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ISSA-ELM模型的含腐蚀缺陷管道失效压力预测

针对长输管道在服役期间因腐蚀缺陷发展而产生的管道失效问题,建立了基于优化极限学习机(ELM)的腐蚀管道失效压力预测模型。采用改进的麻雀搜索算法(ISSA)对ELM模型初始参数进行寻优,通过引入基于Logistic模型的自适应因子对安全值进行动态控制,避免SSA算法的早熟收敛;提出发现者-加入者自适应调整策略,增强算法后期的局部深度挖掘能力;改进发现者位置更新计算方法,提高算法的精度,有效避免了初始参数的随机性对模型预测精度和稳定性的影响。以61组含腐蚀缺陷管道爆破实验数据为例,利用ISSA-ELM模型进行仿真计算。结果表明:ISSA-ELM模型预测结果平均绝对百分比误差为1.66%,决定系数为0.9967,均优于其对比模型的预测结果。使用ISSA-ELM模型作为含腐蚀缺陷管道失效压力预测工具具有较高的预测精度和稳定性,能为管道检维修提供支持。

基于IMIE、MCFS和SSA-ELM的离心泵故障诊断方法

采用多尺度排列熵对离心泵振动信号进行分析时,存在忽略信号幅值信息以及粗粒化处理存在不足的问题,从而导致离心泵的故障识别准确率不高,为此,提出了一种基于改进多尺度增长熵(IMIE)、多聚类特征选择(MCFS)和麻雀搜索算法优化极限学习机(SSA-ELM)的离心泵故障诊断方法。首先,基于改进粗粒化处理,提出了改进多尺度增长熵(IMIE)方法,将其用于提取故障特征,构造了反映离心泵损伤属性的特征矩阵;随后,采用多聚类特征选择(MCFS),对原始故障特征进行了重要性排序,获得了对分类识别贡献度更高的故障特征,提高了故障特征的质量;最后,将低维的敏感特征输入至基于麻雀搜索算法(SSA)的极限学习机(ELM)中,进行了离心泵故障分类,完成了离心泵不同故障类型的识别任务;并采用离心泵故障数据集,对基于IMIE、MCFS和SSA-ELM的故障诊断方法的有效性进行了实验验证。研究结果表明:所提故障诊断方法的故障识别准确率达到了100%,多次实验的平均准确率和标准差也优于其他对比的故障诊断方法,即IMIE能够准确地提取信号中的故障信息,进而表征离心泵的健康状态;SSA-ELM能够准确地识别离心泵的故障类型,证明该方法具有一定的有效性和优越性。

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机(ELM)随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法(SSA)优化极限学习机的组合预测模型(SSAELM)。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。

基于PCA-SSA-ELM的混凝土坝变形预测模型

混凝土坝变形与环境量之间有着复杂的函数关系,传统统计模型泛化能力较弱,难以处理高维非线性问题。为此,提出了一种基于主成分分析法和麻雀搜索算法优化极限学习机的混凝土坝变形预测模型,该模型通过主成分分析法(PCA)提取环境量中的关键因子作为模型输入变量,采用寻优能力强的麻雀搜索算法(SSA)选取极限学习机(ELM)中的初始输入权重和偏置的最优解。将该PCA-SSA-ELM模型应用到某高拱坝拱冠梁坝段测点径向位移的预测中,并与ELM、BP神经网络模型的计算结果进行对比分析,验证了新模型的有效性。

基于多传感器数据融合的机房火灾检测算法

针对机房传统单传感器报警系统存在漏报率高、准确率低等问题,提出了一种基于多传感器数据融合的机房火灾检测算法。该算法首先采用寻优能力强的麻雀搜索算法(SSA)优化极限学习机(ELM)的预测精度和准确度。其次通过SSA-ELM算法模型对机房内多传感器采集的温度、烟雾浓度、CO浓度进行特征层数据融合,输出各火情概率。最后利用模糊推理将输出的各火情概率和火灾持续时间在决策层中进行特征融合,决策出火情警报等级。仿真实验表明:本文算法能根据多传感器数据融合的结果并结合不同危险等级区域给出合理的警报决策,极大提高了机房火灾检测的灵活性和准确性。

