基于麻雀搜索算法优化的改进多核极限学习机的风机叶片结冰故障诊断模型

风机叶片结冰是风力发电中影响风电机组安全运行的常见问题,准确检测叶片结冰故障能有效提高风电场的安全性与发电效率。为提升风机叶片结冰故障诊断正确率,提出了一种基于麻雀优化改进多核极限学习机(SSA-IMKELM)的风机叶片结冰故障诊断模型。首先,将传统的多核极限学习机(MKELM)多参数的单一模型分解为3个子模型;其次,通过固定上一子模型的相关参数对子模型使用麻雀搜索算法(SSA)寻优,从而解决了单一的多参数模型寻优困难的问题;最后,设定限定条件,保证结冰故障诊断的正确率不会出现下降的问题。实验结果表明:SSA-IMKELM模型能够有效提升风机叶片结冰故障诊断正确率。

基于改进灰狼算法和多核极限学习机的铁水硅含量预测建模

针对高炉铁水硅含量难以在线检测的问题,本文提出一种基于改进灰狼算法(IGWO)优化的多核极限学习机(MKELM)高炉铁水硅含量预测建模方法.首先,针对灰狼算法(GWO)寻优能力的不足,将最优-最差正交反向学习(OWOOBL)策略应用于灰狼算法的位置更新,得到一种改进灰狼优化算法.通过10种标准函数对所提算法进行仿真测试,结果表明此算法具有更好的寻优能力.其次,针对单核极限学习机(KELM)回归能力不足,将不同种类的核函数加权组合,并采用改进灰狼算法对多核极限学习机中的加权系数等参数进行优化.最后,基于某钢厂的实测数据对高炉铁水硅含量进行预测建模,仿真结果表明,本文所提方法的预测效果优于反向传播神经网络(BP-NN)、极限学习机(ELM)、KELM和GWO-MKELM,对高炉炼铁具有较好的指导意义.

基于多核极限学习机的遥感影像林地信息提取

高光谱遥感影像包含了大量的波段信息,能够很好地应用于地物的识别。基于单核的高光谱遥感影像极限学习机分类模型,因其实施简单、分类精度高、训练时间短,已被广泛地应用于高光谱遥感影像识别。但是核特征的选取,以及单核特征表达的单一性,限制了模型分类精度的进一步提高。为了解决此问题,受多核极限学习机(MK-ELM)思想的启发,首先使用核方法,提取了遥感影像的多核特征表达;然后利用多核极限学习机理论,同时优化极限学习机结构参数以及多核特征融合系数,获得最优的分类模型。为了说明MK-ELM的有效性,在Indian pines数据集上做了对比实验,该实验证明基于多核极限学习机遥感影像分类模型的分类精度较单核极限学习机有明显地提高,MK-ELM的分类整体精度为80.2%,Kappa系数高达78%;同时将多核极限学习机应用到芷江林场的林地信息提取,其分类精度高达89.1%,Kappa系数达86%。

基于VMD-PSO-多核极限学习机的短期负荷预测

为提高短期负荷预测精度,解决核极限学习机单一核函数难以适应负荷多数据特征的问题,提出了一种基于变分模态分解与粒子群优化的多核极限学习机模型。该模型采用变分模态分解技术将原始负荷序列分解为具有不同特征频率的子序列,并对每个子序列建立预测模型。负荷预测模型采用粒子群优化的多核极限学习机,其使用混合核函数代替单一的核函数,使其在不同的参数下不仅有良好的局部搜索能力,同时也加强了全局搜索能力。实验表明,该模型拥有更好的回归精度和泛化能力,能够得到更精确的预测结果。

基于优化多核极限学习机的车轮多边形磨耗识别

多边形车轮是铁路机车车辆中普遍存在的一种磨损现象,随着列车运营里程的增加,车轮磨耗程度显著提升,严重影响着列车乘坐舒适性和运营安全性,借助于列车运营监测大数据开展多边形车轮动态检测方法研究具有重要意义.本研究基于列车轴箱垂向加速度建立了多边形车轮定量识别模型,首先通过阶次分析识别出轴箱加速度中包含的多边形车轮主要阶次,同时获取各阶次对应的加速度幅值信息,在此基础上引入加速度信号熵特征共同构建多边形车轮磨耗幅值识别特征矩阵,然后建立遗传变异粒子群优化多核极限学习机(GMPSO-MELM)识别模型,通过特征矩阵与磨耗幅值的映射关系,进一步实现了车轮多边形磨耗幅值识别.通过仿真与现场实测数据研究结果表明,所提出的识别模型能有效地从轴箱加速度中提取多边形车轮主要阶次,磨耗幅值的识别精度均优于对比模型且具有较高的检测效率,可实现均方根误差为0.001 0 (仿真结果)与0.013 4(试验结果)的精确识别,本文提出的多边形车轮磨耗识别模型可为列车车轮检测与智能维护提供理论基础.

