基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中,模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题,提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取,通过分数阶与麻雀搜索算法(SSA)相融合,对极限学习机(ELM)的权重和阈值进行寻优,将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明,FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了891 s,单故障诊断准确率可达972%,比SSA-ELM和ELM分别提高了19%和28%;双故障诊断准确率可达95%,分别提高了04%和10%。该故障诊断方法准确率高、耗时短,具有较强的模拟电路故障检测能力。

基于PSO-ELM算法的煤泥浮选加药量预测研究

为了提高煤泥浮选加药量的预测精度,基于粒子群极限学习机(PSO-ELM)算法对煤泥浮选加药量进行预测。以浮选时的煤浆原煤量、原煤灰分和煤种作为模型输入变量,药剂的添加量作为输出变量建立PSO-ELM预测模型,对内部参数进行训练并进行仿真验证和对比实验。结果表明:采用PSO-ELM预测模型的药剂添加量预测精度更高,达到96.94%,能够在保证产品质量的前提下有效降低捕收剂和起泡剂的消耗量,进而提高精煤的产量。

基于PSO-ELM的变压器油纸绝缘状态无损评估方法

油浸式电力变压器作为电网的重要组成部分,其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题,文中开展了油纸绝缘模型的加速老化及受潮试验,探究了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律,并提出采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine,PSO-ELM)算法的参数预测方法,实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。由油纸绝缘模型理化性能分析的对比结果可知,基于PSO-ELM方法的预测值精度远高于传统ELM方法,油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。

基于改进ELM算法的水电站数字孪生系统仿真实验

为提高水电站数字孪生系统信息物理融合网络安全检测的准确率,提出一种基于改进极限学习机(ELM)的检测方法。以ELM算法为基础检测算法,通过改进其加权方式,同时引入头脑风暴优化算法(BSO)确定ELM的最佳输入权重和隐含层偏置参数;最后,将改进的ELM算法应用于水电站CPS网络安全检测中。仿真结果表明,改进ELM算法在数字孪生的CPS网络安全检测中具有明显的优势,检测准确率、检测率、召回率更高,误报率更低,且检测时间仅为0.39 s,表现出良好的实时性。改进的BSO-ELM方法可实现水电站数字孪生系统CPS网络的安全检测,提高数字孪生系统的安全性。

基于DE-ELM的刮板输送机用减速器故障诊断

提出一种基于差分进化-极限学习器(DE-ELM)的刮板输送机用减速器故障诊断方法。首先将减速器中齿轮不同故障类型的一维时域振动信号通过Hankel矩阵转化为二维矩阵,然后利用奇异值分解方法求取信号所对应的矩阵奇异值;同时,利用DE算法对ELM中的输入权值与隐含层节点阈值进行优化,提高ELM的稳定性与精度;最后,将奇异值特征作为DE-ELM的输入,实现减速器的故障诊断。实验结果表明,该方法具有更高的齿轮故障诊断精度及效率。

基于EMATE和POA-ELM的声音信号故障诊断方法

常规的工程机械故障诊断方法一般需对振动信号进行分析,但采集振动信号时需要使振动传感器与工程机械相接触,在某些情况下工程机械表面不适合安装传感器,如设备的温度较高或者传感器的安装空间有限。针对这些问题,以声音信号作为故障诊断对象,提出了一种基于增强多尺度注意熵(EMATE)和鹈鹕优化算法优化极限学习机(POA-ELM)的工程机械故障诊断方法。首先,利用声音传感器采集了工程机械不同故障的声音信号,避免了振动传感器存在的接触式采集缺陷;然后,利用EMATE提取了声音信号中的故障信息,建立了表征工程机械不同故障状态的特征向量;接着,鉴于ELM的参数需要优化的问题,采用POA对ELM的关键参数进行了寻优,建立了参数自适应设置的ELM分类模型;最后,利用POA-ELM分类器对故障特征进行了辨识,实现了工程机械的故障识别,并利用往复压缩机和滚动轴承的声音信号数据集对基于EMATE-POA-ELM的故障诊断方法的有效性进行了验证。研究结果表明:将EMATE方法作为故障特征提取指标能够取得100%和99.23%的识别准确率,且特征提取的时间仅为53.88 s和172.47 s;与多尺度注意熵、复合多尺度注意熵、时移多尺度注意熵等指标相比,EMATE的平均故障识别准确率更高,并具有更好的综合性能。

