基于灰狼算法优化极限学习机的中介轴承故障诊断方法

针对中介轴承故障振动信号具有传递路径复杂、强背景噪声干扰等特点,其故障特征不易提取的问题,提出基于自适应噪声完全经验模态分解(CEEMDAN)与灰狼算法(GWO)优化的极限学习机(ELM)相结合的中介轴承故障诊断方法。利用CEEMDAN和相关系数-能量比-峭度准则(CEKC)对振动信号进行分解、筛选、重构;再提取重构信号的时域和频域特征构成特征矩阵;然后以平均错误率作为GWO的适应度值,对ELM的输入层与隐含层的权值和隐含层阈值进行优化后重新构建ELM;最后将特征矩阵输入ELM得到故障诊断结果。应用于中介轴承故障诊断中,ELM在GWO优化后故障诊断正确率有明显提升,其中45°方向传感器数据正确率由93.33%提升到99.17%。结果表明:该方法能够有效诊断中介轴承故障类型,表现出了较强的泛化能力。

基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法。采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别。通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进行了噪声鲁棒性验证。滚动轴承现场故障数据的诊断结果以及与常规极限学习机(ELM)和多隐层极限学习机(M-ELM)的对比分析表明,GWO-ELM模型能够有效识别滚动轴承故障类型,而且具备较高的故障识别率和较快的诊断速度。

基于灰狼算法优化极限学习机的锂离子电池SOC估计

准确的电池荷电状态(SOC)估计是电动车辆正常工作的基本前提。针对目前电池荷电状态估计时存在的非线性、不平稳等干扰因素的影响,本工作提出了基于灰狼优化算法的极限学习机的锂离子电池SOC估计方法,以提高估计精度并缩短估计时长。传统的极限学习机(ELM)直接随机生成模型参数,并对SOC进行估计,该方法运行速度快且泛化性能好。但极限学习机需要找出最优的隐含层神经元参数才能达到较高的精度。因此,通过灰狼优化算法(GWO)进一步优化模型参数,并通过选择合适的激活函数,弥补了传统极限学习机的不足。最后通过与粒子群优化的前馈神经网络算法(BPNN-PSO)和极限学习机算法从多维度进行对比分析,在不同工况下验证了此方法在电池SOC估计中的优越性。结果表明,基于灰狼优化算法的极限学习机的锂离子电池荷电状态估计精度高、估算时长较短且鲁棒性较好,明显优于传统SOC估计方法。本研究有助于推动新能源车辆电池管理系统的开发与应用,为可靠的电池管理系统的研发提供支持。

基于改进灰狼算法优化和极限学习机的电网电力负荷预测

研究短期电网电力负荷预测问题,提出一种基于改进灰狼算法(IGWO)和极限学习机负荷预测的方法。提出改进的灰狼算法,通过引入自变权重系数和精英扰动更新策略,以提高IGWO全局寻优能力。利用DBSCAN算法对电力负荷数据集进行聚类分析,最大限度降低数据差异性对预测精度影响。利用IGWO优化后的ELM模型(IGWO-ELM)对分类电力负荷数据集进行预测。仿真结果表明,与其他预测方法比较,所提分类IGWO-ELM预测精度更高。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于改进灰狼优化核极限学习机的疾病诊断模型

为提高疾病诊断的效率,本文提出一种改进的灰狼优化算法与核极限学习机的混合模型。通过引入一种新的机制提高灰狼优化算法的探索与利用能力,改进的灰狼优化算法在进行特征选择的同时,也对核极限学习机的2个关键参数进行优化,模型在2个疾病数据集上进行实验验证。实验结果显示:提出的模型在准确率、敏感性、特异性等评价指标方面相对于其他混合模型高出约1%~2%,带特征选择的优化模型相对于没有特征选择的模型在评价指标上也高出约1%~2%。结果表明提出的模型具有一定的优势。