基于多核极限学习机的火灾代理模型研究

火灾动力学模型(Fire Dynamics Simulation,FDS)能够较准确地描述火灾过程。但由于其模拟时间较长,故难以在实际消防力量救援和人员疏散引导中发挥重要作用。为解决上述问题,提出一种多核极限学习机(Multi-Kernel Extreme Learning Machine,MKELM)火灾代理模型来对火灾关键状态参数进行预测。在该代理模型中,两个不同类型的核函数被用于核极限学习机,并使用新近提出的鲸鱼优化算法(Whale Optimization Algorithm,WOA)来优化核函数参数;最后将MKELM算法建立火灾代理模型与其他代理模型进行比较,相比于其他代理模型,实验结果表明所提算法能够在可接受的计算时间内得到更好的预测结果。因此,不仅能解决FDS模拟费时问题,且可以为火灾应急处置和管理提供帮助。

多核极限学习机算法仿真实证研究

给出了标准极限学习机的回归模型,根据现有单核极限学习机回归能力的不足,提出了多核极限学习机,对多个不同的核函数根据实际情况进行加权组合,充分利用不同核函数的特有优势,对所给的样本进行充分分析,进而提高函数的逼近精度,通过仿真实例证实了所提方法的有效性。

基于BA-MKELM的微电网故障识别与定位

提出一种基于贝叶斯算法优化多核极限学习机的微电网故障识别和定位方法。针对极限学习机输入参数和隐含层节点数随机选取导致回归能力不足的问题,引入核函数,将多项式与高斯径向基核函数加权组合构成多核极限学习机建立故障识别与定位模型,并采用贝叶斯算法对多核极限学习机相关参数进行优化,进一步提高模型的逼近能力。为了验证所提模型的故障识别与定位性能,选用极限学习机和多核极限学习机分别建立故障诊断模型进行比较分析。实验结果表明,所提方法能够高性能地识别和定位微电网中任何类型的故障,识别和定位精度更高。

无监督健康指标在轴承早期故障检测中的应用

针对滚动轴承早期故障时间点难以检测问题,提出一种基于卷积深度置信网络(convolutional deep belief network, CDBN)与多核极限学习机自编码器(multi-kernel extreme learning machine based autoencoder, MKELM-AE)的无监督健康指标故障检测方法。首先,引入CDBN自适应提取滚动轴承健康状态振动信号频谱的深层高维特征信息,去除高维数据冗余信息后得到表征滚动轴承健康状态的低维特征;然后,采用粒子群优化(particle swarm optimization, PSO)的MKELM-AE对提取的低维特征进行重构训练;最后,将待测信号输入训练好的CDBN-MKELM-AE模型中计算重构误差作为反映滚动轴承退化的健康指标,并采用Bootstrap Pettitt异常检测方法检测待测健康指标发生突变的时间。实验结果表明,所提方法建立的健康指标能反映轴承退化的不同阶段,可有效检测出早期故障中健康指标发生突变的时间,定位早期故障点。

链式回转弹仓区间不确定性动力学模型

针对具有区间不确定性参数的辨识问题,提出一种基于区间可能度转换模型的区间不确定性参数的双层嵌套辨识(Double-layer Nested Identification,DNI)方法。通过将待辨识参数分为两类,利用DNI方法辨识出第1类确定性参数,再通过基于DNI思想的区间优化方法优化第2类区间不确定性参数的区间范围;面向嵌套策略类型方法计算量庞大且效率低的问题,选用贝叶斯优化-粒子群优化(Bayesian Optimization-Particle Swarm Optimization,BO-PSO)方法作为内层算法以提高求解效率。DNI方法的内层利用BO-PSO方法计算区间上下界,外层利用改进型布谷鸟搜索(Improved Cuckoo Search,ICS)方法辨识特定参数。为进一步缩短求解时间,提出一种ICS多核极限学习机(ICS-Multiple Kernel-Extreme Learning Machine,ICS-MK-ELM)代理模型,ICS-MK-ELM代理模型克服了人工调节每个核函数超参数的困难,并且模型预测精度明显高于核ELM(Kernel ELM,KELM)和MK-ELM;将DNI方法应用于链式回转弹仓的参数辨识,解决了链式弹仓具有区间不确定性参数的辨识困难的问题,参数辨识结果表明所提DNI方法以及基于DNI思想的区间优化方法具有更高的精度和稳定性。

