基于参数优化VMD和改进LSSVM的道岔故障诊断方法

为了解决道岔设备智能故障诊断中特征指标难以提取以及模型训练时间较长的问题,以ZDJ9型转辙机带动的道岔设备为研究对象,以转辙机功率曲线为数据基础,提出一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和改进最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)的道岔故障诊断方法。首先,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化VMD参数,得到模态(Intrinsic Mode Functions,IMF)分量个数和惩罚因子的最优参数组合。其次,计算IMF分量与功率曲线的相关系数,优选相关性较大的前3阶IMF分量,并计算功率谱熵、模糊熵及包络熵值,建立多特征融合样本数据库。最后,针对麻雀搜索算法(Sparrow Search Algorithm,SSA)易陷入局部最优的问题,通过改进Tent混沌映射初始化策略随机生成种群,正余弦算法(Sine Cosine Algorithm,SCA)更新追随者的位置,并采用改进SSA优化LSSVM算法的惩罚因子和核函数方差,构建基于TSSSA-LSSVM的道岔故障诊断模型。实验结果表明:所提道岔故障诊断方法是可行的,采用多特征融合能够更加全面地提取道岔典型故障特征,反映道岔的真实运行状态,提高了故障诊断准确率,而且较TSSSA-SVM,PSO-LSSVM,GWO-LSSVM以及SSA-LSSVM等方法具有较高的故障诊断准确率、召回率以及较低的漏报率,减少了模型训练时间,完全满足现场道岔故障导向安全的原则,具有更好的故障诊断性能,对现场道岔设备的故障维修具有一定的指导意义。

基于DBO-LSSVM的空气质量指数预测

针对当下空气质量指数预测的模型精度不高的问题,提出一种基于蜣螂优化(DBO)算法,优化最小二乘支持向量机(LSSVM)的空气质量指数预测模型。该模型利用蜣螂优化算法对最小二乘支持向量机的两项参数进行寻优,提高预测速度和精度。并与传统最小二乘支持向量机、灰狼优化最小二乘支持向量机模型进行比对,通过实验仿真结果表明,蜣螂优化算法优化最小二乘支持向量机预测模型的均方误差、平均绝对误差及决定系数均为最优值,可以为空气质量指数预测提供更准确的支持。

基于改进LSSVM算法的柔性飞机起落架智能半主动控制技术

提出了基于改进LSSVM算法的柔性飞机起落架智能半主动控制技术。充分考虑柔性飞机结构振动模态,构建飞机起落架智能半主动控制力学模型。根据半主动控制起落架结构,采用剪枝算法构造最小二乘支持向量机优化函数,使控制过程具有稀疏性。计算双气室缓冲器的气体弹力、油孔液压阻尼力和轮胎压力,分析飞机落下、滑跑在动力学模型中的非线性动力学特征。构造起落架二次型性能指标函数,用线性二次型调节器设计起落架最优控制结构,导出最优控制律。由实验结果可知:该技术在缓冲距离为0.25 m时功量达到最大为0.9×10^(5)N,与实际着陆功量控制效果一致;最大位移为0.47 m,仅与实际存在最大为0.01 m的误差,使飞机在平衡位置减少振动响应,保持飞机起落稳定。

基于IPOA-LSSVM模型的高压直流输电线路故障定位

故障定位在长距离高压直流输电系统中起着至关重要的作用.针对线路衰减系数计算不准和二次波头难以捕捉的问题,提出了一种改进鹈鹕优化算法(IPOA)优化最小二乘支持向量(LSSVM)的故障定位模型.根据行波衰减原理,推导故障距离和线路两端线模分量模极大值比的计算公式,发现二者具有非线性关系.使用LSSVM泛化二者之间的关系,将改进后的POA算法对LSSVM的关键参数进行寻优,建立IPOA-LSSVM故障定位模型.通过在两端采集故障信号,对其进行小波变换得到首波头幅值比作为模型的输入量,故障距离作为输出量进行仿真验证.仿真结果表明,该模型不受过渡电阻和故障类型的影响,能够可靠准确地定位.

