多工序制造过程的几何偏差表示与变动传递建模

开发多工序制造过程的变动传递模型对于评估加工零件的尺寸和几何质量、监控其制造过程、诊断加工变动源以及实现工艺方案的评价和选择都具有重要意义。在分析零件加工过程中误差源及传递模式的基础上,利用微分运动矢量描述定位基准、夹具和加工操作引起的各种变动偏差,再通过对各种变动偏差源进行一系列坐标变换来实现变动在工序间积累和传递,建立关键产品特性与各种加工工艺参数之间的数学关系,实现对误差传递、误差积累和耦合的定量分析,从而建立起多工序制造过程的线性显式变动流模型。最后,通过一个算例验证了模型的有效性。

基于诱发因素响应与DE-SVM模型的滑坡位移预测

三峡库区滑坡的稳定性直接影响到库区沿岸居民的生命及财产安全,而对滑坡变形的预测对于地质灾害防治有着重要意义。基于三峡库区涉水滑坡多存在阶跃式的变形特征和位移监测数据,采用差分进化(DE)算法对支持向量机(SVM)模型参数进行全局优化,并利用优化后的差分进化-支持向量机(DE-SVM)模型对滑坡位移监测数据进行训练,最终实现了对滑坡位移量的预测。以三峡库区典型滑坡——奉节县藕塘滑坡为例,运用DESVM模型并考虑库水位和降雨作为该滑坡的诱发因素,对该滑坡的变形及其发展趋势进行了预测研究。结果表明:基于诱发因素响应的DE-SVM模型对藕塘滑坡变形的预测结果与该滑坡的实际变形特征基本一致,表明该模型的预测精度高,对三峡库区涉水滑坡位移的预测具有重要的参考价值。

基于差分狼群算法优化SVM的主蒸汽流量测量

针对电厂中主蒸汽流量现有测量方法的不足,提出了基于差分进化狼群算法(DEWPA)进行主蒸汽流量测量的方法。首先,根据平均影响值的分配方法选取合适的主蒸汽流量影响因素,然后,采用差分进化狼群算法优化支持向量机模型参数,即在原始狼群算法的基础上,运用差分进化算法进行更新。仿真结果表面,差分进化狼群算法(DEWPA)预测模型的均方误差比粒子群算法(PSO)、遗传算法(GAO)更小,具有更高的预测精度。基于差分进化狼群算法优化SVM的算法为主蒸汽流量预测提供了一种新的方法。

一种求解二阶常微分方程近似解的P-SVM方法

微分方程的计算求解在计算机工程上有重要的理论意义和应用价值。针对传统数值解法计算复杂度高、解的形式离散等问题,本文基于微分方程的回归方程观点与解法,应用统计回归方法求解二阶常微分方程,并给出基于中心支持向量机(proximal support vector machine,P-SVM)在常微分方程的初值和边值问题上的近似解求法。通过在目标优化函数中添加偏置项,构建P-SVM回归模型,从而避免大规模求解线性方程组,得到结构简洁的最优解表达式。模型通过最小化训练样本点的均方误差和,在保证精度的同时,有效提高了近似解的计算速度。此外,形式简洁固定的解析解表达式也便于在实际应用中进行定性分析和性质研究。数值试验结果验证了P-SVM方法是一种高效可行的常微分方程求解方法。

基于DE-EDA-SVM的瓦斯浓度预测建模仿真研究

瓦斯浓度作为衡量煤矿瓦斯危害程度的一个重要指标,为了能够更加准确的预测煤矿瓦斯的浓度,提出一种差分进化-分布估计(DE-EDA)算法优化的支持向量机瓦斯浓度预测新方法。利用无线传感网络系统采集工作环境中的瓦斯浓度数据,并经过降噪处理后作为训练样本。采用DE-EDA算法对SVM模型的惩罚参数C、损失参数ε以及径向基参数γ进行优化,利用优化后的模型进行瓦斯浓度的预测。通过MATLAB软件仿真可以得出,所采用的优化模型能够准确的预测煤矿瓦斯浓度的变化趋势。并与经过粒子群(PSO)算法优化的预测模型相比较。结果表明,经过DE-EDA算法优化的SVM模型具有训练速度更快、预测更准确的特点,为实际煤矿瓦斯浓度的预测和处理提供了更加可靠的理论基础。