基于FA-ELM深度挖掘模型的电力工程预算控制技术

针对现有预算控制方法存在目标单一,效果不理想等问题,提出了一种基于FA-ELM深度挖掘模型的电力工程预算控制技术。通过深入剖析电力工程费用的组成与影响因素,提出了工程进度与预算双目标的管控方式。利用萤火虫算法优化极限学习机网络,构建FA-ELM预测模型,将预处理后的电力数据输入FA-ELM模型中,可估计每个阶段的工程费用,便于管理人员采取相应的措施。在MATLAB仿真平台上对所提技术进行实验分析,结果表明:FA-ELM模型的预测误差均控制在6%以内,且工程总费用节约了14.09%,整体性能优于其他对比技术。

基于BSA-ELM模型的建筑项目施工成本预测研究

为降低建筑施工项目的管理成本,提出一种基于BSA-ELM的建筑项目施工成本预测模型。首先介绍ELM神经网络算法和BSA算法;其次利用BSA算法的优势对ELM模型进行优化,从而形成一种基于BSA-ELM的预测模型;最后对基于BSA-ELM建筑项目施工成本预测模型进行测试,将其与传统的预测模型进行对比。结果证明,BSA-ELM预测模型的性能更好,预测精度更高。

模拟电路中黏菌算法优化ELM故障诊断模型研究

模拟电路中故障信息复杂多样,为提高故障诊断准确率,提出一种黏菌算法(SMA)优化极限学习机(ELM)的模型。首先,采用线性判别分析(LDA)方法对故障电路原始数据集进行降维,得到ELM网络训练所需的数据;其次,针对ELM随机生成的输入权值和隐含层偏置易导致模型泛化能力差的问题,使用SMA优化ELM的输入权值和隐含层偏置,以获得更优、更稳定的ELM网络参数,提高故障诊断能力。连续可变状态(CTSV)滤波器电路和Sallen-Key带通滤波器的诊断实例表明,SMA优化ELM的故障诊断模型提升了ELM模型的分类效果,具有更优的故障诊断性能。

基于AE-CLSSA-ELM的煤与瓦斯突出危险性预测模型

为了有效挖掘煤与瓦斯突出数据的非线性关系,提高煤与瓦斯突出危险性预测精度,提出1种基于自动编码器(AE)-改进麻雀搜索算法(CLSSA)-极限学习机(ELM)的预测模型。首先,在分析煤与瓦斯突出影响指标之间相关性的基础上,采用AE算法提取特征,降低数据复杂度;然后,基于麻雀搜索算法(SSA),引入Tent混沌映射和Levy飞行策略改进设计CLSSA;最后,利用CLSSA优选ELM的输入层权值和隐藏层阈值,构建煤与瓦斯突出预测模型对AE降维后的数据训练、测试,并与其他模型对比。研究结果表明:经AE特征提取后,ELM预测准确率提高了11%,且各类的错判数得到减少;基于AE-CLSSA-ELM的煤与瓦斯突出预测模型准确率为98.5%,F1值为97.87%,预测效果优于其他对比模型。研究结果可为煤与瓦斯突出事故的防范提供参考。

基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测

为提升盐穴储气库注采管柱的内腐蚀速率预测精度,建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征,应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型,并采用SSA对模型参数进行迭代寻优,避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明,经小波KPCA特征提取后得到包含98.73%原信息的3项主成分,SSA-ELM模型的预测结果与实际值基本吻合,其均方根误差(E_(RMS))为0.009 3,平均绝对百分比误差(E_(MAP))为0.336 0%,决定系数(R~2)高达0.991 2,较其他3种对比模型性能更优。研究表明,所建模型具有强泛化性能和高预测精度,能够有效预测盐穴储气库注采管柱的内腐蚀速率,为盐穴储气库注采系统的完整性评价和风险预警提供参考。

