基于WOA-SVM的智能变电站二次系统故障参数映射模型

目前通过人工分析大量运行信息难以快速精确定位智能变电站二次系统故障,无法适应智能电网高可靠性运行要求。为此,提出一种智能变电站二次系统故障参数映射模型。首先根据特征信息建立故障定位推理知识库,对故障类型进行编码。然后基于智能变电站的历史运行数据构建模型训练集,引入多分类器对SVM(支持向量机)算法进行改进,用WOA(鲸鱼优化算法)优化其参数,以设备状态为输入,二次系统故障类型为输出,建立了智能变电站二次系统设备参数与运行状态之间的映射关系。最后以实际数据作为测试集对所提模型进行检验,证明了此故障参数映射模型的有效性。

基于WOA-SVM的引水隧洞岩爆烈度评估模型

为减少引水隧洞施工过程中岩爆事故的发生,在施工前做好岩爆烈度评估,选取4项评价指标作为岩爆的评价指标,分别为:岩石单轴饱和抗压强度R_(c)、岩石单轴抗拉强度R_(t)、围岩最大切向应力σ_(θ)和岩石弹性能量指数W_(et);基于前人研究成果,选取120组岩爆实例作为机器学习样本数据,构建基于鲸鱼优化算法(WOA)优化支持向量机(SVM)的评估模型;并以滇中引水工程香炉山深埋长引水隧洞为例进行岩爆烈度评估的验证。结果表明:机器学习可以较好避开人为因素,完全由数据驱动,WOA-SVM评估精度达到97.22%;经过对比,所构建的模型比PSO-SVM、GA-SVM和WOA-BP神经网络模型在评估精度、泛化程度上均更优;同时,WOA-SVM模型在处理岩爆问题上可以更好地捕捉岩爆等级与指标之间的联系。

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。

一种基于KPCA-WOA-SVM火控系统故障诊断方法

针对目前坦克火控系统维修成本高、人力投入大、状态评估涉及指标多等问题,为了提高故障诊断的准确率并降低成本,提出了一种基于核主元分析和鲸鱼算法结合支持向量机的故障诊断方法。首先应用核主元分析对火控计算机的性能参数进行特征提取,减少数据维度,其次应用鲸鱼优化算法参数寻优的支持向量机构建多分类的故障诊断模型,同时与遗传算法和粒子群算法优化的支持向量机进行对比,最后以火控计算机及传感器分系统的电源模块为研究对象进行实验验证。结果表明,该方法可以在较短时间内对火控系统的故障做到准确诊断,提高装备可靠性。

基于WOA-SVM模型的电磁继电器贮存寿命预测研究

可靠预测弹用电磁继电器的贮存寿命,对国防系统的运行有着重要现实意义。为了提高弹用电磁继电器贮存寿命的预测精度,提出一种基于鲸鱼优化算法支持向量机(WOA-SVM)的预测模型。在传统的支持向量机(SVM)模型的基础上,引入鲸鱼优化算法(WOA),对惩罚因子c和核函数参数g两个参数进行寻优,构建WOA-SVM预测模型,同时与基于飞蛾火焰优化算法支持向量机(MFO-SVM)模型和单一SVM模型进行对比研究。仿真结果表明,WOA-SVM预测模型对于弹用电磁继电器的贮存寿命预测结果更为准确,精度优于对比模型。

基于WOA-VMD与WOA-SVM的PMSM退磁故障诊断策略

为解决高温和退磁磁场引起的永磁同步电机退磁问题,该文提出一种基于变模态分解和支持向量机的退磁故障诊断策略。首先分析了永磁同步电机退磁故障的故障机理和传播路径,并利用Matlab/Simulink建立了退磁故障模型;然后选取不同退磁程度下的相电流信号作为故障信号,采用鲸鱼算法优化变模态分解(whale optimization algorithm variable mode decomposition,WOA-VMD)的方法提取退磁故障特征;最后利用鲸鱼算法优化支持向量机(whale optimization algorithm support vector machine,WOA-SVM)的方法对故障数据进行诊断分类,并与未优化的支持向量机和其他故障诊断算法对比,说明其有效性和准确性。