基于支持向量机预测的冷连轧机轧制力精确设定方法研究

针对冷连轧机液压AGC系统轧制力的精确设定问题,提出了一种基于差分进化算法优化支持向量机的轧制力精确设定方法。该方法在支持向量机预测模型的基础上,引入差分进化算法对支持向量机的训练参数进行优化,提高支持向量机的预测精度。之后,利用海量生产数据对支持向量机进行训练并进行轧制力偏差的预测,最后将预测结果用于修正轧制力模型设定计算值。通过预测结果和实际数据的对比表明,利用该方法能够有效地提高冷连轧机AGC系统轧制力的设定精度,使设定的相对误差从单纯模型计算的15%降到6%,为进一步提高冷连轧机的设定计算精度提供了一种有效可行的方法。

改进GWO优化SVM的服务器性能预测

为更加精确地对服务器性能进行评估与预测,提出一种基于差分进化(DE)与灰狼寻优(GWO)相结合的SVM模型(DE-GWO-SVM)。利用灰狼寻优算法(GWO)寻求SVM的最优参数组合惩罚因子C和核函数参数γ,提升SVM算法的预测性能,将DE算法用于生成灰狼寻优算法初始种群的最优值,克服GWO的初始种群随机生成的局限性,使GWO具有更加良好的寻优能力,获取SVM算法的参数组合C和γ的最优解。实验结果表明,相比于传统的SVM、ABCSVM、GWOSVM模型,DEGWOSVM预测模型具有较高的预测精度、良好的稳定性和泛化能力。

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。

基于组合优化理论的建筑施工事故预测模型

为了提高建筑施工事故的预测精度,设计了基于组合优化理论的建筑施工事故预测模型.首先采用差分自回归移动平均(ARIMA)法对建筑施工事故进行预测,得到建筑施工事故的线性预测结果,然后采用支持向量机(SVM)法对建筑施工事故进行预测,得到建筑施工事故的非线性预测结果,最后对它们的结果进行融合,得到建筑施工事故预测值.实验结果表明,融合ARIMA和SVM的组合预测方法可以实现建筑施工事故的高精度预测.

基于改进DE-LSSVM模型的边坡变形预测

针对目前最小二乘支持向量机(LSSVM)在预测算法中存在的不足,通过改变差分演化算法(DE)中的缩放因子个数、杂交概率的个数和变异策略来建立改进DE-LSSVM预测模型,利用某矿山的边坡观测数据。结果表明,基于改进DE-LSSVM预测模型有较优的预测能力。

基于组合模型的黑土区土壤有机质含量预测分析

为提高典型黑土区土壤有机质含量的预测精度,结合田间实测数据与遥感影像反射率数学变换数据筛选出最佳特征波段,并建立多种回归模型,对研究区土壤有机质含量预测模型进行优选。结果表明:对影像反射率进行不同的数学变换处理能够扩大数据中对有机质含量变化敏感的细微吸收特征,突出敏感光谱信息。利用标准化模型对处理后的光谱数据贡献率进行量化,结合相关系数筛选最佳特征波段。建模结果显示,支持向量机模型在检验集上的决定系数为0.89,均方根误差为2.81 g·kg^-1,模型整体的相对分析误差为2.14,对土壤有机质含量的预测能力极好。研究结果可为黑土区土壤有机质含量的预测模型优选提供参考,也可为中国北部地区耕地的有机质含量监测和有效开发提供基础理论依据。

优化的混合核函数相关向量机在发酵过程建模中的应用

针对相关向量机中核函数选择问题进行研究,提出一种局部性高斯核函数和全局性sigmoid核函数结合的相关向量机建模方法.采用差分进化算法对混合核函数构成的相关向量机的参数进行优化,提高了模型的预测精度.将参数优化后的混合核函数相关向量机用于青霉素发酵过程的软测量建模,得到比单一核函数所建模型更优的预测精度.

