基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition,EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine,SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.

输入不确定BELM在发酵过程软测量中的应用

为复杂的发酵过程建立软测量模型要求模型最好能够给出预测值的置信区间,以便技术人员对发酵过程的真实状况和模型的可靠性进行评估。贝叶斯极限学习机能够在实现预测的同时一并给出预测值的置信区间,因此将其用于发酵过程的软测量建模。然而,实际发酵过程中的输入数据往往带有噪声,贝叶斯极限学习机仅能处理输出含噪声的情况。针对这个问题,提出了输入不确定贝叶斯极限学习机。在原有的贝叶斯推理过程中引入输入不确定性,得到了综合考虑输入输出噪声的模型参数和预测置信区间。最后利用青霉素发酵过程进行仿真验证,建立了产物质量浓度的软测量模型,结果表明该方法预测精度高,得到的预测置信区间包含了所有真实值。

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。

一种基于贝叶斯优化和XGBoost的膏体流变参数预测模型

探究膏体充填料浆流变特性,对矿山合理布置充填管路,高效进行充填作业有重要意义。目的:将繁琐且影响因素众多的膏体流变参数测量试验与先进的机器学习回归预测模型相结合,实现膏体流变参数的准确预测。方法:利用不同物料配合比条件下共128组膏体流变特性试验数据作为模型数据集,选择极度梯度提升回归树(XGBoost)模型,结合贝叶斯算法(BO)对模型进行超参数寻优设置,建立了多目标参数回归预测模型。结果:研究结果表明:经贝叶斯算法优化后的BO-XGBoost模型较XGBoost模型性能显著提升,决定系数R^(2)提高6%。所构建BO-XGBoost模型真实值与预测值在屈服应力数据集上相对误差维持在0.02水平;黏度数据集维持在0.1水平。结论:BO-XGBoost模型可实现膏体流变参数的高效准确预测,创新性地使用了多目标回归模型,为矿山充填作业设计提供参考,具有一定实际工程应用意义。

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BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须及时准确地诊断滚动轴承故障;针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法;首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(DKELM)模型;其次,利用贝叶斯优化(BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低;然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断;最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。

基于贝叶斯优化混合核极限学习机的真伪卷烟拉曼光谱预测研究

为解决人工鉴别真伪卷烟存在的预测精度低和主观性强的问题,提出一种基于贝叶斯优化混合核极限学习机的真伪卷烟拉曼光谱鉴别方法。该方法通过采用混合核函数提高模型的学习能力和泛化性能,并采用贝叶斯算法对混合核函数的参数进行优化,使其不仅有良好的局部搜索能力,同时也加强了全局搜索能力。将该方法应用于某品牌的真伪卷烟预测,试验结果表明:该模型拥有更好的预测精度,为真伪卷烟拉曼光谱预测提供了一种新思路。

一种混合动力电动汽车电池荷电状态预测的新方法

针对混合动力电动汽车(HEV)电池荷电状态(SOC)预测问题,引入贝叶斯极限学习机(BELM)方法。对极限学习机和贝叶斯线性回归的基本原理进行详细介绍,为提高极限学习机的拟合和泛化能力,采用贝叶斯方法来优化极限学习机输出层的权重。在循环工况条件下选择电池的工作电压、工作电流和表面温度参数用来预测电池SOC的实时值,同时兼顾HEV再生制动时的能量回馈过程。高级车辆仿真软件ADVISOR下的仿真结果和实际实验结果均表明:所设计的预测模型具有较高的准确度,能够实时准确地预测出SOC值,实用性强且有效性高。

混合动力汽车电池内部状态预测的贝叶斯极限学习机方法

针对混合动力汽车(HEV)电池内部状态预测问题,引入贝叶斯极限学习机(BELM)方法。对BELM的基本原理进行了详细介绍,在高级车辆仿真软件ADVISOR中采集HEV电池的各项性能参数,包括电压、电流、温度和内阻等。基于此,将BELM应用于电池的荷电状态(SOC)和健康状态(SOH)的预测,同时考虑电池老化对内部状态预测效果的影响。BELM预测结果表明:所设计的预测模型具有较高的精度,能够实时准确地预测出电池的SOC和SOH值。

