基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中,模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题,提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取,通过分数阶与麻雀搜索算法(SSA)相融合,对极限学习机(ELM)的权重和阈值进行寻优,将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明,FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了891 s,单故障诊断准确率可达972%,比SSA-ELM和ELM分别提高了19%和28%;双故障诊断准确率可达95%,分别提高了04%和10%。该故障诊断方法准确率高、耗时短,具有较强的模拟电路故障检测能力。

基于PSO−ELM的综采工作面液压支架姿态监测方法

针对基于惯性测量单元的液压支架姿态解算方法会产生累计误差、校正结果不准确的问题,提出一种基于粒子群优化(PSO)−极限学习机(ELM)的综采工作面液压支架姿态监测方法。以液压支架顶梁俯仰角为监测对象,采用倾角传感器和陀螺仪采集液压支架顶梁支护姿态实时信息,对采集到的数据进行预处理,将处理后的数据输入PSO−ELM误差补偿模型中,得到解算误差预测值;同时通过卡尔曼滤波融合进行液压支架姿态解算,得到解算值;再用误差预测值对解算值进行误差补偿,从而求得更加准确的顶梁支护姿态数据。该方法只考虑加速度和角速度数据与解算误差的关系,不依赖具体的物理模型,可有效降低姿态解算累计误差。实验结果表明:液压支架顶梁俯仰角平均绝对误差由补偿前的1.4208°减少到0.0580°,且误差曲线具有良好的收敛性,验证了所提方法可持续稳定地监测液压支架的支护姿态。

基于ELM的超声多特征融合螺栓应力测量方法

针对传统超声波螺栓应力测量中存在的非线性和不适定性问题,提出一种基于极限学习机(ELM)的超声多特征融合螺栓应力测量方法。首先基于声弹性理论和散射理论,根据超声回波信号提取声时差及瑞利散射范围内多晶体材料中纵波的衰减系数等超声波特征参数。然后通过向量降维选择声时差、衰减系数和有效受力长度作为模型输入特征向量,建立了基于ELM的超声多特征融合螺栓应力测量模型。搭建螺栓轴向应力超声波测量实验平台,对不同材料和规格的螺栓进行螺栓应力的测量,并对比了使用传统的超声测量方法的测量结果,验证了传统超声检测方法的局限性。对比了ELM与其他机器学习方法包括BP、支持向量回归(SVR)的测量结果和精度。结果表明,提出的方法有效克服了传统超声测量方法的不足,能实现不同材料不同规格的螺栓应力测量,并且测量精度更高(平均相对误差为3.86%),泛化能力更好。

基于特征选择和ELM神经网络的轴承可靠性预测

针对滚动轴承可靠性预测问题,提出了基于特征选择和ELM网络的可靠性预测方法。首先,对振动信号提取特征,构成特征参数初选集;其次,引入单调性、相关性、鲁棒性三个特征评价指标对特征参数初选集进行特征评价,并定义了一种新的限制性指标,得到可以反映轴承退化过程的参数,构成退化特征参数集;再次,对退化特征参数集进行维数约简,构成低维特征向量集;最后,以退化特征参数集和特征向量集分别为输入数据和标签带入ELM网络中做可靠性预测。通过西安交通大学轴承振动信号数据集证明了该方法的有效性。

基于RCMFME和AO-ELM的齿轮箱损伤识别策略

针对模糊熵只考虑信号的局部特征而忽略信号的全局特征,导致齿轮箱故障识别的准确率不佳的问题,提出了一种基于精细复合多尺度模糊测度熵(RCMFME)、天鹰优化器(AO)优化极限学习机(ELM)的齿轮箱故障诊断方法。首先,在精细复合多尺度模糊熵的基础上,对矢量的构造方式进行了改进,提出了能够同时考虑时间序列局部特征和全局特征的RCMFME方法;随后,利用RCMFME指标提取了齿轮箱振动信号的熵值,组建了故障特征向量;接着,利用AO算法对极限学习机的参数进行了自适应搜索,生成了参数最优的多类别分类器;最后,将训练样本的故障特征向量输入至AO-ELM分类模型中进行了模型训练,以构造性能最优的分类器,并实现了对齿轮箱测试样本的故障识别目的;利用两种齿轮箱振动数据集进行了实验,在识别准确率和识别稳定性方面,与相关的特征提取方法进行了对比。研究结果表明:采用基于RCMFME和AO-ELM的故障诊断方法能够分别取得100%和98%的分类准确率,平均识别准确率分别达到了100%和98%,优于精细复合多尺度全局模糊熵(RCMGFE)、精细复合多尺度模糊熵(RCMFE)、精细复合多尺度样本熵(RCMSE)。该方法具有显著的应用潜力。

