基于PSO-LSSVM的双压凝汽器真空建模

凝汽器真空状态反映了凝汽器的工作运行状态,是保证火力发电机组安全运行的重要参数.文中结合凝汽器的工作原理,建立了基于PSO-LSSVM的凝汽器真空预测模型,并对某1000MW超临界机组的双压凝汽器真空进行预测,同时将预测结果与PSO-BP模型和PSO-Elman模型进行了对比.结果表明,使用的PSO-LSSVM模型具有更高的精度和更快的收敛速度,为机组的性能诊断、参数寻优提供了依据理论,具有一定的工程应用价值.     

多尺度变异粒子群优化MK-LSSVM的轴承寿命预测

提出一种基于多尺度变异粒子群优化(MSPSO)算法和多核最小二乘支持向量机(MK-LSSVM)的预测新方法用于滚动轴承寿命预测。提取小波包相对能量特征对轴承性能衰退予以描述,提出MSPSO算法对MK-LSSVM模型参数进行优化选取,构造融合多核函数的LSSVM模型实现轴承寿命估计。MK-LSSVM中多核函数的引入克服了单核LSSVM对核函数类型强依赖性的弱点,MSPSO算法中种群全局大尺度均匀变异与个体局部邻域小尺度变异搜索联合策略的提出在增强种群多样性的同时保证了粒子群局部精确搜索的能力。利用实测滚动轴承振动数据分析,验证了所提MSPSO算法在模型参数优化及优化MKLSSVM模型在滚动轴承寿命预测应用中的有效性。     

基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

为提高基于最小二乘支持向量机（LSSVM）的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化（PSO）的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。     

基于PSO-LSSVM的水分仪称重传感器非线性补偿研究

水分仪称重传感器的输出与待烘干物重量存在一定的非线性关系,且烘干失重法对传感器工作环境温度影响也会造成称重传感器输出的非线性变化。在分析传统应片式传感器非线性输出的产生机理基础上,提出一种基于变异粒子群-最小二乘支持向量机(PSO-LSSVM)的新型称重传感器非线性补偿方案:首先采用噪声协方差可变的卡尔曼滤波算法对称重传感器输出数据进行滤波,减小噪声的影响;再将滤波后的数值与环境温度值作为回归参量,建立基于LSSVM算法的水分仪称重模型;利用变异PSO算法对模型进行参数寻优。实验表明,在220 g/0.001 g水分仪中采用本方法对传感器输出进行非线性补偿后,称量精度明显优于国家检定规程标准;此外,该方法满足在小训练样本条件下,具有很好的泛化性。     

一种改进的最小二乘支持向量机算法及其在硅酸盐分析仪中的应用

硅酸盐分析仪在多组分同时测定时,测定数据的解析属于典型的小样本问题,在标准LSSVM算法的基础上,结合粒子群优化算法优化LSSVM超参数。实验结果表明,该算法与单项组分测定结果一致,效率却大大提高。     

基于PSO-LSSVM的塔机起升机构虚拟传感器研究

目前塔机起升机构的安全监测多采用布置传感器的方法,载荷测量方式主要是通过在定滑轮处加装轴销式称重传感器,高度测量多采用安装外接编码器的方法。此方法安装、更换成本高且布线发杂,因此该文提出了一种通过变频器输出数据来计算起升载荷以及吊钩高度虚拟传感测量方法。首先介绍了起升机构的组成,通过变频器中的电机编码器数据完成了吊钩高度的换算。接着描述了载荷测量虚拟传感的原理与方法,选用基于粒子群优化的最小二乘支持向量机算法来建立吊重测量模型,通过对数据的关联性分析确定了模型的输入输出。最后通过现场试验验证了载荷测量虚拟传感方法的可行性,且吊重测量误差不超过4%。     

