基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

基于PCA和多变量极限学习机的轴承剩余寿命预测

提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。

基于改进极端学习机的混沌时间序列瓦斯涌出量预测

为更准确地预测瓦斯涌出量,预防瓦斯灾害,有必要建立和应用基于改进极端学习机(IELM)的混沌时间序列预测模型。首先,对瓦斯涌出量监测数据构成的多变量时间序列进行相空间重构,采用互信息法与虚假邻点法得到每一变量的延迟时间和最佳嵌入维数;然后,通过最小二乘方法和误差反馈原理计算出最优的网络输入层到隐含层的学习参数,对极端学习机(ELM)进行改进;最后,借助IELM建立瓦斯混沌时间序列的预测模型。通过仿真试验,运用该预测模型预测的最大相对误差为3.290 2%,最小相对误差为0.898 2%,平均相对误差为1.952 8%。

基于加权极端学习机的瓦斯涌出量预测模型

为了能够更加准确地预测瓦斯涌出量，提出一种多元混沌时间序列的加权极端学习机瓦斯涌出量预测模型。首先对瓦斯涌出量监测数据构成的多元时间序列进行相空间重构，采用信息熵方法选取最佳延迟时间和嵌入维数：然后根据相空间中输入数据对预测误差的影响施加不同的权重，并结合核极端学习机预测模型构造出加权极端学习机模型。通过仿真试验表明，提出的预测模型行之有效，与同类其他模型相比，具有更高的预测精度和更好的稳定性。

基于混合多变量经验模态分解和极限学习机的非平稳过程预测

传感器布置不足和传感器数据缺失是风压实测研究中需要解决的重要问题,风压的空间预测可以恢复缺失数据和拓展风压空间信息,帮助建立结构表面的风压分布.为此提出一种基于多变量经验模态分解(MEMD)和极限学习机(ELM)的空间预测算法.采用MEMD分解非平稳信号,得到多组模态数目相同且频率匹配的固有模态函数和余项.对分解得到的数据按频率进行重组,作为输入数据,用ELM进行学习和预测.采用基于自回归滑动平均的模拟风速数据和实测非平稳风压数据来验证算法的有效性和精确度,同时引入基于径向基核函数的最小二乘支持向量机(RBF-LSSVM)和ELM方法作为对比.试验结果表明,MEMD-ELM方法的预测结果误差更小,与真实值更为接近.MEMD的多变量同时分解可以保留数据间的相关性,从而在非平稳过程空间预测时达到更好的效果,是一种稳定而有效的多变量预测方法.

基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.

基于多变量相空间重构和优化深度极限学习机的短期风电功率预测

针对风电功率单变量处理方法及预测模型拟合能力不足的问题,提出了一种多变量相空间重构(multivariate phase space reconstruction,MPSR)和鲸鱼优化算法深度极限学习机(whale optimization algorithm-deep extreme learning machine,WOA-DELM)的短期风电功率组合预测方法。首先,利用Pearson相关系数筛选出与风电功率相关的气象因素,并将其与风电功率序列组成多变量时间序列;其次,利用C-C法确定每一时间序列的最优嵌入维数和时间延迟,实现多变量相空间重构;然后,将多变量相空间重构建立的数据集输入到深度极限学习机(deep extreme learning machine,DELM)模型中,同时利用鲸鱼优化算法(whale optimization algorithm,WOA)对DELM的权值参数进行优化,得到WOA-DELM预测模型,以此预测短期风电功率,最终得到预测结果。将平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,结合实例分析,并与传统的模型进行比较。结果表明:所提预测模型得到的3个评价指标分别0.4120 MW、0.4921 MW和1.7822%,优于其他模型,具有更好的稳定性和预测性能。

基于图拉普拉斯变换和极限学习机的时间序列预测算法

由于时间效率的约束,多元时间序列预测算法往往存在预测准确率不足的问题。对此,提出基于图拉普拉斯变换和极限学习机的时间序列预测算法。基于图拉普拉斯变换对时间序列进行半监督的特征提取,通过散布矩阵将监督特征和无监督特征进行融合。设计在线的极限学习机学习算法,仅需要在线更新网络的输出权重矩阵即可完成神经网络的学习。利用提取的特征在线训练极限学习机,实现对多元时间序列的实时预测。基于多个数据集进行仿真实验,结果表明该算法有效地提高了预测准确率。

