改进麻雀搜索算法在PMSM匝间短路中应用研究

针对麻雀搜索算法(SSA)存在收敛精度低和易陷入局部最优等问题,提出了一种改进麻雀搜索算法(ISSA),并应用于PMSM匝间短路故障诊断。首先,搭建了PMSM匝间短路仿真模型,模拟了不同短路匝数比的故障。其次,对故障进行分析,提取了3个故障识别特征量。接着,利用实验平台进行不同短路匝数比的故障测试。然后,介绍了麻雀搜索算法(SSA),并利用Tent混沌映射、自适应正余弦策略和Levy飞行策略对其进行优化,生成改进麻雀搜索算法(ISSA),同时将ISSA算法与SSA算法、粒子群算法(PSO)、灰狼算法(GWO)在测试函数上进行比较,验证其在寻优能力和稳定性等方面具有优越性。紧接着,介绍了随机森林(RF)算法,并搭建了ISSA-RF的故障诊断模型。最后,将4种算法分别对RF的基本参数进行优化并实现故障分类。结果表明,所提出的改进方法能够检测出匝间短路故障及其故障严重程度,ISSA-RF模型的准确率达到98.5%,验证了该算法的有效性和可靠性。

基于表面肌电信号的上肢康复机器人变阻抗控制技术研究

我国老龄人群肢体障碍者很多,运动康复技术是康复治疗的有效手段。但医患比例严重失调难以使得人人都能享受到康复医疗服务。康复机器人通过阻抗控制技术能够与人体进行一定的安全交互,但现有康复机器人多采用定阻抗控制,环境适应能力弱,难以应用于临床。针对上述问题,提出一种变阻抗控制方法,以采集使用者的表面肌电信号为输入条件,通过改进随机森林算法训练识别使用者上肢的运动角度。并配合末端力传感器,获得使用者的运动意图,再通过变阻抗控制器完成康复运动。搭建了实验平台,并对轨迹跟踪和康复训练能力进行验证与评估。结果表明所设计的控制器能够控制机器人完成康复运动。

TC4-DT合金中片状α相的高精度定量分析方法

针对网篮组织片状α相体积分数难以精确定量分析以及粘连α相难分离表征的问题,结合体视学原理,采用随机森林、遗传算法和改进遗传算法对TC4-DT合金网篮组织片状α相进行表征。首先,预处理采集网篮组织图像;然后,利用样本中片状α相和β相特征对随机森林模型进行训练。考虑到传统遗传算法图像分割易陷入局部最优解以及收敛速度过快的问题,本文采用精英选择和轮盘赌结合的方法初始化种群,设计了两段式交叉概率和抛物线型变异概率优化遗传算法。最后,利用Java程序验证随机森林模型并自动定量分析片状α相的体积分数,结合实例定量分析片状α相的特征参数。结果表明:采用改进遗传算法运行时时间缩短60%,且图像处理效果也得到提升;随机森林模型不仅在训练样本中的分类准确率达到99.89%,而且在测试样本中的准确率也达到99.29%。这说明随机森林模型能精确地分离片状α相与β相且具有较好的泛化能力。

基于鲸鱼优化算法改进随机森林的电弧故障检测方法

基于电器种类繁多,不同电器发生电弧故障时电流波形相似难以检测,容易引起保护的误动和拒动,提出基于鲸鱼优化算法(WOA)改进随机森林(RF)的电弧故障检测方法。按照GB 14287.4—2014,设计并搭建了故障电弧实验平台,采集故障电弧信号,提取特征值,引入改进WOA对RF进行参数智能优化并求解。对比经典RF算法实验结果,共收集7种负载组合320组正常、故障数据进行实验,实验结果表明优化模型的识别效果优于经典RF算法,可以有效地诊断电弧故障。