基于IDBO-LSSVM的输电线路覆冰厚度预测模型

针对输电线路受多种气象因素影响导致覆冰厚度预测精度低的问题,提出基于改进蜣螂优化(improved dung beetle optimizer,IDBO)算法优化最小二乘支持向量机(least square support vector machine,LSSVM)的输电线路覆冰厚度预测模型。首先,使用皮尔逊相关系数(Pearson correlation coefficient,PCC)计算输电线路覆冰厚度与不同气象因素之间的相关性,选择具有高相关性的气象因素以确定输入变量;其次,通过引入Halton序列、Levy飞行策略和T分布扰动来改进蜣螂优化(dung beetle optimizer,DBO)算法;最后,使用IDBO算法寻优LSSVM参数:调节因子、核函数宽度,提高模型预测精度。以某地输电线路历史监测数据为样本,将IDBO-LSSVM的输电线路预测结果与其他7种预测模型进行比较,发现平均绝对误差分别降低了约27%、36%、25%、23%、24%、44%和39%。该研究证实了基于IDBO-LSSVM的输电线路覆冰厚度预测模型可以有效提高预测精度。

基于VMD-BOA-LSSVM-AdaBoost的短期风电功率预测

针对风电信号具有间歇性、非线性、波动性、非平稳性和不确定性等特征,建立一种基于变分模态分解(VMD)和蝴蝶优化算法(BOA)优化最小二乘支持向量机(LSSVM)的风电功率短期预测模型,为提高预测精度,引入自适应校正算法(AdaBoost)。首先,利用变分模态分解将原始功率信号数据分解多个子序列。其次,利用蝴蝶优化算法优化最小二乘支持向量机组合预测模型对每个子序列进行预测。最后通过自适应校正算法将多个分量预测值重构得到最终的预测值,结合西北某一风电场提供的风电功率数据为例验证模型的有效性。结果验证了建立的组合预测模型能够较好地对短期风电功率进行预测,并具有较好的预测精度。

基于AOA-LSSVM模型的枢纽城市物流需求量预测

传统的LSSVM难以全面反映物流需求的变化规律,会导致预测效果不佳。首先利用灰色关联分析(GRA)得到物流需求的主要影响因素;将主要影响因素作为LSSVM的输入变量,构建物流需求预测模型;通过阿基米德算法(AOA)对最小二乘支持向量机的正则化参数(γ)和核参数(σ)进行迭代寻优,以减少参数选择的盲目性;构建AOA算法优化最小二乘支持向量机(LSSVM)的智能预测模型AOA-LSSVM,经过验证该模型可以提高预测精度。运用AOA-LSSVM模型对西部陆海新通道的重要枢纽城市——重庆、成都、贵阳和南宁的物流需求进行实证分析,结果表明:该模型与LSSVM模型相比取得较高的预测精度,其均方根误差、平均绝对误差、以及异方差调整的均方根误差、异方差调整的平均绝对误差分别降低了1946.4,1206.1,0.0284,0.0397。

基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主成分作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-LSSVM预测模型,将预测结果与PCA-LSSVM、LSSVM、多元非线性回归、KPCA-BP神经网络、PCA-BP神经网络以及BP神经网络预测结果进行对比。以最大相对误差绝对值作为模型预测精度的评价指标。研究结果表明:当选取前4个核主成分时,即达到模型训练要求。KPCA-LSSVM模型的预测最大相对误差绝对值为5.89%,预测精度均优于其他6种对比模型。研究结果可为实现瓦斯涌出量高精度预测提供参考。

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。

基于混合策略改进ASO-LSSVM的风险驾驶行为分类识别

为解决现有智能算法在优化支持向量机识别风险驾驶行为过程中收敛速率缓慢和误差较大的问题。首先,采用Tent映射取代原子搜索优化算法(ASO)种群初始化随机设置的方式,增加原子种群多样性和质量;其次,使用逐维小孔成像反向学习与柯西变异混合机制,提高原子个体择优位置的多样性,克服ASO算法易陷入局部最优和过早收敛的问题;最后,通过引入自适应变螺旋搜寻策略改进原子个体位置更新过程,以提升ASO算法的全局搜索能力,实现全局搜索和局部开发间关系的有效平衡,缓解ASO算法易陷入局部最优和收敛精度不足的问题。以上海北横通道出口匝道车辆轨迹数据为输入,使用混合策略改进ASO算法寻优求解最小二乘支持向量机(LSSVM)参数,构建基于混合策略改进原子搜索优化最小二乘支持向量机IASO-LSSVM的快速路出口匝道风险驾驶行为分类识别模型。数值仿真实验结果表明:IASO算法在12个基准测试函数数值仿真结果的平均值、标准差、最佳适应度和最差适应度等方面均更接近最佳优化值。IASO-LSSVM模型相较于ASO-LSSVM和LSSVM等模型的风险驾驶行为分类识别结果误差指标正确率、精确率、召回率和F1值分别增加11.5~24.5、14.1~29.0、15.1~28.6和14.7~31.2个百分点,且在不同类型风险驾驶行为识别结果中误差变化范围最小。IASO算法参数寻优求解精度和收敛速率优于ASO算法,且IASO-LSSVM模型可用于不同类型风险驾驶行为精准识别,可为车辆行驶轨迹状态合理判别,制定风险驾驶行为预警防控措施提供数据支撑与理论依据。

