基于优化核极限学习机的铝电解电流效率预测

电流效率作为铝电解过程的重要参数,获得实时准确的测量结果对实现过程的有效控制至关重要。基于数据挖掘的思想,提出基于优化核极限学习机(KELM)的铝电解电流效率预测模型。通过分析铝电解机理,获得影响电流效率的过程参数,采用核主元分析法对试验数据进行降维,并用聚类算法剔除数据异常点,建立基于KELM的铝电解电流效率模型。使用鲸鱼优化算法与模拟退火的混合算法(WOASA)优化KELM模型的关键参数,从而提高模型的精度和泛化能力。通过实际生产数据进行仿真试验,将本文的方法与原始KELM、PSO-KELM、GWO-KELM、CGWO-KELM算法进行对比,结果证明了该预测模型的有效性,可以实现铝电解过程电流效率的准确预测。

基于优化核极限学习的WSN网络汇聚节点故障诊断

针对现有无线传感网络sink节点(汇聚节点)故障存在在线诊断效果差、准确率低的问题,提出一种经过优化的核极限学习方法。在核极限学习模型的基础上,从权重和偏置2个层面改善核函数的运算性能;引入了SFLA启发优化算法,提高对sink节点故障分类中全局寻优的性能,增强故障诊断效果。仿真结果表明,所提出的节点故障诊断方法在2种状态下的CPT指标值均趋近于理论值,故障样本的抽样误差率显著优于传统故障诊断方案。

基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断

针对现有深度卷积神经网络对滚动轴承混合故障诊断效果不佳以及模型复杂度过高导致计算成本过大等问题,提出了一种基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断方法。该模型由RegNet-CSAM网络和ZOA-KELM分类算法组成。首先,将融合了通道和空间特征的注意力机制CSAM与组卷积残差模块结合,提升该结构的表征能力,由此构建的RegNet-CSAM网络,模型复杂度为0.48GF;其次,在分类阶段将斑马优化核极限学习机(ZOA-KELM)替代原来网络中使用的Softmax函数完成最后的分类任务。滚动轴承故障诊断试验结果表明,RegNet网络对滚动轴承混合故障样本容易产生误判,CSAM的融入虽将RegNet网络的分类精度进一步提高,但是仍然存在一定程度的滚动轴承混合故障误判问题;而将ZOA-KELM替代Softmax函数后再对RegNet-CSAM网络输出特征进行分类,能够有效识别出滚动轴承的单一和混合故障,准确率达到了99.92%。所提方法对比其他网络,诊断精度最大提升5.02%,模型复杂度最大缩减32倍。

基于RCMDE和ISOMAP的行星齿轮传动耦合故障辨识研究

现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细复合多尺度散度熵(RCMDE)、等距特征映射(ISOMAP)和遗传算法优化核极限学习机(GA-KELM)的行星齿轮箱耦合故障诊断方法。首先,利用振动加速度计采集了行星齿轮箱单一故障和耦合故障下运行时的振动信号,构建了故障数据集;随后,利用RCMDE提取了行星齿轮箱振动信号的故障特征,建立了初始的特征样本;接着,利用ISOMAP对故障特征进行了降维,并以可视化的方式获取了低维的特征样本;最后,将新特征输入至GA-KELM分类器中,对行星齿轮箱的不同故障类型进行了识别,并基于行星齿轮箱多点损伤样本,对RCMDE方法的可靠性进行了研究。研究结果表明:基于RCMDE和ISOMAP的故障特征提取方法能够有效提取振动信号中的故障特征,而GA-KELM的故障诊断准确率达到了98.13%,平均诊断准确率达到了96.25%。相较其他故障特征提取方法,基于RCMDE、ISOMAP和GA-KELM的行星齿轮箱耦合故障诊断方法能够更好地诊断行星齿轮箱的耦合故障,具有更高的诊断准确率。

基于SOM-FCM和KELM组合方法的短期光伏功率预测

为了提高短期光伏发电预测的精度,本文提出了一种将聚类后的自组织映射网络(SOM)与优化的核极值学习机(KELM)方法相结合的混合预测模型。首先,利用SOM来对训练数据集进行初始划分。然后,利用模糊C均值(FCM)对训练好的SOM网络进行聚类操作,同时利用Davies-Bouldin指数(DBI)来确定最佳聚类的大小。最后,在每个数据分区中,通过结合差分演化算法优化的KELM方法来建立区域KELM模型,或者结合最小二乘估计的多元线性回归(MR)方法来构建区域MR模型。此外,本文还提出了基于SOM的不同局部多元回归模型。将提出的结合SOM-FCM和KELM的混合预测模型分别应用于GEFCom2014三个不同太阳能电站,进行提前一小时的发电功率预测。与其他预测模型相比,光伏发电站1的平均绝对误差(MAE)降低了61.41%,光伏发电站2的MAE降低了60.19%,光伏发电站3的MAE降低了58.92%。光伏发电站1的均方根误差(RMSE)降低了52.06%,光伏发电站2的RMSE降低了54.56%,光伏发电站3的RMSE降低了51.43%。实验结果表明,提出的结合SOMFCM和KELM的方法可显著提高预测准确性。

基于LMD云模型与PSO-KELM的齿轮箱故障诊断

由于齿轮箱故障振动信号具有非平稳性与不确定性的特点,导致齿轮箱故障诊断精度较低。针对该问题提出一种基于局部均值分解(LMD)云模型特征提取结合粒子群优化(PSO)核极限学习机(KELM)的齿轮箱故障诊断方法。首先,将故障振动信号用LMD分解得到若干PF分量,并利用相关系数原则筛选出相关性较高的PF分量;其次,在云模型中输入筛选后的PF分量,采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断;最后,利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析。结果表明,该方法识别精度为97.65%,与多种方法进行对比,该方法具备最佳识别性能。

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KELM和多传感器信息融合的风电齿轮箱故障诊断

为提高风电齿轮箱的运行效率,降低风电场的运行维护成本,结合时域统计特征分析和多传感器信息融合技术,提出了一种基于灰狼优化核极限学习机(GWO-KELM)的风电齿轮箱状态监测新方法。首先,计算原始振动信号不同的时域统计特征参数,并采用并行叠加的方式对特征级和数据级进行信息融合以得到融合数据集。其次,利用融合数据集,建立了基于GWO-KELM的故障分类识别模型。最后,运用所提方法对QPZZ-Ⅱ旋转机械振动试验台齿轮箱实测数据进行状态监测,实例结果表明了该方法的有效性和可行性,与其他同类方法相比,所提方法具有最佳分类性能。

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。