小样本下基于SMOTE-IGWO-RF的轮毂电机轴承故障诊断

轮毂电机复杂多变的运行环境可能导致轴承故障而危及电动车辆行驶安全,为解决传统故障诊断方法在小样本条件下识别精度低的问题,提出一种基于SMOTE-IGWO-RF的轮毂电机轴承故障诊断方法。首先,通过合成少数过采样技术(SMOTE)扩展训练数据集,生成与真实样本分布相似的故障样本,并使用主成分分析(PCA)优化其时域和频域的特征。然后,通过引入非线性收敛因子和Levy飞行策略改进传统的灰狼优化算法(GWO),使用改进的灰狼优化算法(IGWO)优化随机森林(RF)模型的参数。最后,基于SMOTE-IGWO-RF的轮毂电机轴承故障诊断模型实现故障状态的识别,并在轮毂电机试验台架上进行了实验验证。结果表明,所提出的轮毂电机轴承故障诊断方法在7种转速工况下平均准确率均超过96%,具有高精度和稳定性。与遗传算法(GA)、粒子群优化算法(PSO)、GWO优化RF相比,提出的IGWO-RF模型在3种小样本训练集下的诊断准确率均超过90%,且准确率均明显高于其他3个对比算法,能够有效实现小样本条件下的轮毂电机轴承故障诊断。

基于IGWO-CatBoost模型的岩石爆破块度预测

针对无法准确预测矿山岩石爆破后块度大小的问题,提出一种基于改进灰狼算法(IGWO)优化的CatBoost块度预测模型。采用一种新的非线性收敛因子,引入动态权重策略,改进已有的灰狼算法(GWO),通过4个测试函数和5种优化算法验证了IGWO的寻优能力。对公开数据库和现场采集的32组数据进行预测分析。首先,采用随机森林算法进行特征重要性筛选,利用IGWO对CatBoost进行参数寻优,建立IGWO-CatBoost爆破块度预测模型;然后,将预测结果与在相同条件下建立的CatBoost、XGBoost、LightGBM模型进行对比分析。经过IGWO调参,CatBoost模型的预测准确度得到有效提高,IGWO-CatBoost模型的预测准确度均优于其他3种预测模型。对比结果表明,IGWO-CatBoost模型具有很好的预测能力和适应性。

基于改进随机森林算法的低压用户窃电行为自适应监测方法

用户窃电行为频发,针对窃电后的日用电量,电压、三相电流变化监测过程困难,精度低的问题,提出基于改进随机森林算法的低压用户窃电行为自适应监测方法。利用分布式结构采集低压用户的用电信息,通过控制振荡器(CCO)与单线程单元(STA)的相互配合,实现一天内96点电表曲线数据采集;从已采集到的用电信息中提取窃电用户的电量、电流与电压的用电曲线偏离度特征;将这些特征输入随机森林算法开始训练,经训练后获取自适应监测样本,并向随机森林算法中引入惩罚项因子,提升训练能力,使其具有自适应性,完成低压用户窃电行为的自适应监测。经实验验证,该方法能够精确采集用户的日用电量,在监测时可迅速发现用户窃电后的电压、三相电流变化,同时还可以实现多种窃电行为的监测。

基于随机森林和改进竞争群算法的铜电解过程能耗优化

电解铜箔生产过程所消耗的电能约占整个铜箔生产能耗的60%,存在很大节能空间。铜电解过程的能耗与电解过程的槽电压和电流效率直接相关,而铜电解过程影响因素复杂、工艺参数耦合严重,导致铜电解过程的能耗建模困难,能耗控制处于一种“盲目”的状态,难以运行在最优能耗工况。为此,本文提出了一种基于随机森林(Random Forest)的高精度拟合方法建立铜电解过程的能耗模型,建立了表征电流密度、硫酸浓度、铜离子浓度和电解温度作为输入变量与电解能耗内在联系的Random Forest回归模型,解决了铜电解过程能耗建模难的问题。根据建立的目标函数(能耗的Random Forest回归模型)以及电解过程约束条件,采用改进竞争群优化算法求解电解过程最优工艺参数,使铜箔生产的铜电解过程能耗从优化前5400 kW·h/t降低到4850 kW·h/t,大幅降低了企业的生产成本,有效提高了企业的生产效益。

基于改进随机森林算法的工业互联网边缘数据标准化采集方法

工业互联网是新一轮工业革命的产物,加之雾计算手段的应用,致使边缘数据数量庞大,并且结构较为复杂,对此,提出基于改进随机森林算法的工业互联网边缘数据标准化采集方法研究。应用权重树集成策略改进随机森林算法,制定算法并行化计算策略,完成边缘数据的分类处理,设置通信方式为协作通信,计算节点最优通信距离,创建边缘数据采集路径,标准化处理采集的边缘数据。实验结果显示:应用提出方法获得的边缘数据分类效果更好,数据采集完整度数值更大,保证采集性能更佳。