焦炉集气管压力系统的逆模型控制

焦炉集气管压力是炼焦生产过程中的重要工艺参数,其值稳定与否,直接影响到煤气质量、焦炉寿命和生产环境,以及冷凝鼓风机设备的安全运行。焦炉集气管压力控制系统是一个强干扰、典型非线性和多变量耦合的复杂系统,难以建立精确的数学模型。采用支持向量机直接逆模型控制器和非线性PID控制器相结合的方法设计出一种复合控制器。在MATLAB软件环境下,建立焦炉集气管压力系统及其控制系统的仿真模型且进行仿真研究。仿真结果表明,所建模型以及该复合控制方法的合理性和有效性,上述控制策略的解耦特性良好,具有一定的抗干扰能力,可以保证焦炉集气管压力稳定在现场工艺要求的范围内。

基于二阶RQ-RLC模型的质子交换膜燃料电池水管理故障诊断

水淹和膜干故障严重影响质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)的工作性能及使用寿命。为充分刻画高频及低频段电化学反应信息,该文建立宽频PEMFC电化学阻抗谱,提出基于二阶RQ-RLC等效电路模型的水管理故障诊断方法。首先,搭建燃料电池测试台架,进行水管理故障模拟实验,测试得到对应的电化学阻抗谱,辨识二阶RQ-RLC等效电路模型的参数,并获得八维水管理故障数据集。然后,运用线性判别分析方法对高维水管理故障数据集降维得到故障特征样本集,并选取4个模型关键参数作为故障诊断特征量。最后,提出自适应差分进化优化支持向量机算法对故障特征样本集进行分类,在50组、130组和210组样本下测试集分类准确率分别100%、97.44%和95.24%,结果表明所提方法能准确诊断出燃料电池所处的水管理故障类型。

基于优化支持向量机多分类器的水电机组故障诊断

为提高水电机组故障诊断的准确率,提出基于优化支持向量机多分类器的水电机组故障诊断方法。支持向量机(Support Vector Machine,简称SVM)在解决小样本问题上有着突出的表现,针对其参数设置采用人工蜜蜂群(artificial bee colony,简称ABC)进行参数优化。建立基于Fisher加权的朴素贝叶斯分类器(Attribute Fisher Weighted Naive Bayes Classifier,简称FWNBC)和基于Mahalanobis距离的分类器(Mahalanobis Distance Classifier,简称MDC),并与优化的支持向量机分类器组合成为FWNBC+MDC+优化SVM的分类融合模型,以基于优化微分经验模式分解法(Differential empirical mode decomposition,简称DEMD)提取的分量作为输入特征向量,应用融合模型对水电机组故障进行诊断,以投票为决策方法。实验结果表明该模型对于未经优化的支持向量机和特征提取以及单一的分类器,能有效提高故障识别的准确率。

基于历史事故数据的液化天然气工厂设备风险事故预测研究

针对液化天然气工厂内设备的风险事故预测问题,研究引入基于差分自回归移动平均(ARIMA)、最小二乘支持向量机(LS-SVM)以及BP神经网络(BPNN)的组合模型,首先对液化天然气工厂内设备风险事故预测的难点进行分析,在此基础上,以我国某液化天然气工厂为例,进行基于组合模型的液化天然气工厂设备风险事故预测实例研究。研究表明:基于差分自回归移动平均、最小二乘支持向量机以及BP神经网络的组合模型可以对液化天然气工厂内设备风险事故历史序列进行很好的拟合,组合模型的预测精度相对较高;同时,组合模型在短期内的预测值与实际风险事故变化趋势一致,预测结果处于可接受的范围。该组合模型可用于液化天然气工厂设备运行安全变化趋势判断,也可以为液化天然气工厂制定设备运行风险防控方案提供指导。

基于DE-BA-LSSVM的露天矿边坡稳定性预测

针对LSSVM参数优化耗时长且效果差的问题,提出了一种基于差分蝙蝠算法(DE-BA)的LSSVM参数寻优办法,利用BA的全局寻优能力和DE的局部搜索能力,优化LSSVM的核参数(C)和惩罚参数(σ2),并建立了基于DEBA-LSSVM的露天矿边坡稳定性预测模型,选取某露天矿边坡实际数据进行了对比分析。结果表明:3种预测模型中,DE-BA-LSSVM模型的平均相对误差为2.6%,预测效果最好,为采用LSSVM解决露天矿边坡稳定性预测问题提供了新的方向。