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BS-TabNet和LSSA的车架智能轻量化设计

为解决传统牵引车车架轻量化设计中设计周期长、设计难度较大和过分依赖工程师经验等问题,提出了一种智能轻量化设计方法.首先,通过试验设计(Design of Experiments,DOE)联合仿真获取车架性能表格数据.其次,基于TabNet算法、贝叶斯优化算法和沙普利增量解释理论(SHapley Additive exPlanation,SHAP)构建出BS-TabNet模型,用于学习车架性能表格数据,生成车架代理模型.最后,采用莱维飞行策略对麻雀搜索算法(Sparrow Search Algorithm,SSA)进行改进,得到莱维麻雀搜索算法(Levy Sparrow Search Algorithm,LSSA),用于求解车架轻量化任务,找到最优车架结构参数.相较于传统机器学习算法,BS-TabNet模型在准确性、稳定性和可解释性三个方面都有着更高的评价,其准确度达到了0.98左右,稳定性提高50%以上,而且具有更强的可解释能力,解决了深度学习在表格型数据上表现较差的问题.相较于传统群智能优化算法,LSSA算法能够寻找到更好的优化结果,在满足其他性能要求的同时,实现了车架质量减轻5.64%的轻量化效果.智能轻量化设计方法将人工智能与车架轻量化设计相结合,能够节省大量设计时间,提高设计效率.

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于天气状态模式识别的SSA-BP神经网络光伏电厂功率及碳减排量预测

文章提出了一种基于天气状态模式识别并结合SSA-BP(Sparrow Search Algorithm-Back Propagation)预测光伏出力的方法。首先,在分析辐照度、温度、风速等参数变化规律基础上,基于高斯混合模型,针对专业天气类型开展分类,获得类晴、类雨和类阴3种典型的广义天气;然后,将数据作为SSA-BP神经网络输入,对光伏电厂出力分类进行预测;最后,结合碳核算方法学对光伏发电项目碳减排量进行核算。结果表明:利用分类识别和改进的SSA-BP神经网络,在3种天气类型预测中平均相对误差分别为0.195,0.243,0.310;SSA-BP与其他模型相比,平均相对误差降低了17.8%~66.7%。此外,预测CO_(2)减排量与实际核算值相对误差为3.37%,亦表现出良好预测效果。

基于SSA-CNN的航空器着陆跑道占用时间预测

国内外相关研究表明,航空器着陆跑道占用时间(aircraft arrive runway occupation time,AROT)是影响机场跑道容量的重要因素,对跑道占用时间的准确预测有利于更准确地评估跑道容量。由于着陆过程的动态性和复杂性,采用注重数据特征提取的卷积神经网络(convolutional neural networks,CNN)对AROT进行预测,针对CNN容易陷入局部最优等缺点,采用麻雀搜索算法(sparrow search algorithm,SSA)对CNN相关参数进行优化。数据采用航空器快速存取记录器(quick access recorder,QAR)的记录作为数据源,涵盖机场数目为34个。根据QAR数据分析AROT影响因素,构建了SSA-CNN预测模型。对QAR数据分析表明AROT与滑行距离、落地气温、跑道入口速度、快速脱离道数量、脱离速度关联性较强,与航空器重量、风速、风向、脱离道角度等影响因素关联性较低。根据影响因素的关联性采用CNN预测模型均方误差为18.35,而优化后的SSA-CNN预测模型均方误差为17.31,预测结果可以为机场评估跑道容量提供参考。

基于SSA和双稳随机共振的车削颤振微弱特征提取

围绕车削颤振激发过程,针对车削颤振过渡阶段特征微弱且存在噪声和转频干扰的问题,提出一种基于麻雀优化算法(sparrow search algorithm, SSA)和双稳随机共振(bistable stochastic resonance, BSR)系统的车削颤振微弱特征提取方法。该方法利用SSA优良的寻优特性,以信噪比作为优化指标确定最佳BSR系统参数,用优化后的参数对车削颤振信号进行滤波处理,提取颤振特征频率。仿真试验表明SSA-BSR方法可以实现对强噪声背景下微弱特征信号的提取与增强,同时兼顾寻优速度快和获得全局最优解概率高的优点。开展车削颤振检测试验,颤振激发过程的加速度信号图谱分析结果验证了车削颤振特征频率幅值与颤振激发程度之间的相关性;不同模型在车削颤振过渡阶段特征提取的对比结果验证了SSA-BSR模型的有效性和优越性,并且能够满足车削颤振检测对实时性的要求,实现在进入剧烈颤振阶段前发出预警,为量化车削颤振和车削颤振在线监测提供一种新思路。

