LSSVM回归模型适用于复杂、不确定性较高的高维光谱数据,能够大大降低输入光谱数据的维数和冗余信息,因此,该模型减少了LSSVM的过拟合问题。研究结果表明,LIBS技术和LASSO-LSSVM回归模型的结合可以有效改善LIBS技术对于铝合金材料的定量分析性能,是一种简单、可靠、高精度检测合金含量的新方法。

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。

基于健康特征筛选与GWO-LSSVM的锂电池健康状态预测

锂电池健康状态(SOH)预测是电池管理系统(BMS)最重要的功能之一,准确有效地预测锂电池SOH可有效提升设备利用率,保证系统稳定性。为了提高预测准确度,本文提出一种基于健康特征筛选与灰狼优化算法(GWO)-最小二乘支持向量机(LSSVM)的锂电池SOH预测方法,首先采用灰色关联分析(GRA)法计算每个健康特征相对于锂电池SOH的灰色关联度,并将灰色关联度进行排序,确定SOH预测的主要健康特征;然后针对LSSVM模型参数需靠人为经验选择的问题,采用寻优性能较好的灰狼优化算法对其进行优化选择并构建GWO-LSSVM模型;最后基于NASA数据集,对模型进行训练和测试,并与其他3种模型的预测结果进行对比,对比结果证明了本文所提方法的有效性。

基于AOA-LSSVM模型的枢纽城市物流需求量预测

传统的LSSVM难以全面反映物流需求的变化规律,会导致预测效果不佳。首先利用灰色关联分析(GRA)得到物流需求的主要影响因素;将主要影响因素作为LSSVM的输入变量,构建物流需求预测模型;通过阿基米德算法(AOA)对最小二乘支持向量机的正则化参数(γ)和核参数(σ)进行迭代寻优,以减少参数选择的盲目性;构建AOA算法优化最小二乘支持向量机(LSSVM)的智能预测模型AOA-LSSVM,经过验证该模型可以提高预测精度。运用AOA-LSSVM模型对西部陆海新通道的重要枢纽城市——重庆、成都、贵阳和南宁的物流需求进行实证分析,结果表明:该模型与LSSVM模型相比取得较高的预测精度,其均方根误差、平均绝对误差、以及异方差调整的均方根误差、异方差调整的平均绝对误差分别降低了1946.4,1206.1,0.0284,0.0397。

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.

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。

基于气象环境条件和LSSVM的水稻病虫害预测研究

水稻病虫害的准确预测对于保障粮食安全和提高农业生产效率至关重要。本研究提出了一种基于气象环境条件和最小二乘支持向量机(LSSVM)的水稻病虫害预测模型。通过对2019-2021年全国范围内的气象数据和水稻病虫害发生率数据的分析,本研究选取了温度、湿度、降雨量和风速作为主要的气象影响因素,构建了相应的数据集。利用LSSVM模型的非线性拟合能力,并结合粒子群优化(PSO)算法对模型参数进行优化,建立了1个高效的预测模型。模型的预测结果通过与传统的回归分析模型和人工神经网络(ANN)模型进行比较,显示出更高的预测精度和泛化能力。评价指标显示,LSSVM模型在稻瘟病、稻飞虱和稻螟的发生率预测上均取得了良好的性能,均方误差(MSE)和决定系数(R 2)分别为0.008、0.88,0.010、0.86,0.012、0.84。本研究的模型为水稻病虫害的防治提供了科学的决策支持,对于指导农业生产实践具有重要的应用价值。

基于LSSVM的直流电源系统蓄电池剩余容量在线检测

为了解决现有蓄电池剩余容量检测方法存在检测精度较低、检测耗时较长的问题,提出基于LSSVM的直流电源系统蓄电池剩余容量在线检测方法。分析直流电源系统蓄电池剩余容量影响因素,获取蓄电池电压、内阻、温度等运行数据,由采样录波单元实现数据采集和信号的完全隔离,通过智能检测单元在分析蓄电池容量影响因素后,构建了基于LSSVM的蓄电池剩余容量检测模型,选取开路电压、内阻、温度参数作为基于LSSVM的蓄电池剩余容量检测模型的输入,利用灰狼优化算法求解惩罚系数、误差以及核系数的最优解,输出蓄电池剩余容量检测结果,实现蓄电池剩余容量在线检测。实验结果表明:本方法的检测误差控制在±0.01之内,检测时间保持在2 s以下,具有较高的检测精度和检测效率,具有较好的实际应用性能。