基于DBO-ELM的污水处理过程软测量建模

针对污水处理过程中出水生化需氧量(Biochemical Oxygen Demand,BOD)等水质参数受其它环境因素的影响较大,难以建立准确测量模型等的问题,提出一种基于改进蜣螂算法(Improved Dung Beetle Optimizer,IDBO)优化极限学习机(Extreme Learning Machine,ELM)的方法对污水出水BOD浓度进行预测。首先,选用随机森林算法(Random Forest Algo-rithm,RFA)对筛选出与BOD相关性较高的因子作为软测量模型的输入变量;其次,引入Tent混沌映射增加DBO算法的种群多样性等问题,利用IDBO算法来优化确定ELM权值分配,以提高ELM网络的预测精度;最后,将设计的IDBO-ELM软测量模型应用于污水处理仿真平台中,并与不同预测模型进行对比。结果表明:论文所设计的IDBO-ELM预测模型得到更高的预测精度和更稳定的网络结构。

达人主播直播带货对消费者购买意愿的双路径影响——基于SOR及ELM模型的分析

文章基于SOR模型和ELM模型,研究了达人主播直播带货营销对消费者购买意愿的影响机理。该研究发现,消费者购买意愿通过中心路径和边缘路径被影响,中心路径因素为信息质量和促销激励,而边缘路径因素为达人主播的专业性、知名度和社会临场感。此外,消费者的感知信任和感知价值对其购买意愿具有显著正向影响,并在不同因素之间起中介作用。本研究结果提供了一个包括感知信任和感知价值双路径的中介影响模型框架,为未来研究该领域提供了新的思路和实证基础。

健康科普短视频构成要素及传播机制研究——基于“ELM模型”理论分析

健康科普短视频对于人民的健康生活至关重要,对其构成要素及传播逻辑探究,有利于促进健康科普类视频的发展,推动实现健康中国2030战略。本研究通过QCA方法、基于ELM理论将健康科普短视频构成要素分为“中心路径”和“边缘路径”进行量化分析。研究发现公共诠释和传播主体是健康科普类短视频获得优质传播效果的关键因子,同时揭示出两种条件组合路径。本研究认为呈现内容与形式应该根据不同生产主体进行选择,而视频时长应根据传播内容进行调整以及公共诠释需与传播内容紧密相连。

基于CCA-ELM模型的国产LNG出厂价格中短期预测研究——以陕西省为例

考虑供需基本面因素和非基本面因素,构建CCA-ELM模型用于国产LNG出厂价格的预测。供需基本面因素包括LNG的产量、销量、库存、气温以及原料气成本,非基本面影响因素包括原油、汽油、柴油、煤炭等替代能源价格与东北亚天然气现货价格。通过典型相关性分析,研究各个影响因素对价格的作用程度。以10个影响因素的周度数据为研究对象,以LNG出厂价格的历史序列与其影响因素构建CCA-ELM神经网络预测模型。10个影响因素整体与LNG出厂价格的相关性较强,中国LNG出厂价格受能源市场的影响程度较高,受供需基本面的影响程度较低。兼顾LNG出厂价格历史数据与影响因素的CCA-ELM模型有效改进了时间序列神经网络的预测方法,提高了预测精度。

基于PSO-ELM的地震死亡人员评估方法研究

地震灾害人员伤亡快速评估对于地震应急响应至关重要。区域地理环境、人口密度和建筑结构等多种因素对地震人员伤亡具有重要影响,文章针对中国内地按照分区开展地震死亡人员评估方法研究。为充分考虑地震对不同地区造成的差异性影响,根据人口密度、地理环境、建筑结构等情况,将中国大陆划分为西北、西南和东部三个区域,并按地震最大烈度对样本进行分类;然后采用随机森林方法和自助采样法,根据每个特征的重要性排序选取震级、震区面积和人口密度三参数,建立粒子群优化极限学习机(PSO-ELM)地震人员死亡评估模型。研究结果表明,模型在预测性能方面表现良好,在不同地区和烈度下具有较好的适用性和泛化性,能够为地震应急响应和地震灾害风险评估提供重要技术支撑。

