基于BS-TabNet和LSSA的车架智能轻量化设计

为解决传统牵引车车架轻量化设计中设计周期长、设计难度较大和过分依赖工程师经验等问题,提出了一种智能轻量化设计方法.首先,通过试验设计(Design of Experiments,DOE)联合仿真获取车架性能表格数据.其次,基于TabNet算法、贝叶斯优化算法和沙普利增量解释理论(SHapley Additive exPlanation,SHAP)构建出BS-TabNet模型,用于学习车架性能表格数据,生成车架代理模型.最后,采用莱维飞行策略对麻雀搜索算法(Sparrow Search Algorithm,SSA)进行改进,得到莱维麻雀搜索算法(Levy Sparrow Search Algorithm,LSSA),用于求解车架轻量化任务,找到最优车架结构参数.相较于传统机器学习算法,BS-TabNet模型在准确性、稳定性和可解释性三个方面都有着更高的评价,其准确度达到了0.98左右,稳定性提高50%以上,而且具有更强的可解释能力,解决了深度学习在表格型数据上表现较差的问题.相较于传统群智能优化算法,LSSA算法能够寻找到更好的优化结果,在满足其他性能要求的同时,实现了车架质量减轻5.64%的轻量化效果.智能轻量化设计方法将人工智能与车架轻量化设计相结合,能够节省大量设计时间,提高设计效率.

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SSA和双稳随机共振的车削颤振微弱特征提取

围绕车削颤振激发过程,针对车削颤振过渡阶段特征微弱且存在噪声和转频干扰的问题,提出一种基于麻雀优化算法(sparrow search algorithm, SSA)和双稳随机共振(bistable stochastic resonance, BSR)系统的车削颤振微弱特征提取方法。该方法利用SSA优良的寻优特性,以信噪比作为优化指标确定最佳BSR系统参数,用优化后的参数对车削颤振信号进行滤波处理,提取颤振特征频率。仿真试验表明SSA-BSR方法可以实现对强噪声背景下微弱特征信号的提取与增强,同时兼顾寻优速度快和获得全局最优解概率高的优点。开展车削颤振检测试验,颤振激发过程的加速度信号图谱分析结果验证了车削颤振特征频率幅值与颤振激发程度之间的相关性;不同模型在车削颤振过渡阶段特征提取的对比结果验证了SSA-BSR模型的有效性和优越性,并且能够满足车削颤振检测对实时性的要求,实现在进入剧烈颤振阶段前发出预警,为量化车削颤振和车削颤振在线监测提供一种新思路。

基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。

基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

基于SSA-CNN的航空器着陆跑道占用时间预测

国内外相关研究表明,航空器着陆跑道占用时间(aircraft arrive runway occupation time,AROT)是影响机场跑道容量的重要因素,对跑道占用时间的准确预测有利于更准确地评估跑道容量。由于着陆过程的动态性和复杂性,采用注重数据特征提取的卷积神经网络(convolutional neural networks,CNN)对AROT进行预测,针对CNN容易陷入局部最优等缺点,采用麻雀搜索算法(sparrow search algorithm,SSA)对CNN相关参数进行优化。数据采用航空器快速存取记录器(quick access recorder,QAR)的记录作为数据源,涵盖机场数目为34个。根据QAR数据分析AROT影响因素,构建了SSA-CNN预测模型。对QAR数据分析表明AROT与滑行距离、落地气温、跑道入口速度、快速脱离道数量、脱离速度关联性较强,与航空器重量、风速、风向、脱离道角度等影响因素关联性较低。根据影响因素的关联性采用CNN预测模型均方误差为18.35,而优化后的SSA-CNN预测模型均方误差为17.31,预测结果可以为机场评估跑道容量提供参考。