基于BOA-ELM的区域VOCs质量浓度空间插值方法研究

针对目前挥发性有机物(Volatile Organic Compounds,VOCs)质量浓度插值方法单一且插值精度不高的问题,为了提升区域内VOCs质量浓度空间插值的精度,构建BOA-ELM(Butterfly Optimization Algorithm-Extreme Learning Machine)空间插值模型,首次将神经网络模型应用于VOCs质量浓度空间插值。首先对研究区域进行网格划分,其次利用BOA-ELM进行插值研究,同时讨论气象特征对空间插值的重要性,最后将VOCs质量浓度空间插值结果可视化。以陕西省为例,对VOCs质量浓度进行插值,结果显示:加入气象特征变量能提高模型插值精度,且与原始极限学习机(Extreme Learning Machine,ELM)模型以及传统插值方法反向离权重法(Inverse Distance Weighted,IDW)对比,显示BOA-ELM模型的均方根误差(ZRMSE)、平均绝对误差(ZMAE)、平均绝对百分比误差(ZMAPE)均为最小值,分别为8.69μg/m^(3)、6.72μg/m^(3)、7.10%,优于IDW模型。结果表明BOA-ELM模型能很好地应用VOCs质量浓度空间插值,为大气污染物的空间插值提供了新的思路与方法。

基于改进层次极差熵和WOA-ELM的滚动轴承故障识别

由于传统的多尺度熵特征提取方法无法提取信号的高频故障特征,造成特征的提取不够完整,故障识别准确率也较低。为此,提出了一种基于改进层次极差熵(IHRE)和鲸鱼算法(WOA)优化极限学习机(ELM)的滚动轴承故障诊断策略。首先,基于改进的层次分析和极差熵,提出了可以同时分析滚动轴承振动信号低频和高频成分的IHRE时间序列复杂性测量方法,并将其用于提取滚动轴承振动信号的深层次故障特征;然后,采用鲸鱼算法对极限学习机的核心参数进行了优化,构建了网络结构最优的鲸鱼算法—极限学习机(WOA-ELM)分类器;最后,将所构建的IHRE故障特征输入至WOA-ELM分类器,进行了故障分类,对滚动轴承进行了故障识别;基于滚动轴承的实验数据进行了算法的有效性分析,并从多个维度进行了对比,进行了算法优越性分析。研究结果表明:IHRE方法的故障识别准确率最高,达到了100%,而多次实验的平均识别准确率也达到了99.82%,优于改进层次样本熵、层次极差熵和多尺度极差熵方法;在分类时间和分类准确率方面,WOA-ELM分类模型要优于PSO-ELM和GA-ELM分类器。该结果证明,基于IHRE和WOA-ELM的故障诊断策略能够快速且有效地识别滚动轴承的故障类型,具有应用的潜力。

基于LASS0-MBAS-ELM的海底多相流管道CO_(2)内腐蚀速率预测

针对海底多相流管道CO_(2)内腐蚀发生频繁,检测难度大的问题,建立基于套索回归(LASSO)和多种群甲虫天牛须优化算法(MBAS)的极限学习机(ELM)预测模型,以提高预测效率及预测精度。以LASSO回归筛选腐蚀影响因素,提取关键指标,降低预测输入维度;采用MBAS对ELM的输入权值及隐层阈值进行修正,避免因随机设置造成的不稳定性。以我国海南东部某海底油气管道的50组数据为例,通过MATLAB模拟仿真,分析预测结果,并与其他两种模型对比。结果表明:温度、pH值、流体流速和CO_(2)分压是影响该类型管道腐蚀的关键因素。LASSO-MBAS-ELM模型的预测结果与实际值拟合度更高,其均方根误差、平均绝对误差及平均绝对百分误差分别为0.089%、0.079%和3.068%,均优于对比模型。所提出的方法在数据有限的情况下,仍具有良好的可靠性和稳定性,为准确掌握海底管道腐蚀状况提供了新的思路;同时为海洋油气运输系统日常运行维护提供了参考依据。

An improved form of the ELMS algorithm

ELMS algorithm is the first two-channel adaptive filtering algorithm that takes into account the cross-correlation between the two input signals. The algorithm does not preprocess input signals, so it does not degrade the quality of the speech. However, a lot of computer simulation results show that ELMS algorithm has a bad performance. The ELMS algorithm is analyzed firstly, then a new algorithm is presented by modifying the block matrix used in ELMS algorithm to approximate input signals self-correlation matrix. The computer simulation results indicate that the improved algorithm has a better behavior than the ELMS algorithm.

