“SSA”模型的类型及教学应用

不能利用"SSA"判定两个三角形全等,原因是有两边和其中一边的对角对应相等的两个三角形可能全等,也可能不全等.如果限定两个三角形都为锐角三角形、直角三角形、钝角三角形中的某一类三角形时,那么可以证明这两个三角形全等.如果这两个三角形为一个锐角三角形和一个钝角三角形时,那么它们必定不全等.然而,不全等的这两个三角形组成的"SSA"不全等模型(之后本文简称:"SSA"模型),有独立型、标准型、"8字"型、共边型四种类型,这四种类型的"SSA"模型在教学中都有具体的应用.

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。

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PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。

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-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%。

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MDS和改进SSA-SVM的高速铁路道岔故障诊断方法研究

针对高速铁路道岔设备故障频繁,现场维修工作量大等问题,提出基于多维尺度缩放法(MDS)和改进麻雀搜索算法(SSA)优化支持向量机(SVM)的高速铁路道岔故障诊断模型。首先以ZDJ9道岔转换功率曲线为研究对象,总结现场典型道岔故障类型及故障原因,分别提取道岔功率曲线的时域、频域特征指标以及小波包能量熵,组成特征指标向量;其次采用MDS方法进行多维特征指标的降维优化,建立道岔故障特征指标样本数据库;最后利用改进Circle混沌映射初始化种群,并通过自适应t分布增强麻雀种群的多样性,再以改进SSA算法优化SVM模型中的惩罚因子和核函数方差2个关键参数,构建改进SSA-SVM的道岔故障诊断模型。故障诊断结果表明,本模型的故障诊断正确率高达96.25%,诊断效果优于其他方法,可以为道岔设备的故障维修提供理论依据。

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。

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 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。

用SSA优化CNN-LSTM-SEnet预测模型实现风电机组故障预警

风电机组数据采集与监控系统的原始高维数据存在大量异常点和噪声点,且故障预警对性能预测模型的精度要求很高。为此,建立了一种基于混合神经网络预测模型的风电机组故障预警方法。为获取高质量的建模数据,采用快速密度峰值聚类和孤立森林算法对原始数据进行多步清洗。利用麻雀搜索算法优化的卷积神经网络–长短期记忆网络–压缩激励网络混合模型,建立了能够有效提取潜在特征信息、高精度的风机正常工况性能预测模型。为实现故障可靠预警、降低误报率,通过滑动窗口法构建预警指标并结合核密度估计法计算其阈值。采用真实故障历史数据进行实验,验证了方法的有效性。

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-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。

应用分类讨论思想探究“SSA”三角形的尺规作图及结论

尺规作图是进行数学实践探索的有效工具,通过实践操作分类讨论“SSA”三角形尺规作图的类型,运用逻辑推理分类讨论探究“SSA”结论成立的条件,深度理解“SSA”三角形的构造及结论成立的条件.