基于PCA-AWOA-ELM模型的矿井突水水源识别

矿井突水是煤矿生产过程最具威胁的灾害之一,为了保障煤矿安全生产,提高矿井突水水源识别精度,提出一种基于改进鲸鱼优化算法(AWOA)耦合极限学习机的水源识别模型。以岱庄煤矿为例,选取Na^(+)、Ca^(2+)、Mg^(2+)、Cl^(-)、SO_(4)^(2-)、HCO_(3)^(-)作为判别指标,基于SPSS因子分析提取评价指标主成分,6种离子间相关性较大,Ca^(2+)和Mg^(2+),Ca^(2+)、Mg^(2+)与SO_(4)^(2-)、Cl^(-)之间的相关性均达到了0.7以上,SO_(4)^(2-)和Cl^(-)之间的相关性也达0.68,通过主成分分析提取了3个主成分,从六维空间降低到三维空间,在减少了样本指标之间信息重复的同时,也减少了极限学习机输入层数量,提高了模型对各类型数据的泛化能力。其次,引入混沌动态权重因子和精英反向机制对鲸鱼算法进行改进,改进的鲸鱼优化算法克服了极限学习机权值阈值随机取值的缺点,混沌动态权重因子、精英反向机制的引入降低了模型计算复杂度,提高了算法精度,算法速度,跳出了局部寻优。通过训练38组样本数据,优化极限学习机的权值和阈值,最终构建PCA-AWOA-ELM水源识别模型,并对10组未知的测试样本进行预测。结果表明,PCA-AWOA-ELM模型的预测精度达100%,PCA-WOA-ELM模型精度为90%,PCA-ELM、ELM模型精度为60%,PCA-AWOA-ELM模型识别精度、运行速度、稳定性均明显高于PCA-WOA-ELM模型、PCA-ELM模型和ELM模型,为矿井安全生产提供了重要保障。

基于ICEEMD及AWOA优化ELM的机械故障诊断方法

旋转机械设备故障检测及识别一直是研究的热点。针对目前故障特征提取和诊断方法的不足,提出一种基于改进的完备集合经验模态分解(ICEEMD)与自适应鲸鱼优化算法(AWOA)优化极限学习机(ELM)的机械故障诊断方法。ICEEMD能够避免在分解过程中产生伪模态,其模式中残留噪声小,使提取故障信息更加准确。利用ICEEMD将采集到的信号分解成多个本征模态函数(IMF),对滚动轴承不同故障状态IMF的斯皮尔曼等级相关系数(SRCC)的计算结果进行分析,得出筛选IMF的标准为其SRCC大于0.02;将筛选后的IMF的混合熵(HE)作为特征向量。WOA相比其他仿生算法所需要调整的相关参数少、收敛速度快、稳定性好。AWOA利用自适应权重优化WOA的局部搜索方式,进一步提高了收敛精度。利用AWOA对ELM的权值和阈值进行优化,可以提高故障诊断的准确率。通过对比实验证明,AWOA-ELM的学习能力强、故障诊断的准确率更高。AWOA-ELM应用在滚动轴承不同尺寸滚珠和外圈故障诊断中,对滚珠故障诊断的准确率达到99.5%,对外圈故障诊断的准确率达到100%。

CAWOA-ELM混合模型的锅炉NO_x排放量预测

针对燃烧过程中变量之间的强非线性和耦合性,利用极限学习机(ELM)和改进的鲸鱼优化算法(WOA)进行混合建模。该方法利用Sin混沌自适应鲸鱼优化算法(CAWOA)对极限学习机的模型参数进行搜索和优化,以提高极限学习机的泛化性能。在CAWOA算法中,通过引入Sin混沌搜索策略和自适应惯性权值来改善WOA算法的全局优化性能。在此基础上,利用优化后的极限学习机对330MW煤粉锅炉的NO_x排放质量浓度进行预测,建立了CAWOA-ELM的NO_x排放量预测模型,并与同类算法模型进行对比研究。结果表明:该方法具有更好的泛化能力,能更加精确地预测NO_x排放量。