SSA-MLP模型在岩质边坡稳定性预测中的应用

岩质边坡的力学参数量化及稳定性分析对岩质边坡灾害的防治具有重要意义。Hoek-Brown(H B)准则是一种用于确定岩体力学参数的经典方法,能反映出边坡岩体变形和位移的非线性破坏特征。在此基础上,首先,提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)改进多层感知器(Multi-Layer Perceptron,MLP)的神经网络模型,并用于边坡稳定性预测、指标敏感性分析及参数反演。其次,将收集的1085组岩质边坡的几何参数和H B准则参数等作为输入变量,极限平衡理论Bishop法求解的安全系数作为输出变量,对SSA MLP模型进行训练学习和性能评估。最后,将该模型运用于25个边坡实例,验证模型的有效性。结果显示,该模型收敛速度快、精度高,为边坡稳定性分析和参数量化提供了一种新思路。

基于MDS和改进SSA-SVM的高速铁路道岔故障诊断方法研究

针对高速铁路道岔设备故障频繁,现场维修工作量大等问题,提出基于多维尺度缩放法(MDS)和改进麻雀搜索算法(SSA)优化支持向量机(SVM)的高速铁路道岔故障诊断模型。首先以ZDJ9道岔转换功率曲线为研究对象,总结现场典型道岔故障类型及故障原因,分别提取道岔功率曲线的时域、频域特征指标以及小波包能量熵,组成特征指标向量;其次采用MDS方法进行多维特征指标的降维优化,建立道岔故障特征指标样本数据库;最后利用改进Circle混沌映射初始化种群,并通过自适应t分布增强麻雀种群的多样性,再以改进SSA算法优化SVM模型中的惩罚因子和核函数方差2个关键参数,构建改进SSA-SVM的道岔故障诊断模型。故障诊断结果表明,本模型的故障诊断正确率高达96.25%,诊断效果优于其他方法,可以为道岔设备的故障维修提供理论依据。

基于ICEEMDAN-SSA-Wavelet的声发射信号降噪研究

针对粘接件声发射(AE)信号含有噪声分量难以滤除的问题,提出一种改进ICEEMDAN的方法。该方法首先使用ICEEMDAN分解原始AE信号,并通过相关系数和能量差值的方法筛选出低频分量和高频分量;运用麻雀优化算法(SSA)优化后的改进小波阈值去噪算法对其进行去噪;最后将保留的低频分量和去噪后的高频分量重构成一个新的信号,通过实验数据对比和分析评估降噪效果。实验结果表明,相较于改进小波阈值去噪和ICEEMDAN去噪,文中提出的方法对金属与非金属粘接件AE信号的降噪效果更好,能够保护原始信号的频域信息,进而提高脱粘检测精度。

基于ISSA-SVM的钻井卡钻事故预测

为预防钻井过程中卡钻事故的发生,通过提出了一种改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machines,SVM)的预测模型方法(ISSA-SVM),在发现者位置更新公式中引入一种改进的自适应非线性惯性递减权重;在警戒者位置更新公式中引入莱维飞行策略。利用主成分分析法(principal component analysis,PCA)对外国某大型油田的实测钻井数据进行降维处理,并利用惩罚参数和核参数进行卡钻事故的预测。实验结果表明:ISSA-SVM的预测准确率高达85.1852%,且收敛速度更快,可见ISSA-SVM可有效预测钻井卡钻事故。

基于SSA和RIFT的多重联合域鲁棒水印算法

数字水印技术是数字版权保护的关键技术之一.针对目前数字水印的鲁棒性仍有待提高的问题,提出了一种基于麻雀搜索算法SSA和辐射不变特征变换RIFT的多重联合域的鲁棒水印算法.首先,对原始载体图像进行冗余离散小波变换RDWT,提取低频子带进行海森堡分解HD,再取载体矩阵进行奇异值分解SVD.其次,对水印图像进行离散小波变换DWT,取低频子带进行SVD.然后利用嵌入规则,将水印嵌入到原始载体图像中,得到含水印的载体图像.此外,利用SSA对嵌入强度进行自适应优化.对于旋转攻击,利用RIFT进行旋转校正.实验结果表明,含水印的载体图像的峰值信噪比在35 dB左右,结构相似度在0.997以上.针对不同攻击,提取的水印归一化相关系数大多在0.97以上.所提算法相较于其他算法表现出较好的不可感知性和鲁棒性.