传感器故障后多变量经验小波变换多点预测

为有效应对多点风速传感器或风压传感器故障而造成的损失,同时为了降低运算的复杂性和工程应用的难度,需要提出同步恢复缺失数据的模型。传统的多通道信号诊断采用多元经验模态分解(multivariate empiricalmode decomposition,简称MEMD),笔者提出多变量经验小波变换(multivariable empirical wavelet transform,简称MEWT)来同步恢复多点缺失数据。具体应用时,首先,运用MEWT将多点信号同时分解为一系列模态;然后,利用核函数极限学习机(kernel-based extreme learning machine,简称KELM)实现同步预测,同时运用杜鹃搜索(cuckoo search,简称CS)算法对模型的正则化参数以及核参数进行智能寻优。多步预测时,采用多输入多输出(multi-input multi-output,简称MIMO)策略代替传统的滚动策略。建筑物表面实测多点风压数据和实测多点下击暴流风速数据用于验证模型的可行性。与噪声辅助的多元经验模态分解核函数极限学习机的对比结果表明,该模型能更高精度地同步恢复多点多步信号。

基于改进多元宇宙算法优化ELM的短期电力负荷预测

为改善因人工神经网络参数随机初始化对短期电力负荷预测带来的不足,提出一种基于改进多元宇宙(improved multivariate universe optimizer, IMVO)算法优化极限学习机(extreme learning machine, ELM)的短期电力负荷预测方法。算法的改进包含3个方面。首先,添加beta分布的随机数得到改进Tent混沌映射方法,采用遍历均匀性更好的改进Tent混沌映射方法使MVO算法得到好的初始解位置。其次,采用指数形式改进传统MVO算法的旅行距离率,利用指数形式改进后可使算法在整个寻优迭代前中期保持较高的全局开发水平。然后,采用精英反向学习的方法改进宇宙群。通过基准函数测试改进前后算法的性能,表明IMVO算法具有更好的稳定性和鲁棒性。最后,利用IMVO算法优化ELM的权值和阈值,建立IMVO-ELM短期电力负荷预测模型。通过实例分析和实验对比,表明IMVO-ELM模型的稳定性、预测精度和泛化能力均优于其他模型。

基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。

GPM卫星降水产品空间降尺度研究--以贵州省为例

为提高GPM卫星降水产品的空间分辨率,扩展其应用范围,以贵州省为研究区域,通过建立空间降尺度模型对其进行降尺度研究。首先,以经度、纬度、高程、坡度、坡向等地形因子为解释变量,以原始GPM卫星降水数据为目标变量,分别建立多元线性回归、地理加权回归、极限学习机、支持向量机、随机森林回归等降尺度模型;然后对多年平均时间尺度进行应用与评价;最后选择效果最佳的模型分别对典型年的年、月降水量进行空间降尺度研究。结果表明,除随机森林回归模型外的其余4种空间降尺度模型均表现良好,其中以多元线性回归模型表现最为稳定、效果最优;多元线性回归模型的降尺度结果在观测精度和空间相关性上均有较大程度的提升。该研究可为贵州省提供高分辨率的网格化降水产品,对区域水文气象研究等工作提供支持。

改进多元层次波动色散熵及其在滚动轴承故障诊断中的应用

针对滚动轴承振动信号故障特征难以提取以及单通道振动信号分析易存在故障信息缺漏的问题,提出一种新的衡量多通道时间序列动态特征的方法——改进多元层次波动色散熵(modified multivariate hierarchical fluctuation dispersion entropy,MMHFDE),将其用于提取滚动轴承多通道振动信号中的故障特征,在此基础上提出一种基于MMHFDE,最大相关最小冗余(max-relevance and min-redundancy,mRMR)和粒子群优化核极限学习机(particle swarm optimization kernel extreme learning machine,PSO-KELM)的滚动轴承故障诊断新方法。使用MMHFDE提取滚动轴承不同状态的故障特征,而后采用mRMR从得到的故障特征中筛选敏感特征构成敏感特征向量;将敏感特征向量输入到基于PSO-KELM构建的故障分类器中进行故障识别。由试验结果可知,提出的方法可以有效识别滚动轴承不同故障状态。