基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测

针对已有水电机组振动趋势预测模型的局限性,提出了一种基于最优变分模态分解(OVMD)、时变滤波器经验模态分解(TVFEMD)、猎人猎物优化算法(HPO)和极限学习机(ELM)的水电机组振动趋势预测方法。该方法先通过OVMD对原始水电机组振动信号进行自适应分解,进一步采用TVFEND对分解后的残差进行二次分解。然后建立各子序列的HPO-ELM振动趋势预测模型;叠加重构所有子序列预测结果获得最终的预测振动信号。研究结果表明,该方法预测效果明显优于传统方法,有效提高了水电机组振动趋势预测精度,具有较好的工程应用价值。

基于ISSA-ELM的煤与瓦斯突出危险等级预测

为提高煤与瓦斯突出危险等级预测的准确性,提出改进麻雀搜索算法(ISSA)优化极限学习机(ELM)的煤与瓦斯突出预测模型。首先,选用60组煤与瓦斯突出数据作为数据样本,采用主成分分析法(PCA)对其影响因素进行降维处理。然后,利用ISSA算法优化ELM算法的参数,建立ISSA-ELM模型。最后,选取样本后15组作为测试样本来验证模型的有效性,并与其他模型进行对比。研究结果表明:ISSA-ELM模型具有预测准确率更高、收敛速度更快和稳定性更佳等优点。研究结果可为煤与瓦斯突出危险等级准确判别提供参考。

基于BES-ELM的风电机组故障诊断

针对极限学习机相关参数的选取不当导致其诊断结果与准确率受影响的问题,提出利用秃鹰搜索算法对极限学习机的权值和偏置的选取进行优化,构建秃鹰搜索优化算法和极限学习机组合的风力发电机组故障诊断模型(BES-ELM).对风电场某一台风力发电机组在发电机过热(S1)、馈电故障(S2)、变流器冷却系统故障(S3)和正常(S4)等4种状态下的相关SCADA数据进行清晰、补充等相关预处理和特征选取后构成故障样本集,其中样本集的80%作为训练集,20%作为测试集.分别采用标准极限学习机、基于遗传优化算法和粒子群优化算法的极限学习机模型对这些故障样本进行分类.结果显示,与标准极限学习机、遗传算法和粒子群算法优化的极限学习机模型相比,BES-ELM模型的诊断准确率达到98.75%,有效提高了风电机组故障诊断的准确率.

基于VMD-WOA-ELM的电缆外力破坏振动信号在线识别

保障电力电缆的安全运行是建设新型智能电力系统的基础,为实现对外力破坏事件的数字化预警,提出基于VMD-WOA-ELM的外力破坏振动信号在线识别方法。首先,利用VMD将采集到的异常振动信号分解为若干本征模量函数分量(IMF),然后提取各IMF分量的时、频域特征值组成特征向量,最后采用极限学习机(ELM)进行振动信号类型识别,为解决ELM模型随机性选取初始权值和阈值导致的分类稳定性较差的问题,将鲸鱼优化算法(WOA)应用于ELM的参数寻优,从而获得最优分类模型。将该方法应用于施工振动信号类型识别实验,分别采集四种典型外破事件的振动信号各100组,将其中80%作为训练集,20%作为测试集检验算法的识别性能,并与传统ELM、PSO-ELM、GA-ELM进行了对比。结果表明:在相同计算机运行条件下,WOA-ELM对外破振动信号的分类准确度达98.75%,相比传统ELM识别精度提高了5%,且整体运行时间仅为4.10 s。与另外两种算法相比,该算法识别精度最高、收敛速度最快,具有最优综合性能。

基于多域特征的BA - KELM微型电机故障检测

针对目前对于微型电机故障检测的研究较少及基于单域特征的传统电机诊断方法精度低等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)及蝙蝠算法(bat algorithm, BA)优化核极限学习机(kernel based extreme learning machine, KELM)的微型电机故障检测方法。所提方法包括样本集构造、模型训练及参数优化和模型测试3个步骤:首先,对采集到的微型电机信号进行EEMD处理并依据相关系数原则筛选出主要的本征模态分量(intrinsic mode fuction, IMF),结合计算得到的电机信号的时域、频域特征构造多域特征集并进行归一化处理,按一定比例将样本集划分训练集和测试集;其次,输入训练集,以错误率为适应度,并采用蝙蝠算法对KELM模型进行参数优化;最后,输入测试集对优化的BA-KELM模型进行测试,并与其他模型进行对比。试验结果表明,所提方法的准确率达98.75%,高于其余方法。