WOA-SVM算法在钛合金端铣刀具磨损预测的研究

针对钛合金加工中刀具磨损状态的准确识别问题,建立了基于支持向量机(SVM)和鲸鱼优化算法(WOA)的钛合金刀具磨损预测模型。将SVM和WOA相结合,提出了一种新的WOA-SVM模型,用于钛合金立铣刀刀具磨损的精确估计。通过提取切削力的信号特征作为监测特征,利用邻域保持嵌入(NPE)对监测特征实现降维,提高了WOA-SVM模型的建模效率。实验结果表明:在保证预测精度的前提下,NPE的使用使WOA-SVM的建模时间减少了90%以上;与PSO-SVM和GSA-SVM等常用方法相比,WOA-SVM具有较高的预测精度,建模时间减少了30%以上;所建模型能有效预测钛合金加工刀具的磨损状态。

基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断

针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型。先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断。该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性。为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度。

基于IGM-WOA-SVM的埋地管道腐蚀深度预测技术研究

为避免因腐蚀造成的油气管道泄漏,及时对管道进行维护和维修,利用灰色系统和SVM模型具有处理小样本、非线性数据的能力,对GM(1,1)模型的背景值和初始值进行改进,形成IGM(1,1)模型,将IGM(1,1)模型的预测结果作为WOA-SVM模型的输入变量,将残差序列作为输出变量,形成WOA-SVM误差补偿器,并结合实例实现了对埋地管道腐蚀深度的预测。结果表明,使用传统GM(1,1)模型的平均相对误差为25.03%,IGM(1,1)模型的平均相对误差为6.86%,而IGM-WOA-SVM模型的预测效果最好,平均相对误差为1.21%,说明该模型对于腐蚀发展趋势的预测具有很好的适用性。研究结果可为管道延寿提供理论依据和实际参考。

基于叶片双层辐射传输机理的水稻叶绿素含量反演

水稻是主要的粮食作物,对其生长发育过程中叶绿素含量进行精准监测,在指导田间管理方面具有十分重要的意义。叶片辐射传输模型能够有效地模拟水稻叶片光谱信息,描述叶片各参数对光谱反射率的影响,具有较强的机理性,可作为基于物理驱动方式反演水稻叶片叶绿素含量的重要机理模型。PIOSL(PROSPECT consider the internal optical structure of the leaves)模型假设叶片内部是由两层不同的光学特性层叠加而成,其叶片内部结构的假设更加符合植物的实际生长状况。为了验证PIOSL模型反演水稻叶片叶绿素的可行性,并为作物理化参量反演提供新思路,该研究利用此模型对水稻叶片叶绿素含量开展反演研究。首先利用PIOSL模型构建查找表,筛选查找表中与实测光谱较为接近的模拟样本数据,利用SVM(support vector machine)构建分类预测模型,判定查找表中随机生成的参数组合是否符合叶片实际情况,并构建新的查找表数据集。将改进后的查找表按7:3的比例随机拆分为训练集和测试集,通过WOAELM(whale optimization algorithm,WOA;extreme learning machine,ELM)模型反演水稻叶片叶绿素含量。结果表明:基于PIOSL-WOA-ELM构建的反演模型,模型R2和RMSE分别为0.977和2.356μg/cm^(2),与PROSPECT-WOA-ELM模型的反演精度均在0.9以上,且优于传统的多元回归模型。由此看来,利用PIOSL-WOA-ELM模型对水稻叶片叶绿素含量进行反演是可行的,可为精准反演水稻叶绿素在叶片中的分布提供新的思路,进而科学有效地开展田间管理。

改进鲸鱼算法优化支持向量机实现乳腺癌预测

为了更好地通过人体肥胖的相关指数预测乳腺癌的存在,以抵抗素、葡萄糖、年龄和身体质量指数作为数据特征构造预测模型,通过研究支持向量机(SVM)的参数对模型的性能影响,提出一种基于自适应机制策略改进的鲸鱼算法,即参数自适应鲸鱼优化算法(PAWOA)用来寻找最优参数。采用Tent映射对种群位置初始化,引入自适应参数p^(*)代替随机阈值加速收敛速度,针对给定的目标函数对每个搜索个体进行求解,计算适应度后找到全局最优解,增强种群的全局寻优性能。实验结果表明,优化后的模型精确度提升12.44%,召回率提升13.57%,F_(1)评分提升13.14%。可见,该预测模型拥有更好的效果可以用于辅助判断乳腺癌。