基于ELM和迁移学习的电网设备多因素综合故障率分析方法

电网设备的故障率分析是电网风险预警和运行评估的基础和关键,而电网设备多种故障因素与综合故障率的非线性权重关系的评估决定了故障率分析的准确度,为充分利用历史故障信息数据以准确评估多故障因素与综合故障率的权重关系,提出一种基于极限学习机(ELM)和迁移学习的电网设备多因素综合故障率分析方法;首先,设计了多源历史故障信息统计体系,构建电网设备故障分析样本数据库;将自身、过载、恶劣天气等作为主要故障因素,通过机器学习ELM算法,分析故障因素与综合故障率的权重关系,并利用多个强相关样本集的有效迁移提高机器学习的准确度,通过ELM结合迁移学习算法,克服了电网设备综合故障率分析中样本数量少且统计周期长的难题,充分利用历史故障信息,实现多因素设备综合故障率的准确评估,为风险评估和检修安排提高可靠的数据支撑;最后通过实际电网运行实例,验证了所提方法的可靠性和准确性。

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。

基于多元KELM的发动机状态在线预测模型

针对当前飞机发动机状态预测过程中,不考虑相关变量状态变化,仅根据单变量历史时间序列对飞机发动机状态预测的问题,提出一种基于多元核极限学习机(KELM)的发动机状态在线预测模型。首先,通过多变量时间序列的相空间重构,将变量间的时间相关性转化为空间相关性;其次,通过研究KELM与核递归最小二乘法(KRLS)之间的关系,将KRLS扩展到在线稀疏KELM框架中;最后,使用近似线性依赖对样本进行稀疏化来控制网络结构的增长,最终实现多变量非平稳序列的在线预测。某型教练机的发动机飞行参数预测结果表明:满足在线预测要求的条件下,与KB-IELM、NOS-KELM、FF-OSKELM相比,模型KRLSELM将平均预测精度提高了90.61%、58.14%和25.77%,将预测稳定性提高了99.61%、75.03%和28.59%,具有更高的预测精度和稳定性;并且各方法均在多变量输入条件下获得最优的预测效果,验证了考虑多变量状态因素对单变量的在线预测具有重要意义。

基于MVMD和ISCSO-HKELM的质子交换膜燃料电池故障诊断

针对质子交换膜燃料电池(PEMFC)系统的原始信号受到高温和强背景噪声影响导致故障诊断准确率较低的问题,提出一种基于多元变分模态分解(MVMD)和改进沙丘猫优化算法(ISCSO)优化混合核极限学习机(HKELM)的PEMFC故障诊断模型。通过小波硬阈值(WHTD)对PEMFC的原始信号进行去噪,利用MVMD将去噪后信号进行模态分解进而得到一系列本征模态函数(IMF),利用方差贡献率、相关系数和信息熵筛选出最优的IMF进行信号重构。通过逻辑(Logistic)映射、透镜成像折射反向学习(ROBL)、非线性动态因子和黄金正弦策略改进沙丘猫算法(SCSO),得到ISCSO。利用ISCSO对HKELM进行优化,并基于改进后的ISCSO-HKELM对重构信号进行特征提取进而实现故障诊断。将所提出的WHTD-MVMD-ISCSO-HKELM故障诊断模型与其他算法进行对比验证,试验结果表明,所提方法能够明显提升故障诊断的准确率,具有一定的可行性和优越性。

采用优化极限学习机的多变量混沌时间序列预测

基于优化极限学习机理论,提出一种多变量混沌时间序列预测方法.该方法利用复合混沌和混沌变尺度算法对极限学习机的模型参数进行搜索和优化,以提高极限学习机的泛化性能;然后利用优化后的极限学习机对Rossler耦合系统的多变量混沌时序进行一步和多步预测,并且与同类算法进行了比较,结果表明了该方法的有效性,且算法具有较强的抗噪能力;最后讨论了预测结果和隐层神经元数目的关系.

加权极限学习机的多变量时间序列预测方法

提出一种基于样本分布的极限学习机预测模型WELMSD.该模型先用kN近邻密度估计方法估计出样本的密度值,再用估计出的密度值给传统ELM的经验风险项加权,克服传统ELM在对时间序列进行预测时忽略样本分布的缺点.基于Rossler混沌时间序列和上证、深证股票数据的实验仿真结果证明了所提算法的有效性,且当近邻参数k_N取值较小时,所提模型对参数不敏感,是一种更优的多变量时间序列预测模型.