基于SSA-ELM的大宗商品价格预测研究

随着经济全球化的发展,国际期货市场中各大类大宗商品价格波动剧烈,而全球经济形势不明朗以及货币政策不确定使得大宗商品期货价格难以被准确预测.本文选取玉米,原油,黄金分别作为大宗商品农产品类、能源类、金属类的代表对象,基于奇异谱分析方法(singular spectrum analysis,SSA),对商品期货价格进行分解,结合Kmeans动态聚类技术将分解量聚合成不同特征的价格序列,再采用具有优良特性的极限学习机算法(extreme learning machine,ELM)对模型进行训练,得到大宗商品期货价格预测模型.实证结果表明,采用序列分解聚类策略能够显著提高模型预测精度,在价格未来的整体水平和变动方向上都能达到较好的预测效果.

基于残差修正的混凝土坝位移双层阶预测模型

传统的混凝土坝位移监测模型往往忽略残差序列中的有效信息,导致对大坝位移的预测效果不佳。旨在提高预测模型的精度。针对这一问题,提出一种考虑信号残差修正的混凝土坝位移双层阶预测模型。首先根据传统混凝土坝位移预测的统计模型选取大坝位移的影响因子;其次通过麻雀搜索算法(SSA)确定极限学习机(ELM)中的超参数,建立单层阶预测模型SSA-ELM,进而得到大坝的单层阶模型位移预测值;再次,基于最小样本熵(SE)和相关分析法,通过变分模态分解法(VMD)对残差序列分解重构;最后利用SSA-ELM对重构后序列进行修正,并将修正值与单层阶模型位移预测值进行叠加,构建双层阶预测模型SSA-ELM-VMDρ+,进而得到最终的位移预测值。工程实例验证表明,与其他模型相比,该双层阶模型预测精度高,泛化能力强,有效的挖掘了残差中的有效信息,并克服了噪声干扰。本研究为大坝安全监控、健康服役诊断与管理运行提供了新的参考。

基于融合少数类过采样均衡多分类数据的改进极限学习机的变压器故障诊断方法

针对变压器小概率故障事件导致数据集不均衡时,严重影响故障识别能力的问题,提出一种基于融合少数类过采样(synthetic minority over-sampling technique,SMOTE)算法均衡多分类数据的改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化极限学习机(extreme learning machine,ELM)的变压器故障诊断方法。首先,利用K-means算法对样本空间进行聚类,基于不平衡度选择聚类中心,利用SMOTE算法向聚类簇合成新样本以增强类内特征的聚合性;其次,针对边界区的样本,利用基于不同策略的Borderline-SMOTE算法向聚类簇合成新样本以增大类间特征的差异性;最后,利用基于Tent混沌映射的麻雀搜索算法(sparrow search algorithm,SSA)对极限学习机(extreme learning machine,ELM)模型中的输入权值和隐藏层偏置进行优化,以提高算法的全局搜索能力和模型的诊断精度。基于变压器油色谱数据的故障诊断实验结果表明:所提基于融合SMOTE均衡多分类数据的ISSA-ELM变压器故障诊断方法能够有效改善诊断模型对多数类的偏向问题,进一步提升模型的诊断精度、收敛速度和稳定性,适用于变压器非均衡数据集的多分类故障诊断。

管道物流系统测速定位数据融合矫正算法研究

地下物流运输体系被视为新一代智慧城市物流配送系统的重要载体,管廊内的货运车辆测速定位方法是该体系的关键技术之一。针对一类永磁悬浮管道物流系统的测速定位难题,设计了一种多普勒雷达与惯性传感器相结合的测速方法;另外,针对多普勒雷达测速数据失常问题,设计一种采用麻雀算法(SSA)和优化极限学习机(ELM)的组合分类模型(SSA-ELM),使用该模型对失常数据进行分类,并对失常数据采用对应的惯性传感器数据进行补偿与矫正。结果表明,SSA-ELM组合分类模型对多普勒雷达测速失常数据的分类正确率达99.69%,且通过补偿后速度积分得到的位移误差降至2.6%,有效提高管廊内车辆测速定位精度,为管道物流系统的安全运行提供可靠保障。