基于WOA⁃SVM模型的爆破振动预测研究

将鲸鱼优化算法(WOA)与支持向量机(SVM)算法结合,建立了一个预测爆破振动的WOA⁃SVM混合模型,使用均方根误差和决定系数作为模型性能评价指标,基于司家营铁矿爆破振动数据,对比了WOA⁃SVM模型、SVM模型、萨道夫斯基模型和USBM模型的预测结果,综合评估结果表明,WOA⁃SVM模型在预测精度方面优于其他模型。

基于双频精细复合多尺度排列熵的齿轮箱损伤识别

齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通过评估原信号与模态分量信号的互相关程度,筛选了其有效模态,并对其进行了信号重构,实现了故障信号的降噪处理目的;然后,使用精细复合均值化代替了传统粗粒化方法,利用RCMMDE方法提取了重构信号的多尺度熵值,构成了特征样本集;最后,通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优,构建了最优的故障检测模型,并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断,并通过实验评估验证了模型的有效性。研究结果表明:该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上,并具有很强的鲁棒性。

基于WOA的SVM在近红外甲烷测量系统中的应用

目的:为了提高支持向量机(SVM)回归在近红外甲烷测量系统中的预测精度,提出了基于鲸鱼优化算法(whale optimisation algorithm, WOA)优化SVM的参数C和g,并与传统回归模型进行比较。方法:利用鲸鱼优化算法自适应搜索全局最优解,经过循环迭代,快速搜索到最优惩罚系数C与g参数。基于实验室搭建的近红外甲烷测量系统,对0~1%摩尔分数范围的甲烷标准气体进行测量。将网格搜索法(GridSerach)、粒子群优化算法(particle swarm optimization, PSO)、灰狼优化算法(grey wolf optimizer, GWO)、WOA分别与SVM相结合,建立了GridSerach-SVM、PSO-SVM、GWO-SVM、WOA-SVM 4种回归模型,应用于实验数据处理,并进行对比。结果:4种模型中,WOA-SVM回归模型预测的精度最高,均方根误差最小,平均相对误差缩小了2倍以上,平均绝对误差缩小了10倍以上。结论:基于WOA的SVM模型在近红外甲烷检测系统中具有较高的预测精度。

鲸鱼算法优化的SVM区域高程异常拟合方法

针对采用支持向量机(Support Vector Machine,SVM)区域高程异常拟合法最佳参数难以确定问题,本文提出采用鲸鱼算法(Whale Optimization Algorithm,WOA)优化SVM区域高程异常拟合法。本方法利用WOA获取SVM中核函数与正则化参数,替代SVM算法中全局性搜索较差的交叉验证方法,构建高精度区域高程异常拟合模型。试验结果表明,采用WOA-SVM方法得到的高程异常拟合结果在精度、稳定性上均优于现有多项式拟合法和SVM拟合法,可为相关区域高程异常拟合提供一种有效方法。

基于改进鲸鱼算法优化支持向量机的故障诊断的研究与应用

故障诊断在工业生产过程中具有很重要的作用,尤其是对于要求比较高的分子蒸馏来说,微小的故障都会造成其提纯率,因此提出一种基于改进鲸鱼算法优化支持向量机的故障分类方法(improved whale optimization algorithm-support vector machine,IWOA-SVM),加入反向学习策略和对数权重因子到普通鲸鱼算法中。首先,用反向学习策略(opposition-based learning,OBL)代替随机初始种群,用反向学习策略选取出反向种群,对种群进行择优选择,一方面OBL能够高效地提高群智能算法的全局搜索能力,另一方面提高鲸鱼算法在重复迭代中的多样性,使其跳出局部最优解;其次,引入自适应权重因子并将其加入到鲸鱼优化算法中,利用权重因子的动态变化,很大程度上增强了全局搜索能力;最后,采用改进之后的鲸鱼算法对SVM的参数进行寻优,并利用优化之后的支持向量机对刮膜蒸发过程获得的故障数据进行诊断识别,将IWOA-SVM的结果与其他3种做对比。结果表明,IWOA-SVM算法分类准确率提升了2%,且其准确率保持在98%以上,在分类结果的准确性以及算法的鲁棒性方面优于其他算法。