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GAWOA优化ELM的风机变流器故障诊断

为提高双馈异步风力发电机变流器的开路故障诊断准确率,提出一种基于全局自适应鲸鱼优化算法优化极限学习机的故障诊断方法.首先,建立双馈异步风力发电机(DFIG)并网模型,采集网侧变流器故障状态下的三相线电压信号.其次,对采集的电压信号进行快速傅里叶变换,再将三相线电压的不同谐波分量的频率幅值和直流分量重构成特征向量,为去除部分冗余特征,利用邻域保持投影对特征向量进行降维.最后,利用全局自适应鲸鱼算法优化的极限学习机(GAWOA-ELM)对变流器故障进行诊断.使用不同方法对不同信噪比下的变流器故障进行诊断分析,验证了本文所提方法的有效性和鲁棒性.

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。

基于小波能谱熵和改进ELM的转辙机故障预测

为了进一步提高铁道转辙机故障预测精度和维修效率,提出了一种基于小波能谱熵和改进极限学习机(Extreme Learning Machine,ELM)的转辙机故障预测方法.首先,将采集到的转辙机功率数据用完备集合经验模态分解方法进行预处理;然后,计算各个固有模态函数的小波能谱熵值,通过核主元分析原理方法将多维特征数据降至1维,构建转辙机的退化性能指标,得出失效阈值;最后,利用自适应鲸鱼优化算法对ELM预测模型的权值和阈值进行全局寻优,以获得最优的预测模型,实现对转辙机故障趋势的预测.用Matlab软件对新方法进行实例分析,并与支持向量机和ELM模型进行对比.仿真结果表明,与传统预测模型相比,基于改进ELM模型均方误差更接近于0,决定系数更接近于1,表明该模型预测精度更高,性能更佳,证明了该方法应用于转辙机故障预测的可行性.

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE_SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。

鲸鱼算法改进极限学习机的葡萄酒品质评价研究

[目的]解决近红外光谱中冗余信息过多的问题,提升葡萄酒品质评价模型的准确性,并构建一种快速无损的葡萄酒品质评价方法。[方法]运用竞争性自适应重加权采样法进行特征波长筛选,提出了鲸鱼算法改进极限学习机的葡萄酒品质评价模型。通过自适应重加权采样法等多种特征波长筛选方法,确定了最适用于葡萄酒光谱特征波长筛选的方法;针对ELM的初值权值与隐含层偏置选取问题,利用鲸鱼优化方法对初值权值与隐含层偏置进行优化,从而构建了一种基于鲸鱼优化算法改进的极限学习机葡萄酒品质评价模型。[结果]与GA-ELM、PSO-ELM和传统的ELM模型相比,WOA-ELM的准确率最高,达到了0.9445,GA-ELM的准确率为0.9290,PSO-ELM的准确率为0.9061,传统的ELM方法准确率为0.8177。[结论]通过智能算法优化ELM模型的参数,可以有效提高葡萄酒品质评价的准确性。

基于MWOA-ELM代理模型的有限元模型修正

为得到待修正参数与结构响应之间的关系,提高模型修正效率,将极限学习机(ELM)和鲸鱼优化算法(WOA)引入有限元模型修正(FEMU)。通过高斯(Gauss)混沌初始化、非线性调整策略、自适权重系数等改进鲸鱼优化算法,利用其优化极限学习机,建立待修正参数与加速度频响函数之间的非线性映射关系。以试验与优化极限学习机模型输出频响函数频域准则为目标函数,并利用改进鲸鱼优化算法(MWOA)求解修正参数。通过一平面桁架验证所提方法,结果表明:该方法可行有效,优化后的极限学习机能作为代理模型替代有限元模型,具有较强的泛化能力。