基于优化VMD-SSA-LSTM算法的锂离子电池RUL预测

目的为了避免锂电池在使用的过程中可能会出现容量虚假回升现象,从而导致电池在超出退化标准后继续使用造成风险。方法提出基于鲸鱼优化算法(WOA)、分模态分解(VMD)、麻雀搜索算法(SSA)和长短时记忆神经网络(LSTM)的组合预测算法对锂离子电池剩余寿命(RUL)进行预测。首先对于变分模态分解模态数K和惩罚因子a以往需要凭经验确定的问题,提出使用WOA对VMD的两个参数进行寻优。其次将原始容量退化数据根据上一步确定的参数进行模态分解,得到有限个模态分量。由于经过分解过后得到的残差分量的起伏性较大,因此将其作为其中的一个分量。最后,使用SSA优化LSTM的超参数,并对得到的模态分量和残差分量进行预测,并将预测的各个分量重构得到预测结果。结果采用NASA PCoE实验室公开的锂电池失效数据集进行实验,验证了所提出的WOA-VMD-SSA-LSTM优化算法相较于其他2种优化算法,在平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分误差(MAPE)3项评价标准中都是最低,且MAPE小于1%。结论该优化算法对于锂电池RUL预测具有不错的精度和稳定性,为锂电池RUL预测提供了一种新的预测模型的同时,也为VMD超参数的选择和确定提供了一种新方法。

基于SSA-BP神经网络的车-轨-桥系统随机振动分析

轨道及桥梁结构参数随机性对车-轨-桥耦合系统的振动影响不能忽略。基于代理模型研究轨道-桥梁间3层弹簧刚度和弹簧阻尼以及桥梁刚度和阻尼的随机性对竖向车-轨-桥耦合系统动力响应的影响。首先,基于经典的车-轨-桥耦合系统力学模型(没有考虑桥墩),采用Monte-Carlo生成2 000个样本集,作为代理模型的训练集。然后,对比SSA-BP(麻雀优化BP算法)与传统BP神经网络、GA-BP神经网络(遗传优化BP算法)对车辆和桥梁响应的预测精度,同时探讨样本数量以及Levenberg-Marquardt和Bayesian Regulation训练算法对SSA-BP神经网络预测精度的影响。最后,假定各随机参数概率分布规律服从高斯型正态分布,所有随机参数变异系数均分为0.05、0.10、0.15、0.20、0.25等5个级别,采用所提出的SSA-BP神经网络研究轨道及桥梁的刚度和阻尼变化对车辆和桥梁响应极值的影响。结果表明:与经典的车-轨-桥耦合系统力学模型相比,所提出的代理模型具有更高的计算效率;SSA-BP模型对车辆和桥梁响应的预测精度高于GA-BP模型,GA-BP模型的预测精度高于传统的BP模型;SSA-BP模型采用Levenberg-Marquardt训练算法对车辆和桥梁响应的预测精度优于Bayesian Regulation训练算法的预测精度;道砟和桥梁之间弹簧刚度的随机变化对桥梁随机振动响应尤为明显;钢轨和轨枕之间弹簧刚度的随机性对车体响应的影响不可忽视,而桥梁刚度和阻尼随机性对车体的影响可不考虑。研究成果可为车轨桥系统随机振动响应预测进一步研究提供依据和参考。

基于最小二乘法和SSA算法的行星齿轮箱微弱振动故障探测

行星齿轮箱是一种常用于工业机械和车辆传动系统中的重要装置,其长期运转和负荷导致行星齿轮箱存在着微弱振动故障的风险,通过研究行星齿轮箱微弱振动故障的特征和变化趋势,可以提前发现潜在故障迹象,提高齿轮箱的安全性;然而,行星齿轮箱微弱振动信号具有复杂的时域和频域特征,且其振动信号非常微弱,并富含大量噪声,为行星齿轮箱的故障探测工作带来较大难度;为此,提出基于最小二乘法和SSA算法的行星齿轮箱微弱振动故障探测方法;模拟行星齿轮箱工作与振动流程,根据不同故障下齿轮箱的工作特征,设置微弱振动故障探测标准;采集行星齿轮箱微弱振动信号,利用最小二乘法降低行星齿轮箱微弱振动信号中的噪声含量;利用SSA算法提取行星齿轮箱微弱振动信号特征,根据提取特征与设置标准的匹配,得出故障类型和故障参数的探测结果;通过性能测试实验得出结论:所提方法探测行星齿轮箱微弱振动信号的信噪比明显降低,故障探测范围扩大了353.94 mm^(2),具有较好的探测能力。

