基于协同降噪与IGWO-SVR的高填方路基沉降预测

高填方路基沉降影响山岭重丘区重载铁路运营安全。为克服实测沉降数据掺杂随机噪声、现有预测模型适用性差的不足,提出基于协同降噪算法与IGWO-SVR模型的沉降预测方法。运用互补集合经验模态分解法(CEEMD)与小波包变换法(WPT)对含噪沉降数据进行协同降噪处理;提出基于佳点集初始化均布、非线性收敛控制与自身历史最优记忆位置更新的改进灰狼优化(IGWO)算法,并结合支持向量回归模型(SVR),构建IGWO-SVR沉降预测模型。进一步地,利用大准铁路工点及现有文献研究成果,验证IGWO-SVR模型的优越性。结果表明:协同降噪法可有效消除原数据中噪声项的干扰波动;在小样本数据集上,IGWO-SVR模型较传统沉降预测模型与现有文献所述预测模型,具有更高的预测精度与稳定性。研究成果为重载铁路高填方路基沉降预测提供了新途径。

参数优化的IZOA-SVM机械设备故障诊断方法

在复杂的工作环境中,机械设备振动信号的复杂性常常会导致机械设备故障诊断的准确性不高,为解决设备运行中因信号复杂性引发的故障诊断难题,提出了一种参数优化的斑马优化算法优化支持向量机(IZOA-SVM)的故障诊断方法。首先,引入了柯西变异和反向学习的改进策略到斑马优化算法(ZOA)中,提出了改进的斑马优化算法(IZOA),旨在改善原有斑马优化算法在迭代后期容易陷入局部极值等问题,从而有效增强了其全局搜索能力;其次,利用IZOA优化支持向量机(SVM)的核参数g和惩罚参数c以寻找SVM最优参数组合[c,g],并构建了IZOA-SVM模型;然后,计算了样本的13个时域特征以构成特征向量,并将特征向量分别输入到IZOA-SVM模型、斑马优化算法优化支持向量机(ZOA-SVM)模型、粒子群算法优化支持向量机(PSO-SVM)模型、遗传算法优化支持向量机(GA-SVM)模型和支持向量机模型,进行了故障分类;最后,通过旋转机械振动及故障模拟试验验证了该方法的有效性。研究结果表明:IZOA-SVM模型在分类准确率方面得到了明显的提高,达到了98.33%;该模型能够精准而稳定地识别故障类型,提高故障识别的准确性,在准确率方面相较于其他对比方法表现出更为显著的优势。因此,该方法在全局搜索和故障分类准确性方面都取得了明显的改进,为复杂环境下的故障诊断提供了可参考的解决方案。

面向造纸污水处理的故障诊断复合算法研究

故障诊断是保障系统稳定性与安全性的关键节点。在造纸污水处理过程中,系统硬件设备由于长期处于恶劣环境极易引发系统故障,因此准确诊断故障以避免不可挽回的损失至关重要。基于此,针对造纸污水处理过程的特点,以主成分分析技术提取故障主元而明确故障诊断模型输入量,以粒子群优化算法优化机器学习算法支持向量机而构成故障诊断复合算法,由此搭建了面向造纸污水处理的故障诊断模型,并进行了仿真分析。结果发现,面向造纸污水处理的故障诊断复合算法正确率可达96.9%,且稳定性与鲁棒性较高,可广泛推广至多工业污水处理领域。

基于EEMD-IGWO-SVM的电机轴承故障诊断

针对电机轴承易发生损坏、传统诊断方法耗时长且准确度低等问题,提出一种基于改进灰狼优化算法(IGWO)优化支持向量机(SVM)的电机轴承故障诊断方法。对电机振动数据进行集成经验模态分解(EEMD),提取出IMF能量矩作为特征向量,并结合IGWO-SVM分类器,构造电机轴承故障检测模型。在模型引入改进Tent混沌映射、非线性收敛因子、动态权重策略,得到改进的分类算法,该算法可以快速精准地寻找SVM的最优惩罚参数C和核参数γ。对电机轴承振动数据进行仿真实验,诊断结果表明该轴承故障方法平均准确率高达99.4%。最后通过实验验证提出的诊断方法具有良好的算法稳定性和抗噪性能,可有效提高故障诊断精度。

基于改进SKNet-SVM的网络安全态势评估

为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,增强特征之间关联性。然后,将提取的特征输入到支持向量机中进行分类,并使用网格优化算法对支持向量机中的参数进行全局寻优。最后,根据网络攻击影响指标计算网络安全态势值。实验表明,基于改进选择性卷积核卷积神经网络和支持向量机的态势评估模型与传统的卷积神经网络搭建的态势评估模型相比,准确率更高,并且具有更强的稳定性和鲁棒性。