IGAPSO-ELM:一种网络安全态势预测模型

针对网络安全态势预测,为提高预测的精确度和预测算法的收敛速度,提出一种改进遗传粒子群算法优化极限学习机(IGAPSO-ELM)的预测方法。首先,改进GAPSO中的惯性权重和学习因子,通过定义动态指数函数使算法在执行的不同阶段实现两种参数自适应;其次,针对GAPSO中人为设定的固定交叉率和变异率,提出一种自适应交叉和变异策略;最后,以IGAPSO优化ELM的初始权值和偏差。IGAPSO既保证了种群的多样性,又提高了算法的收敛速度。通过仿真实验对比得出:IGAPSO-ELM对网络安全态势预测拟合度可达0.99,收敛速度相较于对比算法有大幅度提升。

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中。首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习机(ELM)的输入权值和隐层偏置进行优化,大大提高了ELM模型的泛化能力和预测精度,然后将IPSO-ELM模型、PSO-ELM模型和ELM模型的预测值与真实值对比分析。结果表明IPSO-ELM模型预测值趋近于真实值,有较高的预测精度,验证了IPSO-ELM模型在评价边坡稳定性中的可行性和有效性。

基于改进ELM的煤矿井下定位算法

提出了一种基于改进极限学习机(ELM,extreme learning machine)神经网络的煤矿井下人员定位算法,针对测距模型易受井下复杂环境干扰,无法准确测距的问题,选用基于指纹的位置匹配模型;使用极限学习机将指纹和位置进行匹配,选用改进鲸鱼优化算法(IWOA,improved whale optimization algorithm)选取ELM合适的输入权值和隐含层阈值,以提高定位精度。在定位的在线阶段,将新的指纹数据代入带动态权值因子的在线顺序极限学习机(DOS-ELM,dynamic weight factor online sequential extreme learning machine)模型对定位模型进行动态调整,以克服电磁传播环境变动使定位结果产生的误差;仿真实验结果表明,该模型的定位误差在1.5 m以内的置信概率为72%,平均定位误差为1.64 m,与其他算法的实验结果相比,文章算法鲁棒性强,定位精度高。

基于参数优化的机器人花键装配偏角感知识别方法

针对花键装配过程中存在轴孔偏角引起的卡阻导致装配成功率低的问题,提出基于参数优化的机器人花键装配偏角感知识别方法.根据花键装配的特点,利用力传感器采集花键装配过程中的力/力矩信号,基于混合鲸鱼优化算法(HWOA)的极限学习机(ELM)识别偏角的力信号并构建偏角经验库.结合支持向量数据描述(SVDD)算法,实现了未定义偏角的感知和偏角经验库的自我更新,以及用偏角的感知识别指导机器人完成花键装配任务.实验结果表明,所提方法对未定义偏角感知成功率和对已知偏角的识别精度分别为98.8%、98.12%,能有效指导机器人进行花键装配.

基于健康度分析的卫星故障预测模型

针对目前卫星监测系统无法及时发现故障且无法反映卫星状态趋势变化的问题,提出一种基于自适应白噪声完整集成经验模态分解(CEEMDAN)方法与粒子群极限学习机组合(PSO-ELM)的指标预测模型和基于模糊层次分析法(FAHP)的多指标融合故障检测模型。首先,通过CEEMDAN算法对各指标进行分解后通过PSO-ELM预测;其次,对各指标预测值分别建立非线性无量纲模型,得到各指标“健康度”;最后,利用FAHP法对融合各指标“健康度”得到组件“健康度”,利用“健康度”判断是否发生故障。通过某在轨卫星蓄电池组故障数据实验可得,CEEMDAN-PSO-ELM预测模型在平均绝对误差(MAE)、均方根误差(RMSE)指标上分别为0.1029和0.125,均优于文中提到的其他预测模型;该故障检测模型与目前卫星监测系统相比,能提前两周期检测到故障。最后一句意义不大,作者同意删实例验证表明,该模型能实现故障预测功能。

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。