基于 SSA-GRNN 的非接触式目标表面红外激光物性反演方法

在目标物性反演时,接触式测量方法在复杂环境下进行存在困难,而非接触式测量方法,由于测量数据相比接触式测量存在一定的误差,导致反演准确率受到影响。针对以上问题,提出了一种基于红外激光回波的非接触式目标表面物性反演方法。首先,测量不同目标表面的激光回波强度信息,采用麻雀搜索算法,优化并训练广义回归神经网络,建立红外激光回波强度预测模型;其次,分析测量距离、测量角度对激光回波强度的影响,建立材料表面激光回波强度数据库;最后,采集未知目标在四种距离下的表面激光回波强度信息,赋予材料种类编号,输入到回波强度预测模型中,计算预测值与实际值的相对误差,反演未知目标表面材料物性。实验结果表明:在反演目标相同的情况下,回波强度预测结果的均方根误差从传统网络的11.337降低到了优化后的2.482。优化后的神经网络模型的相对反演准确率可达88.89%以上,与传统方法相比,平均反演准确率提高了45.83%,文中所提方法具有较高的准确性和推广性,为武器系统非合作目标的探测、材料反演提供方法,提高了目标识别能力。

基于VMD-SSA-LSTM的闸门振动信号趋势预测

闸门振动信号分析和预测是检测闸门运行状态的重要方式,由于闸门信号的复杂性和非平稳性,准确判断闸门状态成为难题。本文提出一种基于VMD多模态分解和SSA-LSTM网络结构,对输入的闸门信号进行分解和预测。首先采用VMD分解了闸门信号并取得信号特征,通过SSA优化LSTM网络超参数,提高对闸门信号预测的准确性和效率。实验结果表明:相比LSTM和VMD-LSTM,本文的算法效果最佳,采用SSA算法后,RMSE下降68.1%,为闸门振动信号检测和预测提供基础。

基于SSA-LSTM的高高原民航飞机空调系统故障预测

在民航高高原航线的复杂气候环境下,机载设备整体性能要求更高。在低温、低压、强紫外线等条件下,飞机关键部件会加速老化。国内航空公司通常采用事后维修的方式对飞机进行维护,针对传统事后维修方法响应时间长、成本高以及存在潜在的安全风险,难以人为精准把控维修周期和维修深度的问题,提出一种大数据驱动的飞机空调系统故障预测方法。引入融合麻雀算法的长短期记忆网络(Sparrow Search Algorithm-Long Short-Term Memory,SSA-LSTM),利用无线快速访问记录器(Wireless Quick Access Recorder,WQAR)收集的数据,与其余两种预测方法进行对比研究,结果表明SSA-LSTM具有明显优势。通过预测和早期潜在故障识别,为航空公司从事后维修向预防性维修的转变提供了支持。

基于ICEEMDAN-SSA-Wavelet的声发射信号降噪研究

针对粘接件声发射(AE)信号含有噪声分量难以滤除的问题,提出一种改进ICEEMDAN的方法。该方法首先使用ICEEMDAN分解原始AE信号,并通过相关系数和能量差值的方法筛选出低频分量和高频分量;运用麻雀优化算法(SSA)优化后的改进小波阈值去噪算法对其进行去噪;最后将保留的低频分量和去噪后的高频分量重构成一个新的信号,通过实验数据对比和分析评估降噪效果。实验结果表明,相较于改进小波阈值去噪和ICEEMDAN去噪,文中提出的方法对金属与非金属粘接件AE信号的降噪效果更好,能够保护原始信号的频域信息,进而提高脱粘检测精度。

基于ISSA-SVM的钻井卡钻事故预测

为预防钻井过程中卡钻事故的发生,通过提出了一种改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machines,SVM)的预测模型方法(ISSA-SVM),在发现者位置更新公式中引入一种改进的自适应非线性惯性递减权重;在警戒者位置更新公式中引入莱维飞行策略。利用主成分分析法(principal component analysis,PCA)对外国某大型油田的实测钻井数据进行降维处理,并利用惩罚参数和核参数进行卡钻事故的预测。实验结果表明:ISSA-SVM的预测准确率高达85.1852%,且收敛速度更快,可见ISSA-SVM可有效预测钻井卡钻事故。

基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

混合多策略MHSSA智能优化风电拉挤板生产排程

针对带序列相关调整时间和顺序齐套约束的风电拉挤板生产排程问题,构建了最小化设备负荷偏差、交货期偏差和最大化设备利用率的多目标优化模型,改进并设计了基于Pareto寻优和拥挤度计算机制的多目标启发式麻雀搜索算法(multi-objective heuristic sparrow search algorithm, MHSSA)。算法具有“组件-区域”两层编码方式和“倒排-修复-优化”启发式解码算子;采用多规则结合反向学习的改进种群初始化策略,增强了全局搜索能力;利用具有交叉算子和外部存档扰动机制的改进搜索策略,提升了寻优精度和种群多样性。通过数据集测试和实例仿真分析,验证了排程优化模型和智能排程算法的有效性。