基于ICEEMDAN和PSO-LSSVM的石油机械滚动轴承故障诊断方法研究

针对滚动轴承疲劳故障振动信号具有能量弱、特征稀疏等特点,提出了一种通过改进自适应噪声完备经验模态分解方法与粒子群优化的最小二乘支持向量机结合的故障识别方法;对轴承不同故障信号利用改进的自适应噪声完备经验模态算法分解为一系列固有模态函数分量;根据相关系数-方差贡献率准则筛选出最能表征原始信号状态的分量,并计算重构分量的奇异谱熵值构成特征向量;将提取的特征向量集合输入到基于粒子群优化的最小二乘支持向量机分类器中,进行模型的训练和故障模式的识别,与SVM和LSSVM分类器模型进行准确率和效率比较;试验结果表明,该方法在滚动轴承故障信号中能有效提取故障特征,准确率达98.75%,具有一定可靠性和实用性。

基于ANFIS-LSSVM的计算颜色恒常性算法研究

计算颜色恒常性是指消除场景光源的影响从而再现物体真实颜色的能力。目前,深度神经网络的应用使颜色恒常性精度显著提高,但大多数深度学习算法训练时间长、计算复杂度高,且需要大量的训练样本。针对此问题,提出了一种结合自适应神经模糊推理系统(ANFIS)和最小二乘支持向量机(LSSVM)的简单有效的方法。该方法分为训练和预测两个阶段:在训练阶段,首先提取图像特征分别训练ANFIS、LSSVM两种初始光源估计模型,接着利用核函数变换将两种模型融合,然后利用预留训练样本进一步训练得到多元线性回归光源估计模型;在预测阶段,提取测试图像特征后,直接由训练所得模型预测得到该测试图像最终的场景光源颜色值。实验结果表明,与深度学习方法相比,本文所提方法计算复杂度较低,即使在小训练样本中也能有很好的光源估计性能。

基于CNN-LSSVM的电力系统虚假数据攻击检测

新型信息物理电力系统是实现双碳目标的关键环节,但针对状态估计的新型虚假数据攻击可以欺骗现有安全检测机制,给电力系统安全运行带来巨大挑战。为检测状态估计中虚假数据,以电网交流模型为研究对象分析恶意攻击的欺骗特性,结合CNN(卷积神经网络)提取数据的空间特征优势和LSSVM(最小二乘支持向量机)的数据分类能力,构建了基于CNN-LSSVM的攻击检测模型。基于IEEE 14总线电力系统数据验证了所提出的CNN-LSSVM检测模型的有效性,其检测准确率达到94.6%。

LASSO-LSSVM与激光诱导击穿光谱技术结合提高铝合金中Mn成分检测精度研究

铝合金作为一种重要的航空航天装备材料,其元素含量是决定铝合金材料质量和性能的关键因素,其组成成分的多样性对铝合金的铸造、冶炼以及回收分类有较大的影响,其中Mn是铝合金中的重要元素,能够止铝合金的再结晶过程,提高再结晶温度。铝合金成分的定量测定是合金成分在线检测的重要组成部分。信号波动(激光能量波动、等离子体不稳定性、样品不均匀性等)和自吸收效应对激光诱导击穿光谱(LIBS)技术测定铝合金中微量元素有一定影响。为了消除自吸收效应和信号波动所引起的偏差,提出了一种利用LIBS技术结合LASSO-LSSVM机器学习法检测铝合金材料中微量元素含量的新方法。利用最小绝对收缩和选择算子(LASSO)模型对光谱特征向量进行选择,降低光谱数据的维度从而与训练样本相匹配,降低了过拟合风险,有效提取表征LIBS光谱最重要的特征。利用最小二乘支持向量机(LSSVM)模型对LASSO所选择的特征光谱进行训练,分析结果与内标法和偏最小二乘回归(PLSR)相比,LASSO-LSSVM回归模型的精度和准确性都有所提高,其中,Mn元素回归曲线的相关系数(R^(2))从74.62%提高到99.29%,平均相对误差(ARE)从22.38%降低到3.56%,训练集均方根误差(RMSEC)从0.66 wt%降低到0.040 wt%,测试集均方根误差(RMSEP)从0.58 wt%降低到0.042 wt%。LASSO-LSSVM回归模型适用于复杂、不确定性较高的高维光谱数据,能够大大降低输入光谱数据的维数和冗余信息,因此,该模型减少了LSSVM的过拟合问题。研究结果表明,LIBS技术和LASSO-LSSVM回归模型的结合可以有效改善LIBS技术对于铝合金材料的定量分析性能,是一种简单、可靠、高精度检测合金含量的新方法。

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.