基于K-means++与ELM的短期风电功率预测模型研究

风能的波动性对风电产业的迅速发展带来了巨大挑战,准确可靠的短期风电功率预测对满足电网调度以及降低度电成本具有重要意义。文中提出了一种基于K-means++聚类分析和极限学习机ELM的短期风电功率预测方法,同时使用数值天气预报(NWP)数据与SCADA系统的历史监测数据,实现了对未来72 h的短期风电功率预测。文中通过K-means++聚类算法将NWP数据划分为数量不等的簇,使用ELM对每个簇的数据分别建立NWP数据与SCADA功率数据间的映射模型。完成模型训练后,根据数据与各聚类中心点之间的距离选择最佳预测模型。实验结果表明,与常用的经典模型相比,其预测结果精度更高,具有更高的预测性能。

基于PSO-ELM的变压器油纸绝缘状态无损评估方法

油浸式电力变压器作为电网的重要组成部分,其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题,文中开展了油纸绝缘模型的加速老化及受潮试验,探究了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律,并提出采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine,PSO-ELM)算法的参数预测方法,实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。由油纸绝缘模型理化性能分析的对比结果可知,基于PSO-ELM方法的预测值精度远高于传统ELM方法,油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。

基于PSO-ELM算法的煤泥浮选加药量预测研究

为了提高煤泥浮选加药量的预测精度,基于粒子群极限学习机(PSO-ELM)算法对煤泥浮选加药量进行预测。以浮选时的煤浆原煤量、原煤灰分和煤种作为模型输入变量,药剂的添加量作为输出变量建立PSO-ELM预测模型,对内部参数进行训练并进行仿真验证和对比实验。结果表明:采用PSO-ELM预测模型的药剂添加量预测精度更高,达到96.94%,能够在保证产品质量的前提下有效降低捕收剂和起泡剂的消耗量,进而提高精煤的产量。

基于节点路径重构和ELM的无线通信网络DDoS攻击源追踪

在无线通信网络中,DDoS攻击通常涉及大量的攻击者和恶意节点,并以多种形式发起攻击。攻击流量经过中间节点和反射/放大攻击等技术手段后变得更加复杂,追踪其溯源路径和确定唯一的攻击源变得复杂。为此,文中研究基于节点路径重构和ELM的无线通信网络DDoS攻击源追踪方法。通过正则化方式优化ELM的参数,检测获取DDoS攻击数据包;采用路由器标记算法标记DDoS攻击数据包,在无线通信网络域间重构攻击节点路径,获取DDoS攻击源位置,完成无线通信网络DDoS攻击源追踪。实验结果证明:文中方法可精准检测获取DDoS攻击数据包,并完成攻击数据包的标记,且可有效重构攻击节点路径,追踪到DDoS攻击源。

基于ISSA-ELM的船舶压载水系统故障诊断研究

为了从船舶压载水系统中有效挖掘数据信息,降低极限学习机(ELM)初始参数随机性对故障诊断精度的影响,提出基于改进麻雀搜索算法(ISSA)优化ELM的船舶压载水系统故障诊断模型。首先,使用自适应加权策略和Levy飞行策略改进发现者位置公式,获得ISSA并验证其性能;而后利用改进后的麻雀搜索算法对ELM的初始输入权重和阈值进行优化,建立基于ISSA-ELM的故障诊断模型。结果表明,ISSA-ELM模型的故障诊断精度为96.6%,比SSAELM、PSO-ELM、GWO-ELM模型高出1.8%、3.5%和2.6%,比ELM和SVM模型高出4.5%和7.1%。

