基于ARIMA-OSELM的火电厂SCR入口NOx浓度预测建模研究

针对火力发电厂燃烧系统运行工况复杂、迟延较大,导致选择性催化还原烟气脱硝系统(SCR)中入口NO x质量浓度难以准确测量的问题,提出了一种基于ARIMA-OSELM神经网络组合模型的火电厂SCR入口NO x浓度预测方法,分别从最优权重和残差优化2个组合角度进行对比研究。将该方法应用于某火力发电厂SCR入口浓度预测中,结果表明:基于ARIMA-OSELM残差优化的组合模型预测精度最高,其效果优于ARIMA-OSELM最优权重的组合预测模型以及单一ARIMA和OSELM神经网络预测模型,评价指标F MAPE、M RMSE和R 2分别为0.190、1.364和0.978。

煤矿井下动态环境下的改进OSELM定位算法

在复杂多变的煤矿井下环境及时并准确地获取井下作业人员位置非常重要,井下通信环境高动态变化导致模型定位精度降低。本文将在线顺序极限学习机(OSELM)算法用于井下定位,与批量式定位算法GA-BP和ELM相比,OSELM算法能更有效地维持原模型定位精度。但OSELM算法存在病态矩阵求逆和平等对待所有新增数据的不足,导致该算法的稳定性和对动态环境的适应能力较差。本文在OSELM算法的基础上分别提出正则化OSELM算法、遗忘因子OSELM算法,以及融合正则化技术和遗忘因子机制的OSELM算法。试验表明,试验环境变化后,OSELM算法的定位精度比GA-BP和ELM算法的定位精度分别高1.4282和1.1622 m;在3 m误差距离范围内,所提正则化和遗忘因子的OSELM算法的定位精度均比OSELM算法高,融合两种机制的OSELM算法的定位准确率最高,比OSELM算法高5%左右。OSELM及其改进算法均能有效提高模型定位精度。

高动态井下环境的OSELM定位算法研究

井下无线通信环境的高动态变化会使定位模型精度降低,可将在线顺序极限学习机(Online Sequential Limit Learning Machine,OSELM)算法用于井下定位,利用在线学习能力实现对模型的实时更新,与批量式处理算法SVM和ELM相比,该算法能更有效地提高模型的定位精度。但在OSELM模型更新过程中,并没有对新增数据有效性进行考虑,针对这一问题,从新增数据时效性和采集新增数据参考点覆盖率2方面对OSELM算法进行改进,同时融合以上2个因素做融合性改进,用权重项表示新增数据对OSELM定位模型的更新程度。实验结果表明,在3 m误差距离范围内,经改进的OSELM算法均能有效提高定位模型精度,更好地改善因井下环境高动态变化导致模型精度降低的问题。

煤矿井下动态环境基于WiFi的OSELM算法研究

针对煤矿井下环境高动态变化,导致WiFi指纹匹配定位模型精度降低的问题,提出在线顺序极限学习机(OSELM)的井下定位算法,利用新增接收信号强度指示(RSSI)数据实现对模型的在线实时更新,同时赋予新增数据时效性权重来改进OSELM算法,在保证定位精度的前提下减少数据采集和模型训练工作量。实验结果表明:与传统的批量学习方法相比,利用OSELM在线学习能力可以改善由于井下环境高动态变化导致定位模型精度降低的问题,并且改进的OSELM算法能更有效提升模型定位精度。

基于OSELM-SGPC的主蒸汽温度优化控制仿真研究

为解决比例积分微分(PID)控制器难以在大迟延、大惯性的主蒸汽温度被控对象上取得理想控制效果的问题,通过改进极限学习机(ELM)网络构建预测模型控制器,在解决传统神经网络算法训练速度慢、模型参数选取复杂的问题的同时,对主蒸汽温度进行多步预测,从而更好地抑制扰动。将阶梯式广义预测控制器(SGPC)作为滚动优化控制器,进一步优化计算过程,从而搭建了在线贯序极限学习机-阶梯式广义预测控制器(OSELM-SGPC),充分兼顾预测效果与计算复杂度。通过主蒸汽温度设定值扰动、给煤量扰动以及给煤量和给水量叠加扰动等试验,并与传统串级PID控制作对比,充分验证了OSELM-SGPC的有效性和优越性。

基于CSSE-OSELM算法的软测量建模及其工业应用

针对软测量建模样本的特性,提出一种基于布谷鸟选择性集成学习的在线贯序极限学习机(CSSEOSELML)软测量建模方法。首先,以多个OSELM组合成集成学习的框架,并给每个OSELM赋予权重并设定阈值,借助于布谷鸟算法(CS)从中选择出满足阈值条件的OSELM个体,重新组合成集成学习的子集。最终以该子集建立软测量模型,进行集成学习并做加权处理。以UCI标准数据集进行测试,同时对加氢裂化反应分馏塔航煤干点进行验证,仿真结果表明,该算法优于传统的方法,具有更高的预测精度和稳定性能。