基于VMD样本熵和改进极限学习机的滚动轴承故障诊断

【目的】为了更好地提取滚动轴承故障信号特征并提高故障的分类准确率,提出了基于变分模态分解(VMD)、样本熵和改进极限学习机(ELM)的滚动轴承故障诊断方法。【方法】首先,采用VMD算法对轴承信号进行分解,通过中心频率和频率混叠确定VMD分解层数,提取VMD分解后各模态分量的样本熵并构建特征样本;然后,建立ELM的诊断模型,引入麻雀搜索算法(SSA)和改进的麻雀搜索算法(ISSA)分别优化ELM输入层与隐含层神经元之间的连接权值及隐含层神经元的阈值;最后,将样本熵特征样本输入诊断模型进行滚动轴承的故障识别。【结果】仿真结果表明,ELM、SSA-ELM和ISSA-ELM 3种诊断模型的准确率平均值分别为93.33%、95.83%、97.50%,表明提出的优化模型ISSA-ELM相对ELM和SSA-ELM的诊断精度更高、泛化性能更优,对滚动轴承的故障分类效果较好。【结论】基于VMD样本熵和改进ELM的诊断方法不仅能有效地提取故障特征,而且实现较高准确率的故障识别效果。

基于SSA和ELM的医院网络入侵特征选择与检测分析

将医院网络入侵行为作为研究对象,提出基于SSA和ELM的网络入侵特征选择模型,有效实施网络入侵行为检测。该方法应用SSA算法优选网络入侵特征属性,用于改进ELM网络分类性能,通过减少模型输入特征数,来降低计算复杂度。将模型用于医院网络Dos,Probe,R2L等攻击行为样本检测,结果表明检测准确率能够达90%以上,检测时长在0.5s以内,误报率不超0.3%,能满足医院网络入侵检测高效、准确、可靠的检测要求。

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。

基于SSA ELM的直流串联故障电弧检测方法研究

针对故障电弧信号随机性和不稳定性等问题,提出了一种基于SSA优化ELM(SSA-ELM)的直流串联电弧故障检测方法。首先根据UL 1699B标准搭建实验平台,进行数据采集;其次将采集到的直流故障电弧信号,通过添加自适应噪声的完全集合经验模态分解(CEEMDAN),得到固有模态分量(IMF),依据各IMF相关系数与能量分布,提取样本熵作为特征量;最后使用SSA-ELM学习特征量,并将该模型用于直流串联电弧故障检测。实验结果表明CEEMDAN分解方法对于信号干扰不敏感,SSA-ELM学习速度较快,对于直流串联电弧故障的检测识别更为准确灵敏。

某隧道穿越富水断层破碎带围岩大变形成因分析及稳定性预测

为保证隧道穿越富水断层破碎带施工安全,在福宜高速阳宗隧道左幅ZK42+845至ZK43+050段围岩大变形成因分析基础之上,采用灰色-尖点突变理论和SSA-ELM智能模型对围岩稳定性现状及发展趋势进行了评价;此外,结合隧道围岩大变形成因有针对性地进行了支护加固,并对加固后的围岩稳定性进行了全面分析。研究结果表明:阳宗隧道研究区段围岩大变形与断层富水、围岩微膨胀性及高地应力密切相关,由突变特征值Δ<0及SSA-ELM模型变形预测综合分析可知,该段围岩具有塌方等安全风险,采用径向注浆、超前注浆支护、加强锁脚及垫脚槽钢、调整变形量等有效措施,控制了穿越富水断层段隧道围岩的变形,使得围岩整体受力更加均衡。工程实践表明,将灰色-尖点突变理论与SSA-ELM模型综合运用可准确有效地评价与预测围岩稳定性。