基于IAOA-LSSVM的输电线路覆冰厚度预测研究

为民用机场提供电力支撑的场外输电线路一旦线体外表面覆冰达到了一定厚度,易导致输电导线舞动甚至损坏电力设备,影响民用机场的运行。为了能够给机场提供更稳定的电力支撑,保证机场电力设施的稳定运行,提出改进算术优化算法优化最小二乘法支持向量机(IAOA-LSSVM)的输电线路覆冰厚度预测模型,引入双曲正切因子并结合Lévy飞行策略改进算术优化算法,通过IAOA算法不断优化LSSVM模型中的正则化参数C与核函数参数σ,最后使用实测所得的气象数据及覆冰厚度数据对改进后的预测模型进行验证,并与优化前的预测模型及其他常用模型进行仿真对比,实验结果表明:IAOA-LSSVM预测模型精度更高,证明了该方法在输电线路覆冰厚度的预测运用中的较高准确性。

融合小波阈值降噪和INFO-LSSVM算法的化工过程参数预测

针对化工过程非线性、时滞性高的实际问题,以某氨合成工段为研究对象,首次提出基于小波阈值降噪的向量加权平均算法(INFO)优化最小二乘支持向量机(LSSVM)的氨合成塔预测方法 INFOLSSVM,将小波降噪理论与INFO-LSSVM算法结合创建了预测精度较高的氨合成塔预测模型,用模型筛选出6个氨合成工段中的样本数据进行小波阈值降噪预处理,然后用INFO-LSSVM训练降噪后的数据,得到小波阈值降噪的INFO-LSSVM氨合成塔预测模型,对比INFO-LSSVM、PSO-LSSVM、LSSVM模型的预测结果,得到三者的均方根误差分别为0.231 8、0.447 7、0.496 4,可为多因素作用下类似预测提供借鉴。

基于健康特征筛选与GWO-LSSVM的锂电池健康状态预测

锂电池健康状态(SOH)预测是电池管理系统(BMS)最重要的功能之一,准确有效地预测锂电池SOH可有效提升设备利用率,保证系统稳定性。为了提高预测准确度,本文提出一种基于健康特征筛选与灰狼优化算法(GWO)-最小二乘支持向量机(LSSVM)的锂电池SOH预测方法,首先采用灰色关联分析(GRA)法计算每个健康特征相对于锂电池SOH的灰色关联度,并将灰色关联度进行排序,确定SOH预测的主要健康特征;然后针对LSSVM模型参数需靠人为经验选择的问题,采用寻优性能较好的灰狼优化算法对其进行优化选择并构建GWO-LSSVM模型;最后基于NASA数据集,对模型进行训练和测试,并与其他3种模型的预测结果进行对比,对比结果证明了本文所提方法的有效性。

批发零售业上市公司财务困境预警--基于RF-VNWOA-LSSVM模型

本文从国泰安数据库(CSMAR)选取2019—2022年度A股主板被ST或被*ST的33家批发零售业上市公司作为研究样本,选取20个财务指标和9个非财务指标,构建了预警指标体系。为消除非关键特征指标的影响,采用随机森林算法(RF)进行特征值筛选,将筛选的数据集应用于经过优化的LSSVM(最小二乘支持向量机)进行财务预测和预警。实验结果显示,相较于传统的PSO(粒子群优化算法)、GA(遗传算法)以及WOA(鲸鱼优化算法),采用VNWOA优化算法的分类精度分别提高了2.9个百分点、2.9个百分点以及4.35个百分点。综合应用了随机森林和VNWOA优化算法的RF-VNWOA-LSSVM模型在分类精度上相较于RF-费希尔判别法和BP神经网络分别提高了18.75个百分点、8.45个百分点。实验结果表明本文提出的RF-VNWOALSSVM预警模型可以对财务风险进行有效识别。

基于KPCA-PSO-LSSVM的轴承寿命预测研究

为了预测不同工况下对于滚动轴承的最大剩余使用寿命(RUL),提出了一种基于核主成分分析(KPCA)结合粒子群优化最小二乘支持向量机(PSO-LSSVM)的滚动轴承RUL预测框架。该方法首先从时域、频域以及小波包域进行轴承故障特征提取,得到一系列退化特征;其次,在尽可能多保留退化特征的前提下,运用KPCA方法进行特征约简;最后采用PSO-LSSVM构建结合的模型来预测滚动轴承的RUL。通过美国智能维护中心(IMS)提供的多组轴承衰退振动信号对模型进行验证,实验结果表明,相比较于PSO-LSSVM和KPCA-LSSVM模型,论文提出的KPCA-PSO-LSSVM的轴承剩余寿命预测方法具有更低的预测误差,可以比较准确出拟合滚动轴承的退化情况。