基于CPA-OSELM的热轧带钢厚度在线预测

为解决自动厚度控制(automatic gauge control, AGC)系统反馈滞后、耦合强、厚度偏差大等问题,提出了一种基于食肉植物算法(carnivorous plant algorithm, CPA)的在线顺序极限学习机(online sequential extreme learning machine, OSELM)预测算法。首先,基于从现场采集的相关数据,建立了OSELM在线厚度预测模型。然后为了提高模型的准确性及稳定性,采用CPA方法优化OSELM的权重和偏置。在此基础上,运用自学习方法进一步提高模型的预测精度。最后,通过实验验证基于CPA-OSELM预测模型的有效性。实验结果表明:基于CPA-OSELM的方法能够对不同规格带钢的出口厚度进行高精度在线预测,预测结果可用于提升AGC模型的控制精度,为提升带钢产品质量奠定基础。

面向动态数据流的改进OSELM算法研究

随着信息化时代的发展,动态数据流分析成为一个值得深入研究的课题,而在线学习方法是解决这一问题的关键。在众多的在线学习算法中,在线贯序超限学习机(Online sequential Extreme Learning Machine,OSELM)作为一种优秀的在线学习算法,具有着泛化能力强,学习速度快等明显优点,在动态数据流分析中得到了广泛应用。本文首先介绍了OSELM的理论基础和算法实现,然后以动态数据流分析为应用背景,对引入遗忘因子和正则化技术的OSELM改进算法进行了研究。接着对原始OSELM算法和各种改进的OSELM算法进行了实验比较与分析,得出的实验结论如下:发现遗忘因子能减少模型的在线预测误差,正则化技术可以解决因病态矩阵带来的模型不稳定问题。最后总结出基于正则化与遗忘因子的在线学习模型最适合工程应用的结论。

AR-OSELM算法在网络入侵检测中的应用研究

文章针对增量网络入侵数据属性冗余导致的传统学习算法效率低、检测精度差等问题,提出一种基于粗糙集属性约简的在线序贯极限学习机(AR-OSELM)方法。该方法首先对入侵数据采用粗糙集正域和分辨矩阵的方法获得属性核,筛选出无冗余属性的特征集合,然后使用在线序贯极限学习机作为分类算法进行分类。仿真实验结果表明,与BP、ELM及HELM神经网络算法相比,AR-OSELM算法对增量数据的学习和训练效率更高,入侵检测准确,误报率较低。算法有较好的泛化能力,为网络入侵检测提供了一种新的方法。

基于EEMD⁃PCA⁃OSELM的燃气调压器故障诊断

燃气调压器存在故障数据样本少、发生故障不易察觉等问题,传统的离线诊断模型难以有效学习故障数据的特征信息且难以实时更新诊断系统。针对上述问题,提出一种基于集合经验模态分解(EEMD)、主元分析法(PCA)与在线贯序极限学习机(OSELM)结合的故障诊断方法。利用EEMD对获取的故障数据流进行频域分解,并通过PCA对已分解的不同频率分量进行特征提取;然后,随机选取少量经处理后的故障特征样本利用极限学习机(ELM)算法对模型进行初始化,并将剩余样本经EEMD⁃PCA处理后以数据流的方式对现有模型进行更新,通过在线增量学习方法递推计算故障诊断系统参数并给出诊断决策。利用某调压器故障信息进行仿真实验,结果表明,所提EEMD⁃PCA⁃OSELM故障诊断方法能在保证较高识别率的前提下实现快速故障诊断。

基于VPNRS-RF的飞机液压系统故障诊断模型

针对飞机液压系统故障诊断特征值冗余难以精准获取和准确率不高的问题,提出一种基于变精度邻域粗糙集(Variable Precision Neighborhood Rough Set,VPNRS)和随机森林(Random Forest,RF)相结合的特征选择算法,并以此为基础建立飞机液压系统故障诊断模型。VPNRS-RF算法主要是利用随机森林算法分别对变精度邻域和模糊熵粗糙集约简后的特征进行重要度排序,再次筛选后确定最优特征子集,使用最优特征子集对在线贯序极限学习机(OSELM)分类模型进行训练,从而提高故障信息获取准确率。最后以飞机起落架收放系统为例进行仿真研究,验证了VPNRS-RFOSELM模型的优越性。

发动机及控制系统状态监测方法研究

本文针对发动机及控制系统并发故障的情况,设计一种基于决策级融合的单传感器自调整预测模型,提出一种基于数据驱动算法Meta-OSELM,用于构造发动机传感器的解析余度。并考虑多传感器发生故障时,基于信号融合传感器解析余度算法失效问题,设计一种基于决策级融合的自调整预测模型,实现涡扇发动机的传感器自调整预测,并进行发动机及控制系统并发故障下的故障监测与诊断验证。