基于IDBO-LSSVM的输电线路覆冰厚度预测模型

针对输电线路受多种气象因素影响导致覆冰厚度预测精度低的问题,提出基于改进蜣螂优化(improved dung beetle optimizer,IDBO)算法优化最小二乘支持向量机(least square support vector machine,LSSVM)的输电线路覆冰厚度预测模型。首先,使用皮尔逊相关系数(Pearson correlation coefficient,PCC)计算输电线路覆冰厚度与不同气象因素之间的相关性,选择具有高相关性的气象因素以确定输入变量;其次,通过引入Halton序列、Levy飞行策略和T分布扰动来改进蜣螂优化(dung beetle optimizer,DBO)算法;最后,使用IDBO算法寻优LSSVM参数:调节因子、核函数宽度,提高模型预测精度。以某地输电线路历史监测数据为样本,将IDBO-LSSVM的输电线路预测结果与其他7种预测模型进行比较,发现平均绝对误差分别降低了约27%、36%、25%、23%、24%、44%和39%。该研究证实了基于IDBO-LSSVM的输电线路覆冰厚度预测模型可以有效提高预测精度。

经验小波变换和改进S变换结合的电能质量检测与识别方法

为分析不确定干扰因素影响下的实际电力网络电能质量问题,提出一种经验小波变换(EWT)和改进S变换相结合的电能质量检测与识别方法。该方法一方面利用EWT联合归一化直接正交(NDQ)算法和奇异值分解(SVD)算法准确提取调幅-调频分量的频率、幅值和时间参数,另一方面考虑到EWT算法在高噪声环境下瞬时幅值波动的问题,引入改进S变换提取高噪声干扰下的电能质量扰动时频信息,最后,基于EWT和改进S变换提取的扰动特征向量,利用基于改进粒子群优化算法(IPSO)优化支持向量机(SVM)的电能质量扰动识别分类器实现扰动类型的精确识别。仿真和实验表明所提方法在复合扰动识别分类时平均识别准确率为93.23%,且能够准确识别4种实测扰动信号。

基于改进GWO–SVR算法的锂电池剩余寿命预测

锂离子电池性能优越,已在B787等机型上得到应用.锂离子电池性能随着使用次数增加而衰退,准确预测锂电池剩余使用寿命从而及时维护/更换,对航班安全飞行具有重要意义.面向锂离子电池剩余寿命预测问题,本文采用容量增量分析等方法提取特征,基于灰色关联分析计算特征与电池容量的关联程度并筛选特征,提出一种基于改进灰狼优化算法(Improved grey wolf optimization, IGWO)和支持向量回归(Support vector regression, SVR)的锂离子电池剩余寿命预测方法.作为近年研究热点的灰狼优化(Grey wolf optimization, GWO)算法寻优性能出色,但是在应用中容易陷入局部最优.针对此问题,IGWO对GWO算法中的位置更新方程进行优化,对狼群中的个体添加了记忆与飞行功能,增强了算法全局搜索和收敛能力;同时基于Skew Tent映射产生混沌序列,优化狼群初始位置分布.基于标准测试函数对比GWO和IGWO算法的寻优能力,结果表明IGWO算法的收敛速度和寻优效果更好,能够避开GWO陷入的局部最优,在部分测试函数上将寻优精度提升了几十个数量级;基于NASA锂离子电池数据集开展IGWO–SVR、GWO–SVR和SVR的剩余寿命预测能力对比实验,结果证明IGWO–SVR能够有效提高预测精度,与GWO–SVR相比预测均方根误差值降低了10%以上.

基于EWT-FE分析联合改进SVM算法的GIS局部放电诊断方法

为提高气体绝缘组合电器(Gas insulated switchgear,GIS)局部放电类型诊断的精度,提出了一种基于EWT-FE结合IHPO-SVM算法的GIS局部放电诊断方法。为深度挖掘局部放电信号内部特征,利用经验小波变换(Empirical wavelet transform,EWT)结合模糊熵(Fuzzy entropy,FE)算法对信号进行分解,并提取有效特征量;为提高支持向量机(Support vector machine,SVM)算法自适应能力与分类识别精度,提出利用经过余弦衰减计算方法以及指数下降函数改进的猎人猎物优化(Improved hunter-prey optimizer,IHPO)算法对SVM算法参数进行优化选取;搭建GIS局部放电试验模型,建立基于EWT-FE信号分析结合IHPO-SVM的局部放电识别模型,对所提算法有效性进行验证。试验结果表明,所提算法GIS局部放电类型诊断精度均大于95%,优于传统诊断算法。