变形监测数据预报的动态贝叶斯ELM方法

贝叶斯极限学习机(BELM)具有充分利用数据先验信息,可以自适应估计模型参数的特点。但在样本数量不断增加时,如果每次都对BELM重新训练将会降低计算效率。针对此问题,本文提出一种动态贝叶斯极限学习机(DBELM)方法以应用于变形监测数据实时预报。该方法以BELM训练的模型参数为初值,根据新增样本信息可对初始模型参数进行动态更新,并从理论上推导了相关计算公式。通过对仿真数据和实际变形数据进行详细分析表明:DBELM方法的预报精度要优于BELM、正则化极限学习机(RELM)、极限学习机(ELM)3种方法。特别是在长期持续预报过程中,其预报性能相对于其余3种方法优势明显。这充分表明了所提方法应用于变形监测数据预报领域具有可行性和有效性。

基于改进流形正则化极限学习机的短期电力负荷预测

为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。

基于稀疏贝叶斯极限学习机的光伏电站设备故障诊断研究

基于运维数据针对光伏(PV)电站逆变器的故障诊断进行研究,提出一种基于稀疏贝叶斯极限学习机(SBELM)的精准的光伏逆变器故障诊断方法。首先分析逆变器故障数据特征,将该问题转化为一个多分类问题;然后,采用合成少数类过采样技术(SMOTE)方法人工生成数据,解决数据不均衡问题,根据环境和逆变器实时监控据提取特征向量,并通过SBELM训练模型,可给出输出的概率分布,自动修剪冗余的隐藏节点,在不影响性能的前提下实现用部分节点进行多故障分类。通过实验分析,相比于其他故障诊断方法,SBELM诊断速度快且精度高,更适用于诊断光伏逆变器的故障。

基于多分类概率极限学习机的污水处理过程操作工况识别

污水处理过程复杂多变的运行工况以及系统脆弱的抗负荷冲击能力,常常导致污水处理厂运行目标难以实现,有效识别污水操作工况的变化对污水处理过程安全运行和操作优化十分重要。为增强未知样本分类可靠性,在概率极限学习机二分类基础上,将其扩展到多分类概率极限学习机方法 (extreme learning machine)。该方法首先采用极限学习机建立污水处理过程实时变量和污水处理过程工况编码之间的预报模型,然后根据类别的输出预报值分别建立每个类训练样本潜在函数的均值,确定所有类的条件概率密度函数,非线性最小二乘辨识条件概率密度函数参数,最后根据贝叶斯原理计算所有类的后验概率,由后验概率最大值判别样本所属类别。以辽宁某城市污水处理厂实时数据为背景进行验证,实验结果表明多分类概率极限学习机分类的可靠性和准确性优于极限学习机分类方法。

基于替代函数及贝叶斯框架的1范数ELM算法

针对极端学习机(Extreme learning machine,ELM)算法的不适定问题和模型规模控制问题,本文提出基于1范数正则项的改进型ELM算法.通过在二次损失函数基础上引入1范数正则项以控制模型规模,改善ELM的泛化能力.此外,为简化1范数正则化方法的求解过程,利用边际优化方法,构建适当的替代函数,以便于采用贝叶斯方法代替计算复杂的交叉检验方法,并实现正则化参数的自适应估计.仿真结果表明,本文所提算法能够有效简化模型结构,并保持较高的预测精度.

基于多极限学习机在线集成的柴油机故障诊断方法研究

针对在线贯序极限学习机(OS-ELM)输出不稳定和过学习问题,提出了基于贝叶斯框架的多OS-ELM融合算法。首先通过在目标函数中引入输出矩阵的二范数,将线性回归问题转化为岭回归问题,改善OS-ELM的过学习问题。其次,构建多个OS-ELM分类器对训练样本进行学习,在贝叶斯框架下实现多分类器的在线集成,以提高分类器的输出稳定性。UCI数据集的试验表明,与改进前相比,本算法的分类准确率提高了1.07%～3.35%,100次试验的标准差降低了0.001 5～0.021 4。柴油机11种工况的故障识别准确率可达到96.86%。

