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。

SSA-MLP模型在岩质边坡稳定性预测中的应用

岩质边坡的力学参数量化及稳定性分析对岩质边坡灾害的防治具有重要意义。Hoek-Brown(H B)准则是一种用于确定岩体力学参数的经典方法,能反映出边坡岩体变形和位移的非线性破坏特征。在此基础上,首先,提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)改进多层感知器(Multi-Layer Perceptron,MLP)的神经网络模型,并用于边坡稳定性预测、指标敏感性分析及参数反演。其次,将收集的1085组岩质边坡的几何参数和H B准则参数等作为输入变量,极限平衡理论Bishop法求解的安全系数作为输出变量,对SSA MLP模型进行训练学习和性能评估。最后,将该模型运用于25个边坡实例,验证模型的有效性。结果显示,该模型收敛速度快、精度高,为边坡稳定性分析和参数量化提供了一种新思路。

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VMD-SSA-LSTM的架空输电导线覆冰预测模型

针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)优化长短期记忆网络(long short-term memory network,LSTM)的覆冰组合预测模型.该方法首先使用VMD分解覆冰厚度数据,降低了原始序列的不稳定性,得到具有不同中心频率的本征模态分量;其次,采用SSA算法对LSTM中的3个参数进行寻优;最后,对模态分量分别建立LSTM预测模型,将各个模态分量的预测值叠加为覆冰厚度的总预测值.通过实例仿真,对所提预测模型进行验证.结果表明:VMD-SSA-LSTM组合模型与其他模型相比,其预测精度有进一步提高,验证了所提方法的有效性.

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

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-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。

基于改进SSA优化PID的下肢康复机器人控制

针对下肢康复机器人训练过程中步态跟踪误差大的问题,提出一种改进麻雀搜索算法(ISSA)优化PID的控制策略。首先,利用拉格朗日方程对下肢机器人进行动力学分析,得到动力学模型;然后,通过引入Kent映射混沌初始化种群、Tent混沌扰动和柯西变异扰动,以及改变探索者-跟随者比例系数和探索者位置更新公式等方面对麻雀搜索算法进行改进,通过8种测试函数证实了算法改进的有效性;最后,在Matlab/Simulink中建立下肢机器人PID控制器和ISSA-PID控制器系统的仿真模型,以正常人体步态数据进行拟合得到的函数曲线作为系统实际输入进行跟踪实验。结果表明:相比于传统PID控制,ISSA-PID控制髋关节和膝关节的误差分别降低了63.3%和72.5%,实现了精准的步态跟踪,验证了该控制策略的有效性。

基于优化SSA-VMD的滚动轴承故障信号降噪方法

针对滚动轴承故障信号降噪的问题,提出了一种基于优化麻雀搜索算法和变分模态分解的降噪方法。该方法利用优化麻雀搜索算法在既定范围内对变分模态分解的相关参数进行寻优,得到输入信号的最佳分解结果,根据时域相关系数选择有效的分量重构输入信号,从而实现对输入信号的降噪,通过滚动轴承的仿真故障信号和实际故障信号两方面分别验证该方法的有效性。结果表明,该方法相较于传统的变分模态分解方法拥有更好的降噪效果。

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VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆(Long Short-Term Memory,LSTM)神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.

基于SSA-GPR模型的风电机组运行状态监测

为提高风电机组发电效率,增加经济收益,实现风电机组运行状态的在线监测,提出一种基于麻雀搜索算法优化高斯过程回归(SSA-GPR)模型的风电机组状态监测新方法。首先对数据采集与监视控制(SCADA)系统采集到的数据进行预处理分析,利用相关性分析完成模型的输入量选择;然后利用机组正常运行状态下的参数建立常态回归模型,实时计算重构误差,通过实时监测功率残差值是否超过动态故障阈值来判断机组状态。实例结果表明,所提方法的预测误差更小,并可以提前120 min实现机组异常运行状态预警。

基于VMD-FE-SSA-SVR模型的超短期风速预测

为有效降低风速的非线性和无序性带来的风速预测难度,提高预测准确性,提出一种结合变分模态分解(VMD)、模糊熵(FE)、麻雀搜索算法(SSA)和支持向量回归(SVR)的组合预测模型来预测超短期风速。首先利用VMD技术将风速数据分解为若干模态分量,再通过FE方法对各分量进行筛选,将FE值相近的分量进行叠加,形成若干个新序列,然后采用经SSA优化过的SVR模型对新序列进行训练与预测,最后将各新序列的预测结果叠加,形成最终预测结果。通过不同模型验证对比,VMD-FE-SSA-SVR模型预测效果较好,表明所提模型显示出较好的预测精度与稳定性,可有效预测超短期风速。