基于LSSVM的电-气区域综合能源系统短期可靠性评估

电-气区域综合能源系统电、气相互影响,一方面使得模型驱动的单一能源系统可靠性评估方法不再适用;另一方面由于天然气的引入,导致其短期可靠性评估计算开销大。为综合解决这两个问题,提出用机理模型结果训练最小二乘支持向量机(LSSVM),由LSSVM在线评估短期可靠性的方法。首先,建立元件可靠性模型,提出基于系统等效节点模型的故障后果分析方法。在此基础上,构建基于蒙特卡洛模拟的模型驱动短期可靠性评估方法,获得训练样本。然后,构建LSSVM回归模型,通过离线训练,得到系统状态与短期可靠性指标间映射的LSSVM模型,实现系统短期可靠性实时评估。最后,电-气区域综合能源算例系统测试验证了所提方法的准确性和快速性。

基于SSA-LSSVM的住宅工程造价预测研究

【目的】提高建筑工程造价预测的准确性,进而为项目前期投资决策提供重要依据。【方法】针对工程实践中小样本数据和工程造价特征指标之间高维、非线性关系的特点,构建基于麻雀搜索算法(sparrow search algorithm,SSA)的优化最小二乘支持向量机(least squares support vector machine,LSSVM)造价预测模型SSA-LSSVM。首先,通过主成分分析法对住宅工程造价样本的输入指标数据进行处理,减少数据冗余;其次,采用SSA算法对LSSVM模型中的正则化参数c和核函数参数σ进行优化,以弥补LSSVM模型参数确定困难的缺陷;最后,将处理后的数据导入所构建的模型进行训练和预测,并通过相关系数、平均绝对百分比误差和均方根误差对模型的预测性能进行评价。【结果】与LSSVM模型、用灰狼优化算法优化的LSSVM模型和反向传播神经网络模型相比,SSA-LSSVM模型具有更好的泛化能力和更高的预测精度。【结论】本研究所构建的模型可以比较精准、高效地对实际住宅工程造价进行预测,同时可为工程前期投资决策提供一定参考。

基于LSSVM的电磁直线执行器位移估算研究

针对电磁直线执行器应用中由于位移传感器而产生的结构紧凑性下降、成本高以及可靠性降低等问题,提出了一种基于最小二乘支持向量机(LSSVM)的位移估算方法。应用多目标粒子群优化算法,以准确度和均方根误差(RMSE)为优化目标对正则化参数和核宽度参数进行多目标优化;在特定工况下训练模型。模型应用与仿真实验验证结果表明:在不同负载力工况下估算控制准确度为98%以上,RMSE为3×10^(-4)以下;以不同位移控制目标对电磁执行器进行控制,准确度为98%以上,RMSE为3×10^(-4)以下。

LSSVM算法下飞机IDG小样本数据可靠性分析

针对飞机整体驱动发电机(Integrated Drive Generator,IDG)可靠性要求高而故障数据较少的问题,提出小样本下基于LSSVM算法的飞机IDG可靠性分析方法。引入威布尔分布描述飞机IDG寿命分布可靠性模型;采用网格搜索法和交叉验证法对LSSVM回归模型进行参数寻优得到最优回归直线,结合图估计法得到威布尔分布的未知参数;与传统的最小二乘法所得结果进行对比分析。算例分析结果表明,新方法下飞机IDG可靠性分析精度较高,可更加客观地评价飞机IDG的可靠性;并根据该结果针对737-800飞机IDG部件提出相关维修建议。

改进SSA-LSSVM模型在埋地管道点蚀深度预测中的应用

埋地管道点蚀深度受土壤环境、运输物质、管道材质等多种因素的影响,因此腐蚀数据存在不稳定性,会导致精确预测其点蚀深度存在较大难度,故提出RS结合MSSA-LSSVM预测模型。首先利用RS对腐蚀影响因素实现降维,提取关键影响因素;其次融合三步改进策略解决麻雀搜索算法已陷入局部最优等问题,利用时间复杂度分析对算法改进后性能进行验证;然后利用MSSA求解出LSSVM中核函数参数σ2和惩罚因子C的最优解,同时选取RBF核函数,使其预测性能达到最优,最终构建RS-MSSA-LSSVM的埋地管道点蚀深度预测模型。结果表明:优化后模型精度得到了极大的提升,且均优于其他模型,证明该模型鲁棒性较好。

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。