基于MTLBO和ELM的沥青路面抗滑性能预测

针对沥青路面抗滑性能预测在精度和可靠性方面的不足,本文提出了基于改进教学优化算法(Modified Teaching-Learning-Based Optimization,MTLBO)和极限学习机(Extreme Learning Machine,ELM)的沥青路面抗滑性能预测模型.首先,利用MMLS3载荷模拟器对6块路面试样进行模拟加载,达到每个加载周期后,利用高精度激光扫描仪和摆式仪分别对路面试样的宏观纹理和抗滑性能表征指标摆值(British Pendulum Number,BPN)进行采集,提取与抗滑性能相关的纹理指标.其次,鉴于ELM训练过程时间短且具有良好的模型泛化能力,本文利用ELM预测沥青路面BPN的变化趋势.为了提高ELM的全局搜索能力和预测结果的准确性,引入MTLBO对ELM输入层和隐藏层之间的权重(ω_(i))和偏置(b_(i))进行优化,从而更好地反映路面BPN与纹理指标之间的非线性映射关系.最后,以均方根误差(Root Mean Square Error,RMSE)和预测样本复相关系数(R^(2))作为评价指标,与现有的支持向量机(Support Vector Machines,SVM)、ELM、基于教学优化的极限学习机(TLBO-ELM)3种方法进行比较,本文所提出的基于改进教学优化的极限学习机(MTLBO-ELM)预测结果的均方根误差分别降低了1.80%,1.50%,1.07%.

基于ELM锂离子电池RUL预测优化方法研究

针对传统的极限学习机ELM(Extreme Learning Machine)算法对锂离子电池剩余使用寿命RUL(Remaining Useful Life)的预测效果不准确等问题,提出通过考察循环次数基础数据导入值对预测结果的影响,及通过集成度调整即前期降低算法RUL估计的频率,后期提高算法集成度和RUL估计的频率,进一步提高锂离子电池RUL预测的准确性。结果表明该方法具有测试时间短和误差小等优点,可为锂离子电池检测机构及生产企业提供一种更加快捷及低成本的电池剩余使用寿命或循环寿命测试方案。

ELM-AdaBoost模型在光纤陀螺温度误差补偿中的应用

针对光纤陀螺零偏与温度之间复杂的非线性关系,引入极限学习机(extreme learning machines,ELM)模型补偿光纤陀螺的零偏温度误差;针对单个ELM在预测准确性和稳定性不足及其对奇异样本敏感的问题,引入自适应增强算法(adaptive boosting,AdaBoost)建立ELM-AdaBoost预测模型改善光纤陀螺性能,分析光纤陀螺的温度误差机理及模型参数对预测精度的影响,给出ELM算法隐含层神经元个数及AdaBoost算法迭代次数的确定方法。仿真结果表明:基于ELM-AdaBoost预测模型的补偿效果优于多元线性回归模型和单个ELM神经网络模型,并具有良好的泛化性能和温度适用性,补偿后陀螺零偏均方根误差降低93%以上,显著改善了光纤陀螺零偏稳定性能。

基于APSO-Robust-ELM的大坝变形原始监测数据粗差识别方法

针对大坝原始监测数据普遍存在粗差的问题,提出了稳健估计与极限学习机相结合的粗差识别方法;并在此基础上,利用自适应粒子群算法寻找神经网络的最佳隐含层节点数;最后利用大坝安全预测模型验证所用方法的必要性和适用性。在工程实例分析中,将APSO-Robust-ELM法与Robust-ELM法、罗曼诺夫斯基准则和拉依达准则的处理结果进行对比,结果表明,APSO-Robust-ELM法能够更好的识别原始监测数据中的粗差,从而提高大坝安全运行的管理效率。

基于EEMD-SVM-ELM模型的月降水量预测研究

针对地表降水量数据的非线性、非平稳特征,首先利用EEMD对月降水量初始数据进行分解,再利用Lempel-Ziv复杂度算法将分量划分为高频及低频分量,使用粒子群算法(PSO)优化基学习器参数,最终构建EEMD-SVR-ELM月降水量预测模型,并采用该模型对长江下游部分城市的月降水量实际数据进行预测。结果表明,该模型的综合性能最优,具有更高的精确度。相较于单一模型,在M_(MAE)、R_(RMSE)、M_(MAPE)指标上分别降低了37.4%、41.4%、42.5%,DM检验表明该模型显著优于其他模型,说明该模型可作为月降水量预测的一种有效新方法。