不平衡数据下船舶主机在线故障诊断研究

[目的]针对传统船舶主机的故障诊断模型难以采用实时数据及时更新,且船舶主机还存在监测点多但故障样本少的问题,提出一种能够处理不平衡数据并可以在线更新模型的故障诊断方法。[方法]首先,采用主成分分析法(PCA)对监测样本进行降维和特征提取,降低训练模型的复杂度;然后,通过SMOTETomek构造故障样本以平衡训练集;接着,针对诊断模型难以实时更新的问题,引入结合正则化方法且具备在线更新功能的在线贯序极限学习机(OSELM)模型;最后,以主机燃油系统为例验证OSRELM模型的可行性,并采用不平衡船舶主机数据进行消融实验以验证整体模型的有效性。[结果]结果显示,所提方法在原始模型的基础上可使诊断精度提升29.73%。[结论]研究表明所提方法较其他同类方法具有更高的诊断精度,波动幅度较小,具有较好的稳定性;且在样本不平衡的情况下,对于故障类样本仍具备较强的识别能力,适用于船舶主机故障诊断方面的研究。

基于自适应在线极限学习机模型的预测方法

本文针对单个在线极限学习机输出不稳定的情况,提出一种自适应集成在线极限学习机算法(ASEOSELM)。算法首先初始化多个在线极限学习机模型,然后根据到达的每一批次数据的训练误差及其方差自适应地调整各个在线极限学习机的集成权重,并动态删除那些小于设定阈值的模型以提高算法的训练速度,最后选择准确度高、泛化能力好的模型用于集成预测。通过函数拟合、UCI数据集以及真实股价预测实验表明,文中提出的ASE-OSELM算法相比传统的OSELM、LS-SVM和BPNN算法具有更高的预测准确度和抗干扰能力。

基于混沌灰狼优化算法的氧化铝质量指标预测模型

针对氧化铝焙烧过程具有强非线性、检测滞后等特点,提出一种基于混沌灰狼优化算法(CGWO)参数优化在线贯序极限学习机(OSELM)的氧化铝质量预测模型。在基于机理分析和变量相关性分析的基础上,选择氧化铝质量指标预测模型的输入变量,采用在线序贯极限学习机的方法建立模型,并利用改进的混沌灰狼优化算法得到最优的初始权值和隐含层偏差,实现焙烧过程氧化铝质量预测建模。采用工业过程数据对提出的方法进行实验验证,仿真结果表明:所建立的预测模型具有更好的精度,从而验证了方法的有效性。

基于M-estimator与可变遗忘因子的在线贯序超限学习机

该文针对时变离群值环境下的在线学习问题,提出一种基于M-estimator与可变遗忘因子的在线贯序超限学习机算法(VFF-M-OSELM)。VFF-M-OSELM以在线贯序超限学习机模型为基础,通过引入一种更加鲁棒的M-estimator代价函数来替代传统的最小二乘代价函数,以提高模型对于离群值的在线处理能力和鲁棒性。同时VFF-M-OSELM通过融合使用一种新的可变遗忘因子方法进一步增强了其在时变环境下的动态跟踪能力和自适应性。仿真实例验证了所提算法的有效性。

集成机理与数据的复杂模锻过程在线建模方法

大型航空锻件高精度成形成性依赖于精确的锻造过程模型,然而不规则的锻件形状、复杂的微观流变过程、强非线性与时变的负载力使得高精度的锻造过程模型难以获得。为此,在结合解析建模和数据建模优点的基础上,提出了集成机理与数据的复杂模锻过程在线建模方法。应用物理与过程知识推导了锻造过程的解析模型,在此基础上提出使用在线极限学习机方法构建由于泄漏、不确定性、干扰等引起的偏差模型,实现了锻造过程模型的实时进化,从而满足强非线性与时变性的锻造过程要求。实验结果表明,新方法能有效地建立复杂锻造过程模型,且比现有的方法有更好的建模精度。

基于多模态的在线序列极限学习机研究

单一模态包含的物体信息有限,导致在物体材质识别分类中表现不佳,而传统多模态融合方法在样本训练过程中需要输入所有数据。提出一种多模态的多尺度局部感受野在线序列极限学习机方法。对物体不同模态样本运用改进的特征提取框架,利用多尺度局部感受野感知样本信息提取特征,并将不同模态特征融合后通过在线序列极限学习机进行训练学习。在线序列极限学习机在训练过程中增量式地输入样本进行训练,当有新数据需要训练时无需对所有数据重新训练。在TUM触觉纹理数据库上进行验证,实验结果表明,多模态融合的分类精度高于单模态的分类精度,且改进的特征提取框架可以显著提升分类性能。

二维分割贯序正则化超限学习机

针对大规模在线学习问题,提出一种二维分割贯序正则化超限学习机(BP-SRELM).BP-SRELM以在线贯序超限学习机为基础,结合分治策略的思想,从实例和特征两个维度对高维隐层输出矩阵进行分割,以降低问题求解的规模和计算复杂性,从而极大地提高对大规模学习问题的执行效率.同时,BP-SRELM通过融合使用Tikhonov正则化技术进一步增强其在实际应用中的稳定性和泛化能力.实验结果表明,所提出的BP-SRELM不仅具有更高的稳定性和预测精度,而且在学习速度上优势明显,适用于大规模数据流的在线学习与实时建模.