基于变分模态分解和灰狼优化极限学习机的隧道口边坡位移预测

针对高铁隧道口边坡位移监测数据非平稳、非线性的特点,以及极限学习机(ELM)模型起始参数随机生成导致预测性能不佳等问题,建立了基于变分模态分解(VMD)和灰狼优化算法(GWO)的ELM位移预测模型VMD-GWO-ELM。首先,通过经验模态分解的自适应分解层数确定VMD的最佳分解数k,得到周期项、趋势项和波动项位移。然后,利用灰狼算法优化ELM的输入权值和隐含神经元阈值。最后,对各子序列进行预测和叠加。实例验证结果表明:本文模型的均方根误差为0.3822 mm,平均绝对百分比误差为1.0047%,拟合优度为0.9837,表明该模型具有更高的预测精度及适用性。

基于GWO-ELM算法与模糊控制的无标定视觉伺服研究

针对传统基于图像的视觉伺服系统运行速度慢,图像雅可比矩阵的求解受标定精度影响的问题,提出一种基于灰狼算法优化极限学习机(GWO-ELM)与模糊控制相结合的视觉伺服控制方法。该方法利用灰狼算法(GWO)优化ELM模型初始权重增加模型稳定性,估计图像雅可比矩阵伪逆预测机械臂末端运动速度,之后引入模糊控制(Fuzzy Control)设计视觉伺服控制器构建无标定视觉伺服控制系统,并进行上机实验。实验结果表明,Fuzzy Control-GWO-ELM-IBVS的运行效率相对于GWO-ELM-IBVS得到了提升,定位误差能控制在规定阈值,验证了提出的无标定视觉伺服控制系统的有效性。

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。