HLA-DQA1*0501、HLA-DQB1*02基因多态性与抗Ro/SSA抗体阳性pSS易感性的关系分析

目的基于数据库相关数据分析人类白细胞抗原(HLA)-DQA1*0501和HLA-DQB1*02基因多态性与抗Ro/SSA抗体阳性的原发性干燥综合征(pSS)易感性的关系。方法使用计算机检索相关数据库,筛选并收集pSS患者、抗Ro/SSA抗体阳性的pSS患者、抗Ro/SSA抗体阴性的pSS患者以及健康对照人群的HLA-DQA1*0501、HLA-DQB1*02基因多态性资料。使用STATA 16.0(USA)统计软件分析抗Ro/SSA抗体阳性的pSS患者中HLA-DQA1*0501和HLA-DQB1*02基因多态性与pSS发生的关系。结果纳入文献5篇,涉及420例pSS患者、250例抗Ro/SSA抗体阳性pSS患者、120例抗Ro/SSA抗体阴性的pSS患者和733例健康对照者。在pSS患者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为159、246例;在健康对照者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为196、282例;在抗SSA抗体阳性pSS患者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为129、158例;在抗SSA抗体阴性pSS患者中,HLA-DQA1*0501和HLA-DQB1*02基因阳性分别为30、46例。HLA-DQA1*0501和HLA-DQB1*02基因多态性与pSS的易感性有关(I2分别为62.99%、40.75%,合计OR值分别为2.60、2.43,95%CI分别为1.49~4.55、1.88~3.14,P均<0.05)。HLA-DQA1*0501和HLA-DQB1*02基因多态性也与抗Ro/SSA抗体阳性pSS的易感性有关(I2分别为0.00%、9.41%,合计OR值分别为3.85、2.61,95%CI分别为1.81~8.21、1.52~4.48,P均<0.05)。结论HLA-DQA1*0501和HLA-DQB1*02基因多态性与抗Ro/SSA抗体阳性的pSS患者的易感性相关。具有HLA-DQA1*0501和HLA-DQB1*02基因阳性的抗Ro/SSA抗体阳性患者更容易患pSS。

基于改进SSA-SVM的矿用发动机磨损预测

矿用机械由于工作环境特殊,故障率远远高于其他机械。发动机是矿用机械的关键部件,对其进行超前管理和预知维修有助于延长设备的工作时间,提高工作效率和经济效益。采用Levy飞行策略改进的麻雀搜索算法(SSA)优化支持向量机(SVM)并建立预测模型,评价指标为平均相对误差和平方相关系数。通过与标准的SSA-SVM算法对比,仿真结果表明,改进的算法对发动机磨损状态的预测能力更优秀。

基于VMD-SSA-LSTM的闸门振动信号趋势预测

闸门振动信号分析和预测是检测闸门运行状态的重要方式,由于闸门信号的复杂性和非平稳性,准确判断闸门状态成为难题。本文提出一种基于VMD多模态分解和SSA-LSTM网络结构,对输入的闸门信号进行分解和预测。首先采用VMD分解了闸门信号并取得信号特征,通过SSA优化LSTM网络超参数,提高对闸门信号预测的准确性和效率。实验结果表明:相比LSTM和VMD-LSTM,本文的算法效果最佳,采用SSA算法后,RMSE下降68.1%,为闸门振动信号检测和预测提供基础。