基于优化的灰色关联分析-极限学习机食用油污染物风险评价模型研究

近年来食用油安全事故频发,为降低这类事件的威胁,对其风险评价模型进行研究有着极其重要的意义。针对目前食用油检测数据高维性、非线性、离散性和含噪声的特点,现有风险评价模型存在噪声抑制能力差、评价不准确和模型参数调整主观性强等问题。对此,本实验提出一种食用油污染物风险评价模型。首先进行风险指标筛选以及数据预处理,然后将处理后的数据输入到基于小波阈值法的滤波模块中进行滤波,随后通过灰色关联分析计算各风险指标的权重来制定多指标综合风险值标签;由极限学习机(extreme learning machine,ELM)对综合风险值进行预测,在上述过程中利用实用贝叶斯优化算法分别来优化滤波模块和ELM网络的参数;最后利用模糊综合分析对预测综合风险值进行风险等级划分。本研究依托150组食用油数据进行分析,详细阐述了该模型的使用流程,通过不同模型对比实验,本研究模型决定系数R2和均方根误差分别为0.0563和0.9461,进一步验证了方法的优越性和有效性,可以为相关部门制定风险控制策略、抽检策略以及优化加工链提供更为合理的依据。

增强操作工况识别可靠性的概率PLS-ELM方法

针对分类阈值任意给定和临近边界区域操作工况识别可靠性低问题,提出基于贝叶斯理论的概率偏最小二乘极限学习机(p-PLS-ELM)分类算法.偏最小二乘被嵌入到极限学习机框架内,通过提取隐含层正交潜在变量,避免共线性引起输出权值系数不稳定,降低输出预报值的不确定性,改善分类编码输出预报模型的鲁棒性和稳定性.应用非线性最小二乘方法估计每类条件概率密度函数的参数,结合概率密度函数和贝叶斯定理,计算每类输出预报值后验概率作为分类可靠性测度.采用该方法在某污水处理厂进行实验验证.实验结果表明,基于概率PLSELM方法的污水处理操作工况识别可靠性和准确性相对优于PLS-ELM方法.

基于自组合核的增量分类方法

在线极端学习机(online sequential extreme learning machine,OSELM)模型在解决动态数据实时分类问题时,无需批量计算,仅保留前一时刻训练模型,根据当前时刻样本调整原有模型即可。然而,该增量方法在离线训练阶段随机指定隐层神经元使模型鲁棒性差,且求解过程难以拓展于核方法,降低了分类效果。针对上述问题,提出一种基于自组合核的在线极端学习机(self-compounding kernel online sequential extreme learning machine,SCK-OSELM)模型。首先,提出一种新的自组合核(self-compounding kernel,SCK)方法,构建样本不同核空间的非线性特征组合,该方法可被应用于其他监督核方法中。其次,以稀疏贝叶斯为理论基础将训练数据的先验分布作为模型权值引入,并利用超参调整权值后验分布,从而达到对当前时间点参数稀疏的目的。最后,将稀疏得到的参数并入下一时刻运算。对动态数据的实时分类实验表明,该方法是一种有效的增量学习算法。相比于OSELM,该方法在解决动态数据实时分类问题时获得更稳定、准确的分类效果。

基于稀疏贝叶斯极限学习机算法的股票价格预测

股票价格模型是金融理论分析与实证分析的重要基础,学术界与金融业界对其建模预测一直保持着极大的兴趣,但由于股票价格表现出高噪声性、强非线性、随机分形结构以及长记忆效应等特点,需要融合优化算法、统计学习方法与金融学理论对其建模分析。基于传统方法的股票价格过程建模预测结果往往精度不够好,所建立的模型泛化能力较差。基于稀疏贝叶斯极限学习机(SBELM)方法对股票价格进行建模预测,SBELM既能保持传统极限学习机(ELM)算法训练过程简捷的优点,又具有稀疏贝叶斯学习机自动选择隐藏层节点数的优点。利用上证综合指数2014-2015年的市场数据,比较基于SBELM方法的建模预测与基于贝叶斯极限学习机(BLEM)、ELM以及BP神经网络学习算法的建模预测,结果表明,基于SBELM方法的市场指数模型预测精度最高、泛化能力最强,具有较好的应用价值。

进化贝叶斯优化的核极限学习机分类器

为解决传统核极限学习机算法参数优化困难的问题,提高分类准确度,提出一种改进贝叶斯优化的核极限学习机算法。用樽海鞘群设计贝叶斯优化框架中获取函数的下置信界策略,提高算法的局部搜索能力和寻优能力;用这种改进的贝叶斯优化算法对核极限学习机的参数进行寻优,用最优参数构造核极限学习机分类器。在UCI真实数据集上进行仿真实验,实验结果表明,相比传统贝叶斯优化算法,所提算法能提升核极限学习机的分类精度,相较其它优化算法,所提算法可行有效。