基于模糊C均值聚类-变分模态分解和群智能优化的多核神经网络短期负荷预测模型

电力系统的运行和控制中,短期负荷预测(short-term load forecasting,STLF)起着至关重要的作用。由于负荷的随机性和复杂性,准确预测负荷成为一项挑战。该文将结合了模糊C均值聚类(fuzzy C-means clustering,FCM)理论、变分模态分解(variational modal decomposition,VMD)和混沌粒子群优化(chaotic particle swarm optimization,CPSO)算法的多核极限学习机(multi-kernel extreme learning machine,MKELM)引入到预测模型中,构建聚类、分解、优化、训练、预测的负荷预测模型。然后基于已用于中国南极内陆泰山站能源系统的短期负荷预测应用案例,在原有模型基础上改进后获得适用于中国国内用电负荷预测模型。模型训练结果对比表明,该新模型在负荷短期预测中具有较高精度,能够反映区域用电负荷的变化趋势,研究成果为各种场景的用电负荷预测提供了新方法和新思路。

基于IGWO-MKELM的锂离子电池剩余使用寿命预测

随着锂离子电池在储能系统中比例迅速增大,为避免因电池性能退化导致的事故,如何准确预测锂离子电池剩余使用寿命就成为保障储能系统可靠运行的关键。针对锂离子电池剩余使用寿命预测的问题,提出一种改进灰狼优化多核极限学习机(IGWO-MKELM)预测方法。首先从电池充放电过程中提取能够表征电池寿命退化的间接健康因子作为输入量,然后采用改进灰狼算法对多核极限学习机参数进行寻优,建立改进灰狼优化多核极限学习机预测方法,最后使用NASA电池数据集进行仿真实验。结果表明,IGWO-MKELM方法可以更加精确地预测锂离子电池剩余寿命。

基于LLSO-MKELM算法的观瞄故障诊断

针对装甲车辆的观瞄系统,提出一种基于多核极限学习机(multi kernel extreme learning machine,MKELM)的故障诊断模型。利用分级粒子群优化算法(level-based learning swarm optimizer,LLSO)优化模型参数,利用采集历史数据进行仿真实验。结果表明:MKELM有更好的诊断准确度,并且LLSO可解决MKELM相对较多的参数带来的训练速度较慢的问题;与经典的粒子群算法(particle swarm optimization,PSO)相比,LLSO有着更快的优化速度,证明了LLSO-MKELM可用于观瞄系统故障诊断,并且有着良好的训练速度和准确度。

基于GMPE和GWO-MKELM算法的往复压缩机轴承故障诊断

针对往复压缩机内部结构复杂,轴承间隙故障特征提取困难和识别准确率不高等问题,提出了多尺度排列熵和多核极限学习机混合算法的智能诊断新方法。首先,针对多尺度排列熵在多尺度过程中,利用均值粗粒化的方式在一定程度上“中和”了原始信号的动力学突变行为,降低了熵值分析的准确性,提出了一种广义多尺度排列熵算法;然后,为解决核极限学习机处理复杂数据样本分类存在的局限性,将高斯核函数、多项式核函数和感知器核函数进行线性叠加,构建混合核函数,提出了多核极限学习机模型。仿真实验结果表明,该故障诊断方法识别准确率高达98%,高效地实现了轴承不同种类故障的智能诊断。

基于离散正交Stockwell变换的微电网故障分类与定位

针对微电网故障分类和定位问题,文中提出了一种基于离散正交Stockwell变换(DOST)优化多核极限学习机(MKELM)的微电网智能故障分类与定位识别方法。利用DOST从微电网发送端继电器中获取故障后电流信号的一个周期,提取有用的统计特征进行标准化处理并将其作为MKELM的输入,结合遗传算法(GA)确定MKELM的最优参数。在微电网测试系统中测试了所提出方法在不同运行条件和故障情况下的性能,测试结果验证了该方法在高性能微电网中对任何类型的故障进行分类和定位的有效性。与传统的核极限学习机(KELM)和支持向量机(SVM)方法相比,所提出的方法具有更高的性能,并且对测量噪声保持较高的鲁棒性。

基于Bootstrap和ICS-MKELM算法的大坝变形预测

传统大坝预测方法难以适应坝体变形序列的高维非线性特征,且仅能以点值的形式预测大坝变形,未能有效量化由数据随机噪声、输入样本的主观确定、参数的随机选择等引起的结果不确定性。针对上述问题,提出了基于Bootstrap和改进布谷鸟优化多核极限学习机(ICS-MKELM)算法的大坝变形预测模型,实现在精确预测大坝变形点值的同时,通过区间形式量化预测值的不确定性。首先,建立基于高精度多核极限学习机(MKELM)的大坝变形预测模型,该模型集成了核极限学习机(KELM)高效处理强非线性回归问题的优势和混合核泛化、学习能力强的特点,同时采用基于惯性权重和混沌理论改进的布谷鸟搜索(ICS)算法对多核极限学习机中核参数及正则系数进行优化,弥补模型易陷入局部最优的不足;其次,引入Bootstrap区间预测方法对模型和数据造成的不确定影响进行量化;最后,将所提模型应用于某实际大坝工程的变形预测,分析了不同训练样本数对模型预测精度的影响,同时通过与五种常用的预测算法进行对比,验证了本文模型具有一致性和优越性。