数控铣床低碳高质建模及工艺参数优化

针对数控铣床生产过程中工艺参数不合理导致碳排放量高、表面质量差等问题,提出了一种面向低碳高质的数控铣床工艺参数优化方法。分析了铣削过程碳排放因素,给出碳排放效率、表面粗糙度和加工时间的目标函数,构建基于灰狼算法改进支持向量回归的数控铣床碳排放效率和表面粗糙度预测模型。以主轴转速、进给速度和切削宽度为优化变量,采用改进白鹭算法进行切削参数优化,获得了低碳高质高效工艺参数Pareto前沿解,通过熵权逼近理想解排序法选择合适的工艺参数。搭建了数控铣床碳排放监测实验平台,实验结果验证了所提方法的可行性和有效性。

基于MTSVR-ISAO的混凝土重力坝参数反演方法

混凝土坝参数识别是评价其运行状态的关键。为进一步提高参数识别的效率和精度,提出一种基于多输出孪生支持向量机(MTSVR)和改进雪消融优化器(ISAO)的混凝土坝参数反演方法。通过训练MTSVR模型模拟待反演参数与位移静水压分量之间的非线性关系以代替复杂的有限元计算。采用ISAO对目标参数进行寻优反演。工程实例分析表明,代理模型计算结果与有限元计算结果基本一致。与传统元启发优化相比,ISAO寻优收敛速度更快,准确度更高,单次参数反演用时更少。结果说明构建的反演方法可在保持计算精度前提下有效提高计算效率,方法具有有效性和实用性,为工程真实参数辨识提供参考。

初支拱盖法主动支护技术下的开挖工序优化研究

结合青岛中硬岩地质的突出特点,运用主动支护理念采用预应力锚杆快速对车站隧道拱部形成支护体系,在初支拱盖法传统开挖分部的基础上,充分利用围护自稳能力,进一步优化开挖分部,释放出新的作业空间,大幅提高了支护效率,缩短了初支封闭成环的时间。同时研究主动支护技术下分部建立承载体系与整体建立承载体系的受力状态,依托具体工程优化锚杆、钢筋网、喷射混凝土、钢架的施工顺序,为预应力锚杆的施工、预应力的施加、后期损失以及预应力的长期监测创造有利条件。

多特征提取与IGWO-SVM的谐波减速器故障识别

为解决对谐波减速器进行故障诊断时,提取的特征信息不足、使用的分类网络容易陷入过拟合的问题,提出了利用改进的完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)降噪与多特征提取结合改进灰狼优化算法(improved grey wolf optimizer,IGWO)优化支持向量机(support vector machine,SVM)的故障识别方法。首先,对采集到的不同故障源的多工况谐波减速器振动信号进行ICEEMDAN分解,应用相关性分析完成信号重构,实现信号降噪处理;其次,提取数据的时频熵特征,丰富所提取数据的特征信息;最后,通过对GWO的收敛因子、比例权重和种群初始化进行改进,构建IGWO-SVM对数据进行分类,完成谐波减速器故障识别。结果表明,所提方法的平均准确率可以达到91.27%,相较于GWO-SVM验证集准确率由87.5%提升到了90%,所提方法能够有效地对多工况谐波减速器进行故障识别,且具有较强的泛化能力。

基于ICEEMDAN与POA-SVM的感应电机故障诊断

针对感应电机定子电流故障特征提取困难,支持向量机(SVM)惩罚系数c和核函数参数g的选择对诊断结果影响较大等问题,提出一种改进自适应噪声平均总体经验模态分解(ICEEMDAN)与鹈鹕优化算法(POA)优化支持向量机(POA-SVM)相结合的感应电机故障诊断方法。首先,利用ICEEMDAN经陷波器滤除工频的定子电流获得一系列固有模态函数(IMF);然后,选取各状态信号的前7阶IMF分量并计算能量熵作为故障特征向量;最后,将故障特征向量输入POA-SVM模型得到诊断结果。通过仿真软件Ansoft/Maxwell建立电机模型来获得电流数据,诊断准确率达到了100%,实现了感应电机的故障诊断。为进一步验证诊断方法的优越性,搭建电机故障模拟试验台来采集电流信号,结果表明,该方法在空载、半载和满载3种负载情况下诊断准确率均可达到97.5%以上,与其他故障诊断方法相比,所提方法对感应电机电气故障具有更好的识别能力。

基于改进CGWO-SVM算法的建筑能耗预测模型研究

建筑能耗预测能够反映建筑内部各分项能源消耗系统是否存在降耗空间,从而为节能减排工作提供指导。为了提高建筑能耗预测精度,提出了一种基于改进混沌灰狼优化-支持向量机(CGWO-SVM)算法的建筑能耗预测模型。针对传统灰狼优化(GWO)算法过早收敛和易于陷入局部最优解的问题,采用Tent混沌序列初始化种群、控制参数随机动态调整策略来平衡搜索能力。通过Cauchy变异操作降低算法陷入局部最优的概率,提出了改进CGWO。通过仿真测试,证明了CGWO算法在求解精度和稳定性方面优于GWO算法。利用该算法优化支持向量机(SVM),建立CGWO-SVM建筑能耗预测模型。采用实际建筑能耗数据进行测试。测试结果表明,CGWO-SVM算法的预测性能优于其他模型。CGWO-SVM算法可用于建筑能耗预测工作,具有较强的实际应用价值。