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

基于改进野狗优化算法优化极限学习机的空调负荷预测方法

针对目前短期空调负荷预测方法预测精度低、稳定性差等问题,提出一种基于微生物遗传算法(Microbial genetic algorithm,MGA)和野狗优化算法(Dingo optimization algorithm,DOA)优化极限学习机(Extreme learning machine,ELM)的空调负荷预测模型。首先利用DOA优化ELM的输入权值和隐层阈值,建立DOA-ELM预测模型,利用MGA改进DOA-ELM模型的预测稳定性和预测精度,建立(Microbial genetic algorithm Dingo optimization algorithm-Extreme learning machine)MDOA-ELM预测模型。为降低预测模型的维度,通过灰色关联分析(GRA)筛选影响空调负荷的输入输出因素。为验证算法有效性,以某工厂中央空调系统为例进行实例分析。实验结果表明,所建负荷预测模型相较于对比模型预测精度高,稳定性好,因此可更好地满足工程实际需求。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于3种新型群体智能算法优化正则化极限学习机的三峡水库入库日径流预测

准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

基于改进秃鹰算法优化极限学习机的谐波发射水平估计

针对目前电力系统谐波发射水平难以直接测量的问题,提出了一种基于改进秃鹰算法(improved bald eagle search,IBES)优化极限学习机(extreme learning machine,ELM)的谐波发射水平估计方法。首先,在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子,利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次,输入公共连接点(point of common coupling,PCC)处谐波电压和谐波电流,代入IBES-ELM模型,估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析,并与其他算法的估计结果进行对比。结果表明,所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory,LSTM)、卷积神经网络(convolution neural network,CNN)、反向传播神经网络(back propagation neural network,BP)和CNN-LSTM算法模型,验证了该方法的有效性和稳定性。

基于金枪鱼群算法优化极限学习机的混凝土抗压强度预测

混凝土抗压强度是建筑结构设计与评价的一个重要指标,它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高,不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题,提出一套基于新式仿生算法金枪鱼群算法优化极限学习机(TSO-ELM)的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优,有效提升了ELM的预测准确度。在仿真实验部分,通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明,该方法可以有效提高预测的速度与精准度,迭代次数更少,同时具有良好的泛化性,为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。

蚁群优化算法协同深度极限学习机的热连轧宽度预测模型

热连轧粗轧生产过程中,为解决换规格后宽度设定精度低的难题,提出了一种蚁群优化算法协同深度极限学习机(ant colony optimization deep extreme learning machine,ACO-DELM)的热连轧粗轧宽度预测方法.该方法将蚁群优化算法应用于DELM网络中,以提高其预测精度和泛化能力.先利用数据预处理方法对原始数据进行异常值的剔除和数据归一化.然后,使用蚁群优化算法对DELM的隐藏层节点数、迭代次数进行优化,在隐藏层节点数达到95个、迭代次数为480次时,DELM模型的预测性能最佳,其在预测不同规格带钢平均宽度时,决定系数R^(2)达到0.9989,97.98%的样本点预测误差分布在-7~7 mm.应用结果表明,与传统的深度极限学习机(DELM)、卷积神经网络(CNN)等模型相比,ACO-DELM模型在预测精度和泛化能力上有明显的提升,可有效应用于热轧带钢的平均宽度预测.

基于优化蝙蝠算法改进极限学习机的水库大坝变形预测方法

为提升水库大坝安全状态监测水平,针对传统大坝变形预测模型精度不足、性能不稳定的问题,提出一种基于优化蝙蝠算法改进极限学习机的大坝变形预测方法。以费县许家崖水库大坝为研究对象,采用遗传算法优化蝙蝠算法,通过优化蝙蝠算法对极限学习机随机选取的网络参数进行寻优,提升极限学习机的预测性能。结果表明:对比BA-ELM模型、GA-ELM模型,所构OBA-ELM模型预测精度和鲁棒性最高,研究结果能为水库大坝状态管理提供决策依据。

基于深度信念极限学习机与卷积优化算法的洪水预报方法

针对洪水峰高量大、汇流时间短以及流域地貌复杂,导致洪水预报难度大和预报精度不理想的问题,提出一种基于深度信念极限学习机(DBN-ELM)和改进卷积优化算法(ICOA)的ICOA-DBN-ELM模型。以渭河上游北道水文站点2006~2020年的日径流数据作为输入数据,并将该模型与BP、ELM、DBN-BP、DBN-ELM、COA-DBN-ELM模型进行对比。结果表明,所建立的ICOA-DBN-ELM模型有更好的预报精度,在洪水预报领域具有良好的应用前景。