考虑施工参数影响的心墙砾石土渗透系数预测方法

针对当前心墙砾石土渗透系数预测研究仅考虑料源参数,而少数考虑了施工质量的单一预测模型存在预测误差大、数据特征获取不全面的问题,构建了综合考虑施工质量和料源参数的BPNN-WOA-SVM渗透系数组合预测模型。该模型通过引入鲸鱼优化算法(WOA)解决支持向量机(SVM)参数选择困难的问题,通过最大信息熵原理综合了BP神经网络(BPNN)较强的自适应能力以及鲸鱼优化支持向量机算法(WOA-SVM)良好的回归性能、适用小样本的优点。工程实例应用表明,构建的组合预测模型与单一预测模型相比,降低了均方误差、平均绝对误差和相对分析误差,提高了预测精度和收敛速度,在心墙砾石土渗透系数预测方面具有较强的优越性。

基于模糊粗糙集和鲸鱼优化支持向量机的化工过程故障诊断

针对化工过程复杂,故障数据量大、属性多,难以保证故障诊断准确率和速度的问题,提出了一种基于模糊粗糙集(fuzzy rough sets,FRS)和鲸鱼优化的支持向量机(support vector machine,SVM)的化工过程故障诊断方法。通过对化工过程历史数据分析,判别故障类型。首先,利用模糊粗糙集对离散化后的过程数据进行特征选择,经过属性约简得出最小故障特征集合;然后,利用一种新型元启发式算法——鲸鱼优化算法(whale optimization algorithm,WOA),对支持向量机的参数进行优化,根据全局最佳适应度函数值,构建故障数据分类模型;最后,将属性约简后的数据集输入到鲸鱼优化的支持向量机故障分类模型中,实现化工过程的故障诊断。利用田纳西-伊斯曼(Tennessee Eastman,TE)过程对构建的FRS-WOA-SVM故障分类模型进行测试及比较。结果表明,该方法故障诊断准确率高、诊断速度快,可以有效地对化工过程中的故障做出诊断。

改进鲸鱼优化支持向量机的交通流量模糊粒化预测

针对支持向量机(SVM)在交通流量预测中存在波动性且预测精度低的问题,提出了采用模糊信息粒化(FIG)和改进鲸鱼优化算法(IWOA)的SVM模型来预测交通流量的变化趋势和动态区间。首先,对数据处理采用FIG方法进行处理,从而得到交通流量变化区间的上界(Up)、下界(Low)和趋势值(R);其次,在鲸鱼优化算法(WOA)的种群初始化中采用动态对立学习来增加种群多样性,并引入了非线性收敛因子和自适应权重来增强算法的全局搜索及局部寻优能力,然后建立了IWOA模型,并分析了IWOA的复杂度;最后,以预测交通流量的均方误差(MSE)为目标函数,在IWOA迭代过程中不断优化SVM的超参数,建立了基于FIG-IWOA-SVM的交通流量区间预测模型。在国内和国外交通流量数据集上进行测试的结果表明,在国外交通流量预测上,与基于遗传算法优化的支持向量机(GASVM)、基于粒子群优化算法优化的支持向量机(PSO-SVM)和基于鲸鱼优化算法的支持向量机(WOA-SVM)相比,IWOA-SVM模型的平均绝对误差(MAE)分别降低了89.5%、81.5%和1.5%;而FIG-IWOA-SVM模型在交通流量动态区间和趋势预测上与FIG-GA-SVM、FIG-PSO-SVM和FIG-WOA-SVM等模型相比预测精度更高且预测范围更平稳。实验结果表明,在不增加算法复杂度的前提下,FIG-IWOA-SVM模型能够合理地预测交通流量的变化趋势和变化区间,为后续的交通规划和流量控制提供依据。