改进天鹰优化器优化Elman神经网络模型预测管道蜡沉积速率

管道结蜡一直是困扰含蜡原油输送的棘手问题,建立准确的蜡沉积速率预测模型对于保障管道的安全运行具有重要的实际意义。考虑到Elman神经网络(Elman neural network,ENN)模型的不足(易陷入极小点、泛化能力弱),基于蜡沉积速率的主要影响因素,提出了一种基于改进天鹰优化器(引入鲸鱼优化算法的狩猎策略对天鹰优化器的局部搜索能力进行改进)的ENN模型,并基于两组室内实验数据对比分析了所建新模型和其他模型预测精度的差异。结果表明,改进新模型的平均绝对百分比误差分别为0.7603%、1.2452%,其预测精度明显高于传统ENN模型;采用改进天鹰优化器建立的ENN模型可对初始权值和阈值进行寻优处理,极大提高了泛化能力,因此具有预测精度高的优点。

基于AO-VMD和IAO-SVM的齿轮箱故障诊断

针对提高变分模态分解(Variational Mode Decomposition,VMD)的自适应性、优选本征模态分量(Intrinsic Mode Function,IMF)及多故障分类的问题,提出一种天鹰优化器(Aquila Optimizer,AO)优化VMD、综合评价模型优选IMF、改进天鹰优化器(Improved Aquila Optimizer,IAO)优化支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。首先,采用AO优化VMD的参数并分解原始信号;其次,构建基于相关系数、峭度、包络熵、能量熵的CRITIC-TOPSIS综合评价模型,优选IMF,提取能量熵建立特征向量;最后,将其输入IAO-SVM识别故障类型。通过实验验证所提出方法的有效性。