基于双层规划的装备保障优化预调度

装备保障影响作战任务完成质量甚至直接关系任务成败,装备保障优化调度是提升装备保障系统效益的关键。针对装备保障系统双层决策和组合优化的特点,提出一种基于双层规划的装备保障优化预调度模型。分析装备保障系统运行过程和建模框架;结合组合优化问题,建立双层规划模型,上层为粗粒度层,采用MTSP(multiple travelling salesman problem)方法,下层为细粒度层,采用JSP(job-shop scheduling problem)方法;通过改进MTSP算法设计和迁移JSP算法描述构建双层迭代算法进行模型求解。算例分析表明:该方法在大规模系统优化调度中具有结构开放性和参数适应性。

基于压电叠堆的智能风洞尾支杆结构主动抑振PD参数整定

验证飞行器气动性能往往需要进行风洞全模试验,尾支杆支撑结构设计简单、拆装便捷、对试验流场干扰低,因此全尺寸模型普遍采用尾支杆支撑形式。但其支撑刚度低、结构阻尼小,容易引发支杆-模型系统的振动。本文基于压电叠堆设计了集成于尾支杆根部的智能主动抑振结构,应用改进粒子群算法对工程上常用的比例微分(PD)控制方法进行了整定优化,改善了其参数整定所需时间长、整定效率不高的问题。控制仿真及试验结果表明,采用基于改进粒子群算法的PD控制器可降低振动信号振幅最大值为52%,缩短99.48%的调整时间,抑振效果明显,能够为风洞尾支杆主动控制提供理论及实践参考。

基于LSTM-PSO-SVM的船用LNG双燃料发动机故障预测

针对船用LNG双燃料发动机设备复杂,故障预测效率低、准确度差的问题,提出一种长短期记忆网络与改进粒子群优化算法优化支持向量机融合的预测模型。利用LSTM模型时间序列变化的能力对设备未来的运行状态进行预测,然后采用非线性自适应惯性权重改进PSO算法对SVM参数进行寻优,以提高其寻优能力和收敛速度;改进的LSTM-PSO-SVM融合模型可实现对设备故障状态的快速、准确预测。通过对某船用LNG双燃料发动机的故障预测仿真,结果表明上述模型具有更高的故障识别准确率和更快的识别速度,能够准确预测船用LNG双燃料发动机潜在故障。

高温镁合金板材超声振动辅助剪切工艺参数优化与质量预测

目的为实现镁合金板材超声振动辅助剪切过程的工艺参数优化和质量预测,提出了一种多目标优化及决策方法,建立了多目标质量预测模型。方法综合考虑经济成本及断面质量等因素,确定了最大剪切力、塌角宽度和毛刺高度为剪切质量的评价指标。依据正交实验结果建立了剪切质量关于各工艺参数的数学响应模型并进行分析,采用改进的多目标灰狼优化(MOGWO)算法进行寻优,利用基于熵权-TOPSIS法对优化后的非支配解进行综合评价,获得了最优工艺参数解。最后基于多输入多输出最小二乘支持向量回归机(MLSSVR),以3个工艺参数为输入、3个评价指标为输出建立了剪切质量预测模型。结果在此范围内,最大剪切力和塌角宽度主要受剪刃间隙和超声振幅的影响,随剪刃间隙的增大而增大,随超声振幅的增大而减小;而毛刺高度则主要受板材温度的影响。在此基础上,根据剪切质量的数学响应模型确定最佳工艺参数为:板材温度为250℃、剪刃间隙为8%板厚、超声振幅为10μm。MLSSVR质量模型精度达95%以上,并且能综合考虑各工艺参数与各评价指标之间的影响,具有较高的预测精度和泛化能力。结论超声振动辅助剪切(UVS)可有效提高板材剪切断面质量,所提方法对于寻求最佳板材剪切工艺参数具有一定的参考价值。

基于自适应变分模态分解的组合模型风电功率预测

风电机组出力的高波动与随机性,影响电力系统安全稳定运行与风电预测精度,针对此提出结合风电功率波动特性研究的风电功率预测方法。首先从时间与机组规模尺度分析风电功率波动特性,并指导选取合适的风电数据用于风电功率预测;然后建立基于最小二乘支持向量机的风电机组短期功率预测模型,采用自适应变分模态分解实现风电数据分频,并采用改进粒子群优化最小二乘支持向量机模型中影响回归预测的模型参数。实验结果表明,预测模型自适应性较强,通过预测误差评价指标,可证明预测方法的有效性。