SSA-BP神经网络模型在地震伤亡人数预测中的应用

为快速准确地预测地震伤亡人数,提高地震应急救援效率,基于皮尔逊相关系数法定量刻画地震伤亡人数与影响因素之间的关联程度,挖掘地震伤亡人数的有效影响因素,并通过多元回归分析法检验有效影响因素的可靠性;采用麻雀搜索算法(SSA)优化BP神经网络,构建SSA-BP神经网络模型对地震伤亡人数进行预测,并将该模型与SVM、RBF、BP模型的预测数据和实际值进行对比。结果表明:与地震伤亡人数相关程度从高到低的有效影响因素依次为震中烈度、震级、房屋受损情况、发震时间、震源深度;SSA-BP神经网络模型较SVM、RBF、BP预测模型的均方误差分别降低93.3%、91.4%、85.2%,平均绝对误差分别降低69.3%、64.9%、54.7%,均方根误差分别降低74.1%、70.8%、61.6%,预测结果与实际地震伤亡人数接近,该模型可用于地震伤亡人数预测。

基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R^(2)可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。

基于SSA-Hurst-ARIMA组合模型的船舶柴油发电机组故障特征短期预测

为提高船舶柴油发电机组故障特征短期预测精度,建立基于奇异谱分析(Singular Spectrum Analysis,SSA)、Hurst指数、自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)的组合预测模型。以某试验中船舶柴油发电机组运行数据为基础,选取增压器滑油压强数据,对比分析单一ARIMA模型、SSA主成分-ARIMA组合模型和SSA-Hurst-ARIMA组合模型的预测效果。结果表明,SSA-Hurst-ARIMA组合模型的预测效果优于单一ARIMA模型和SSA主成分-ARIMA组合模型,更适合应用于船舶柴油发电机组故障特征的短期预测。

基于改进SSA优化PID的下肢康复机器人控制

针对下肢康复机器人训练过程中步态跟踪误差大的问题,提出一种改进麻雀搜索算法(ISSA)优化PID的控制策略。首先,利用拉格朗日方程对下肢机器人进行动力学分析,得到动力学模型;然后,通过引入Kent映射混沌初始化种群、Tent混沌扰动和柯西变异扰动,以及改变探索者-跟随者比例系数和探索者位置更新公式等方面对麻雀搜索算法进行改进,通过8种测试函数证实了算法改进的有效性;最后,在Matlab/Simulink中建立下肢机器人PID控制器和ISSA-PID控制器系统的仿真模型,以正常人体步态数据进行拟合得到的函数曲线作为系统实际输入进行跟踪实验。结果表明:相比于传统PID控制,ISSA-PID控制髋关节和膝关节的误差分别降低了63.3%和72.5%,实现了精准的步态跟踪,验证了该控制策略的有效性。

基于SSA-模糊PID的AUV姿态控制研究

针对AUV高精度、高稳定性姿态控制的提升需求,提出一种结合麻雀算法(SSA)和模糊PID控制的姿态控制器;采用麻雀算法对模糊PID控制器参数进行优化,并将寻优后模型用于算法的反馈补偿,有效解决了模糊PID控制过度依赖经验,难以应对水下复杂工况的问题;仿真结果表明,SSA-模糊PID控制器在AUV姿态调节中表现出较传统模糊PID控制器更好的响应速度和抗干扰能力,有效改善了AUV姿态控制性能;经实际应用验证,控制器在复杂工况下可快速收敛至期望姿态并维持稳定。

基于SSA算法的管道阴极保护系统参数优化研究

传统阴极保护系统参数设计存在一定的经验性和随机性,在阳极选址、恒电仪选型和阴极保护控制上具有局限性。针对上述问题,在测试电化学阻抗谱的基础上,确定管道的最佳保护电位,利用COMSOL软件中的二次电流分布模型确定阴极保护电位分布的影响因素,通过均匀性和保护效果定义了电位分布的目标函数,并利用麻雀算法(SSA)实现目标函数的迭代求解。结果表明,最佳阴极保护电位较保护电位区间更具参考性,可参照该值提高阴极保护效果;阳极数量越多、外加电流越小,保护电位的均匀性越强;阳极与管道径向的距离越大,电位正移越严重,电位越均匀。针对实例对不同改造方案进行优化,优化后可减缓或避免管道发生腐蚀,证明了算法的有效性和科学性。