基于SSA-VMD的气阀信号故障特征提取方法研究

为了解决VMD算法因人为预设分解层数K及惩罚因子α两个参数而导致的信号过分解和欠分解的问题,提出了一种基于SSA-VMD的隔膜压缩机气阀故障特征提取方法。该方法以各分量的最小包络熵作为适应度函数,对VMD进行参数优化。将SSA-VMD方法与原始VMD方法进行对比分析,分别计算两种分解方法各分量的多尺度散布熵(MDE)值,选取合适的熵值作为特征向量,利用随机森林算法进行故障的分类识别,从而实现对隔膜压缩机气阀各类故障的诊断。研究结果表明:使用原始VMD方法分解后的数据,故障识别的平均准确率为90.63%,而利用SSA-VMD方法故障识别的平均准确率高达99.32%。该结果表明使用SSA-VMD方法分解信号,故障诊断的准确率明显提高。

SSA-BP神经网络模型在地震伤亡人数预测中的应用

为快速准确地预测地震伤亡人数,提高地震应急救援效率,基于皮尔逊相关系数法定量刻画地震伤亡人数与影响因素之间的关联程度,挖掘地震伤亡人数的有效影响因素,并通过多元回归分析法检验有效影响因素的可靠性;采用麻雀搜索算法(SSA)优化BP神经网络,构建SSA-BP神经网络模型对地震伤亡人数进行预测,并将该模型与SVM、RBF、BP模型的预测数据和实际值进行对比。结果表明:与地震伤亡人数相关程度从高到低的有效影响因素依次为震中烈度、震级、房屋受损情况、发震时间、震源深度;SSA-BP神经网络模型较SVM、RBF、BP预测模型的均方误差分别降低93.3%、91.4%、85.2%,平均绝对误差分别降低69.3%、64.9%、54.7%,均方根误差分别降低74.1%、70.8%、61.6%,预测结果与实际地震伤亡人数接近,该模型可用于地震伤亡人数预测。

基于SSA-BP-SVM模型的云龙湖水质反演研究

利用遥感技术进行水质监测,全面地掌握水质分布情况对水环境保护具有重要意义.水质参数与地表反射率并非简单的线性关系,BP神经网络和支持向量机(SVM),因其非线性模拟的特点,被广泛应用于水质反演.传统BP神经网络存在收敛缓慢、容易陷入局部最优的问题;SVM虽然具有很好的拟合能力,但受惩罚系数及核函数参数影响较大.以云龙湖为研究区域,利用Sentinel-2影像和实测数据,针对重要水质参数电导率和浊度,提出一种基于麻雀搜索算法(SSA)优化BP神经网络及SVM的水质反演耦合模型,利用SSA对BP神经网络及SVM进行参数寻优,基于验证集MAE计算模型权重,对SSA-BP、SSA-SVM模型测试组输出层加权计算后获得最终反演结果.与BPNN、SVM、SSA-BP、SSA-SVM模型对比,结果表明:(1)Sentinel-2影像对电导率及浊度的敏感波段均为可见光及短波红外波段;(2)SSA-BP-SVM水质反演耦合模型精度更高,电导率及浊度反演模型R 2分别为0.92、0.89;(3)云龙湖具有典型的城市水体特征,电导率受上游南望净水厂排水影响较大,浊度受社会生产活动带来的颗粒污染物影响较大.基于Sentinel-2影像利用SSA-BP-SVM模型进行水质反演具有较好的应用潜力,能够为云龙湖水质监测以及制定保护措施提供一定的技术支撑.

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-VMD和SVM的滚珠丝杠副故障诊断

针对滚珠丝杠副故障特征提取困难的问题,提出一种基于麻雀搜索算法优化变分模态分解算法(SSA-VMD)结合支持向量机(SVM)的滚珠丝杠副故障诊断方法。以最小包络熵作为SSA的适应度函数,对VMD参数进行自主寻优;运用IMF能量值对分解信号进行筛选重构,去除噪声和无关成分的干扰;最后提取重构信号的8类时域特征参数和5类频域特征参数作为特征向量集,导入SVM进行故障识别模型的训练。通过搭建滚珠丝杠副故障诊断实验平台采集振动信号,分别采用SSA-VMD、VMD、EMD方法进行信号分解提取故障特征。实验结果表明:与VMD和EMD相比,SSA-VMD能针对不同的信号自主选择最优的VMD参数进行信号分解,能准确识别滚珠丝杠副故障类型,证明了基于SSA-VMD的滚珠丝杠副故障诊断的可行性和准确性。

基于SSA-VMD和ITFPF的喷油器信号去噪方法

由于柴油机工作环境复杂多变,喷油器信号中包含较多噪声,导致诊断率低。为降低噪声的影响,提高故障诊断率,提出一种麻雀算法优化变分模态分解(SSA-VMD)和改进时频峰值滤波(ITFPF)结合的信号去噪方法。针对VMD受分解参数制约的问题,以能量分解因子为目标函数,通过SSA自适应地将信号分解成一系列IMF,以解决参数设置不当导致的模态混叠问题。TFPF的窗长选择不当会影响其滤波效果,由于排列熵能够度量非平稳信号的复杂度,以排列熵为适应度函数寻到最优窗长,使ITFPF兼顾信号保真和噪声压制。仿真和试验结果表明:SSA-VMD和ITFPF结合的方法降噪效果优于其他方法,并使故障识别率相比未优化VMD提高了10.13%。