基于改进鲸鱼算法优化极限学习机的无氟保护渣黏度预测

针对结晶器无氟保护渣黏度值预测复杂、预测精度低的问题,提出了一种基于改进鲸鱼优化算法的极限学习机模型并用于无氟保护渣黏度值预测。首先,构建无氟保护渣成分数据集,并对保护渣中成分与黏度值进行相关性分析;然后,利用改进Tent混沌映射和反向学习策略初始化鲸鱼优化算法的种群,融合非线性收敛因子和自适应t分布变异策略提高算法对极限学习机中超参数的寻优能力;最后,对无氟保护渣数据集进行黏度值预测对比实验,验证了改进算法的有效性。结果表明:与反向传播神经网络(back propagation neural network, BPNN)、极限学习机(extreme learning machine, ELM)模型相比,平均绝对百分比误差平均降低了29.50%,在寻优精度、预测精度和稳定性方面取得较大提升。

基于改进非洲秃鹫算法优化极限学习机的船舶运动预测

针对船舶运动预测模型精度不高而造成预测结果误差大的问题,提出一种利用改进非洲秃鹫优化算法(IAVOA)优化模型参数的极限学习机(ELM)预测模型,对船舶运动状况进行预测。在初始化种群时引入Circle混沌映射,增加种群的多样性;加入自适应算子,调整两类秃鹫对其他秃鹫的指引作用,提升算法的收敛速度和解的质量。利用IAVOA优化的ELM模型对船模水池试验运动数据进行预测,并采用均方根误差和平均绝对误差评判该预测模型,与现有其他启发式算法优化ELM模型比较,所提出的IAVOA-ELM具有更优的预测精度和泛化能力。

基于蜣螂算法优化深度极限学习机的中介轴承故障诊断方法

针对中介轴承故障信号传递路径复杂、受背景噪声干扰大、故障特征提取难,且传统诊断模型准确率受限于测点位置的问题,提出了一种基于自适应噪声完全经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与蜣螂算法(dung beetle optimizer,DBO)优化深度极限学习机(deep extreme learning machine,DELM)结合的中介轴承故障诊断方法。首先,使用CEEMDAN和由能量比-相关系数-峭度值组成的固有模态分量筛选准则对原始信号进行分解、筛选、重构,在重构信号的时域与频域中提取特征组成特征矩阵;其次,将诊断准确率作为DBO的适应度值,对DELM模型的初始权重进行优化构建出全新的DELM;最后,将特征矩阵输入DELM完成故障诊断。以中介轴承故障数据为例,经DBO优化后的DELM诊断准确率取得了较大提升,在诊断较为困难的45°方向上诊断准确率仍达到了98.75%。结果表明,该诊断方法有效识别了中介轴承故障类型,展现了较强的鲁棒性与泛化能力。

改进蜣螂算法优化混合核极限学习机的系统谐波阻抗估计

为准确估计系统谐波阻抗,提出一种改进蜣螂算法IDBO(improved dung beetle optimizer)优化混合核极限学习机HKELM(hybrid kernel extreme learning machine)的系统谐波阻抗估计方法。首先,在传统蜣螂算法基础上引入Cubic混沌映射、t分布扰动和高斯柯西变异扰动等方法,通过使用IDBO算法对HKELM进行多参数寻优;其次,将公共连接点处谐波电压和电流数据代入IDBO-HKELM,实现对系统谐波阻抗的精确估计;最后通过仿真和实例分析并对比多种方法,结果表明,所提方法在不同背景谐波波动条件和两侧阻抗差异场景下具有更好的估计精度。

FOA优化极限学习机算法及模型应用研究

传统极限学习机算法输入权重和单元偏置是随机确定的,这会导致算法性能不高,因而采用果蝇优化算法进行优化。分析了果蝇优化算法的流程,并和遗传算法、粒子群算法进行对比,通过求解Schaffer函数最优化问题验证了果蝇优化算法具有良好的优化性能。在此基础上,将果蝇优化算法优化极限学习机,提出改进的极限学习机算法。将改进极限学习机算法和极限学习机算法应用于化工企业竞争力预测中,结果表明,改进极限学习机算法对化工企业竞争力预测的准确率明显高于极限学习机算法,同时运行时间相差非常小。FOA优化极限学习机模型对其他预测问题的解决提供了参考。