改进骆驼算法辅助随机森林模型预测TBM油温

为获取对盾构机(Tunnel Boring Machine,TBM)油温的分类预测性能,基于自然天气现象,提出一种骆驼行走阻力与行走耐力策略改进骆驼算法优化随机森林的预测模型。首先,采用提出的策略对传统骆驼算法进行改进,结果表明,改进后的骆驼算法具有良好的收敛速度和收敛精度;其次,利用改进骆驼算法对随机森林建立的盾构机油温预测模型进行参数优化,获得最优模型;最后,在此基础上,对测试数据集进行分类预测研究分析。实验结果表明,提出的模型预测准确率达到97.71%,相比于传统随机森林模型在准确率上提升了6.38%,可以达到避免油温过高引起盾构机故障的目的,为未来的整机材料-结构-控制多学科协同优化设计和性能预测提供基础。

基于改进随机森林的海量结构化数据异常辨识算法

结构化数据同时具备现海量与复杂的特征,导致其异常辨识难度上升,为此提出基于改进随机森林的海量结构化数据异常辨识算法。凭借互补集合经验模态分解,获得海量结构化数据的本征模态函数,去除噪声点。随机选择特征子集分裂决策树节点,采用AdaBoost算法对随机森林进行加权,完成随机森林改进。将改进随机森林的扩展空间范围定义为异常值范围,结合局部敏感哈希算法度量去除噪声点后的数据异常度,实现海量结构化数据异常辨识。通过实验表明,所提算法的海量结构化数据异常辨识精准度最高达到了95.8%,结构化数据量为400 G时的辨识耗时为2.52 min,说明该算法的海量结构化数据异常辨识精准率高、耗时短,具有较高的应用价值。

An improved artificial bee colony-random forest(IABC-RF)model for predicting the tunnel deformation due to an adjacent foundation pit excavation

An improved artificial bee colony-random forest(IABC-RF)model is proposed for predicting the tunnel deformation due to the excavation of an adjacent foundation pit.A new search strategy of the artificial bee colony(ABC)algorithm is herein developed and incorporated,with the results showing that a much higher computational efficiency can be achieved with the new model,while high computational accuracy can also be maintained.The improved ABC algorithm is thereafter utilised and combined with the random forest(RF)model,where four important hyper-parameters are optimized,for a tunnel deformation prediction.Results are thoroughly compared with those of other prediction methods based on machine learning(ML),as well as the monitored data on the site.Via the comparisons,the validity and effectiveness of the proposed model are fully demonstrated,and a more promising perspective can be seen of the method for its potential wide applications in geotechnical engineering.

基于云计算的大数据分类挖掘算法研究

大数据分类挖掘过程中所涉及的数据量较大,导致大数据挖掘结果的查全率、查准率以及分类正确率下降。为解决以上问题,设计了基于云计算的大数据分类挖掘算法。利用云计算技术设计大数据采集架构,在此基础上,利用改进随机森林算法分类处理采集的大数据,通过并行化聚类算法聚类数据,实现大数据分类挖掘。实验结果表明,本文算法的查全率与查准率、分类正确率较高,实际应用效果好。

基于工业大数据的柔性作业车间动态调度

为提高柔性作业车间动态调度的实际可操作性、计算效率与对车间扰动的实时响应能力,提出一种从具有工业大数据特点的调度相关历史数据中挖掘调度规则的方法。该方法在进行数据预处理时,结合开源大数据技术完成数据采集、清洗、整合与筛选。同时,考虑到动态调度问题中,扰动环境变化会改变生产属性对于调度决策的影响程度,对调度相关历史数据集合进行基于扰动属性的聚类,从而对不同扰动环境下做出的调度决策所产生的数据集合进行合理划分。此外,在调度规则挖掘中,提出了改进的随机森林算法。通过实例研究证明了该调度规则挖掘方法的可行性与有效性。