基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R^(2)可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。

基于SSA-BP近似模型的湿式制动器带排转矩参数CSO智能优化

针对湿式制动器在非制动工况下功率损失的工程问题,考虑摩擦副间隙内部的润滑油对摩擦副带排转矩的影响,运用麻雀搜索算法-反向传播(Sparrow Search Algorithm-Back Propagation,SSABP)神经网络的强大非线性拟合能力,以制动器空载工况为输入量、带排转矩为输出量,建立了湿式制动器近似模型;与传统的BP模型对比,该模型预测精度明显提高,更能满足实际工程的需要;同时,为获取最小带排转矩,采用鸡群优化(Chicken Swarm Optimization,CSO)智能算法对工况参数进行搜索寻优,得到湿式制动器的最佳工况。经试验测试验证,与优化前相比,优化后摩擦副间的带排转矩和功率损失有着明显降低。研究为湿式制动器结构的进一步优化提供了理论基础和工程实践经验。

基于SSA-BP的爆破振动峰值速度预测研究

为了精准预测爆破振动峰值速度(PPV),有效降低爆破振动的危害,以星光一号露天矿山爆破工程为依托,选取爆心距、堵塞长度、最小抵抗线、炸药单耗、最大单孔装药量、总延期时间、最大单响药量等7个影响因素作为输入变量,采用灰色关联分析法评估各因素与PPV之间的相关性,构建麻雀搜索算法(SSA)优化BP神经网络的爆破峰值振速预测模型,对三向峰值振动速度进行预测,并与BP神经网络模型预测结果进行对比分析,得到SSA-BP神经网络模型预测结果的平均误差分别为6.08%、7.34%、1.91%,BP神经网络模型预测结果的平均误差分别为22.19%、54.01%、25.29%。研究结果表明:SSA-BP神经网络模型全面考虑了多种爆破设计参数对振动峰值速度的影响;麻雀搜索优化算法有效解决了传统BP神经网络模型容易陷入局部最优的问题,预测结果更精确,与振速监测值吻合度更高、误差更小;并且极大地缩短了样本数据的学习训练时间,加快BP神经网络预测模型的收敛速度,可为类似露天爆破工程质点峰值振速的预测提供借鉴。

HLA-DQA1*0501、HLA-DQB1*02基因多态性与抗Ro/SSA抗体阳性pSS易感性的关系分析

目的基于数据库相关数据分析人类白细胞抗原(HLA)-DQA1*0501和HLA-DQB1*02基因多态性与抗Ro/SSA抗体阳性的原发性干燥综合征(pSS)易感性的关系。方法使用计算机检索相关数据库,筛选并收集pSS患者、抗Ro/SSA抗体阳性的pSS患者、抗Ro/SSA抗体阴性的pSS患者以及健康对照人群的HLA-DQA1*0501、HLA-DQB1*02基因多态性资料。使用STATA 16.0(USA)统计软件分析抗Ro/SSA抗体阳性的pSS患者中HLA-DQA1*0501和HLA-DQB1*02基因多态性与pSS发生的关系。结果纳入文献5篇,涉及420例pSS患者、250例抗Ro/SSA抗体阳性pSS患者、120例抗Ro/SSA抗体阴性的pSS患者和733例健康对照者。在pSS患者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为159、246例;在健康对照者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为196、282例;在抗SSA抗体阳性pSS患者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为129、158例;在抗SSA抗体阴性pSS患者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为30、46例。HLA-DQA1*0501和HLA-DQB1*02基因多态性与pSS的易感性有关(I2分别为62.99%、40.75%,合计OR值分别为2.60、2.43,95%CI分别为1.49~4.55、1.88~3.14,P均<0.05)。HLA-DQA1*0501和HLA-DQB1*02基因多态性也与抗Ro/SSA抗体阳性pSS的易感性有关(I2分别为0.00%、9.41%,合计OR值分别为3.85、2.61,95%CI分别为1.81~8.21、1.52~4.48,P均<0.05)。结论HLA-DQA1*0501和HLA-DQB1*02基因多态性与抗Ro/SSA抗体阳性的pSS患者的易感性相关。具有HLA-DQA1*0501和HLA-DQB1*02基因阳性的抗Ro/SSA抗体阳性患者更容易患pSS。