基于改进随机森林算法的股票趋势预测

针对目前股票趋势预测中随机森林算法无法对特征进行选择问题,提出一种离散二进制粒子群算法与随机森林算法相结合的混合算法。计算不同的技术指标作为输入特征,每一个特征都有4个不同时间跨度:3,5,10,15天,然后用离散二进制粒子群算法对特征进行优化选择。采用苹果公司、亚马逊公司、微软公司的股票历史数据进行仿真实验,实验结果与随机森林算法相比,准确率显著提高,苹果公司股票趋势预测的准确率达到93.0%,亚马逊公司达到90.5%,微软公司达到90.4%。

基于IPSO-WRF的选择性激光烧结件气泡溶解时间预测模型

针对选择性激光烧结(Selective Laser Sintering,SLS)件成型过程中因气泡导致的质量缺陷问题,提出一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化的加权随机森林(Weighted Random Forest,WRF)预测方法,用于实现气泡溶解时间的有效预测。该方法利用IPSO算法优化WRF分裂属性个数和决策树数量两个关键参数,构建IPSO-WRF预测模型。数值实例表明,与PSO-RF,PSO-KELM预测模型的预测结果相比,基于相同的训练样本和测试样本,气泡溶解时间IPSO-WRF的预测模型能够获得误差更小且更接近于实际值的输出结果。MAE,MAPE,RMSE指标表明,IPSO-WRF预测模型具有比PSO-RF模型和PSO-KELM模型更高的非线性拟合能力和预测精度。最后,通过敏感性分析确定对气泡溶解时间影响最显著的输入参数,为SLS技术的发展提供理论依据。

基于改进随机森林的海量高维数据最近邻检索

针对高维大样本数据分类的不足,导致传统海量高维数据最近邻检索存在的召回率低和开销大的问题,提出基于改进随机森林的海量高维数据最近邻检索。收集高维数据并利用局部线性嵌入法对数据进行降维处理。创建最近邻检索索引,利用改进随机森林算法确定高维数据类型,实现海量高维数据最近邻检索。为了测试设计最近邻检索的功能,设计对比实验,经过与传统检索方法的对比得出结论:设计的最近邻检索平均召回率提升了1.2%,内存开销和时间开销均有所降低。

基于改进随机森林算法的渡槽位移及应力预测模型

渡槽位移及应力监测是渡槽健康监测的重要内容,其位移及应力变化与多种因素存在复杂的非线性关系,这种关系导致传统数学模型难以较准确地预测出不同环境变量影响下渡槽的位移及应力变化情况。对此,提出了一种基于随机游走思想的随机森林算法,该算法以渡槽水位、气温及水温为输入,能较准确地预测出渡槽不同测点的位移及应力。最后,通过一个数值算例,对比了该算法与已有模型算法的拟合性能和泛化能力,验证了该算法的优越性,可满足渡槽工程位移及应力预测的需要。

基于改进随机森林的电力线通信优化算法研究

针对传统信道估计技术会占用频谱资源的缺陷,提出了一种基于改进随机森林的解映射优化算法。首先针对信源数据固有的不平衡性引入了改进SMOTE算法进行预处理,基于电力线信道特性确定了少数类数据的合成规则,并以解映射模块的子区间误码率作为评价指标进行性能分析。搭建了宽带电力线通信系统模型,以实际电表数据作为信源数据,在500 m的18径电力线信道模型下进行了仿真测试。实验结果表明,所提算法可以很好地弥补电表数据固有的不平衡性对随机森林性能的影响,极大地降低了子区间误码率的波动性。在各种信噪比环境下,引入改进随机森林算法均可以很好地优化解映射模块性能,提高宽带电力线通信质量,降低误码率。

采用AFCM-SMOTE-RF的光伏电站故障诊断方法

光伏电站故障频发,影响发电效率。而相对于正常运行数据,电站故障数据较少,导致故障检测精度不高。针对这个问题,提出了一种基于AFCM(alter-native fuzzy C-means)-SMOTE(synthetic minority over-sampling technique)算法与随机森林算法相结合的光伏电站故障诊断方法。用AFCM-SMOTE算法对故障样本进行处理,生成“人造”样本,用“人造”样本训练随机森林算法,最终实现对光伏电站故障的检测。实验结果表明,AFCM-SMOTE算法很好地解决了随机森林在光伏故障检测应用中因为故障样本数据少导致分类不精确的问题,提高了故障诊断的准确性。