基于能量诱导型PSO算法与LSSVM模型的钢铁企业高炉煤气消耗量预测

针对钢铁企业高炉煤气消耗量存在的波动大、随机性强、难以预测等特点,引入能量剩余函数,提出了一种与粒子自身能量相关的能量诱导型粒子群(Energy Guided Particle Swarm Optimization,EGPSO)算法。利用其对最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的参数进行优化,最后采用优化后的最小二乘支持向量机模型(EGPSO-LSSVM)进行高炉煤气消耗量预测。仿真实验表明:改进后的预测模型在平均绝对百分比误差、均方误差、均方百分比误差三项指标上均优于普通BP神经网络模型和普通最小二乘支持向量机模型,可以为高炉煤气资源的合理使用提供依据。     

基于最小二乘支持向量机的应力强度因子预测模型

应力强度因子是表征材料断裂的重要参量,与应力大小,裂纹的形状和裂纹长度有关。对应力强度因子进行分析,基于最小二乘支持向量机原理,结合粒子群优化,建立以应力大小和裂纹长度作为输入值,应力强度因子为输出值的模型,从而对应力强度因子进行分析和预测。模型预测值与理论值进行分析比较,结果显示,基于最小二乘支持向量机结合粒子群优化算法建立的数学模型,模型拟合优度为0.994 9,可通过应力大小和裂纹长度预测应力强度因子,预测值与精确值的相对最大误差为0.186 4,可证明该模型的适用性与精确性。     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

基于CPSO-LSSVM的多传感器数据融合

文中提出了一种新的基于混沌算法优化的粒子群(CPSO)算法,该算法在种群初始化时应用混沌算法优化粒子的初始位置,扩大粒子的有效搜索范围,在陷入局部最优时应用混沌算法遍历整个搜索空间,跳出局部最优.仿真实验证明该算法寻优性能优于当前其他PSO算法.利用CPSO对LSSVM的参数进行优化选择,建立多传感器数据融合模型.将该模型应用于压力的检测,实验证明了该方法优于当前其他主要方法.     

基于油液分析和时间序列模型的内燃机磨损状态监测方法

提出了一种基于油液分析和时间序列模型的内燃机磨损状态监测方法。将整个内燃机看作一个摩擦学系统,利用时间序列模型对摩擦学系统进行动态建模,建立能够表征内燃机磨损状态的数学模型。采用该模型对内燃机润滑油中各元素的变化趋势进行趋势分析,并应用实例对模型进行了检验。结果表明,该方法准确判断内燃机的磨损状态,为内燃机磨损状态监测提供了一种新的途径。     

基于PSO-SVM的关键生物参数软测量方法研究

微生物发酵过程中一些关键生物参数难以实时在线测量,严重影响发酵的优化控制。为解决关键生物参数的测量难题,采用了一种基于PSO-SVM的软测量方法。该方法利用粒子群优化(PSO)算法优化选择支持向量机(SVM)的最佳参数,并建立了基于PSO-SVM的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证,结果表明该模型具有很好的学习精度和泛化能力。另外在建模耗时上,PSO-SVM算法所用时间远少于标准SVM算法所用时间。     

船舶机械油液检测光谱分析的特征参数研究

通过对机械设备润滑油的长期光谱跟踪检测分析，建立基于光谱分析的润滑油状态监测故障诊断数学模型，并结合实验室研究和机械设备润滑油油样的实际光谱检测分析，根据不同机械设备的磨损特征元素确定机械设备基于油液检测光谱分析故障诊断的特征参数，以确定机械设备发生故障的时间，从而避免重大故障的突发，为机械设备实现视情维修提供理论和实际依据，提高机械设备的可靠性和可维修性。故障诊断实例，此特征参数具有较高的稳定性和准确性，能够有效地应用于各种机械设备的油液检测的故障诊断中。     

基于十折法的最小二乘支持向量机参数选取方法

针对最小二乘支持向量机参数选取的问题,提出一种基于十折法的参数选取方法.将数据平均分成十组,采用一组作为训练特征,其它作为测试组,规定参数的可能范围,然后选取平方差最小的作为参数的取值.经实验证明结果令人满意,提出的方法是可行的.     

润滑油光谱分析特征信息研究

光谱分析技术是基于油液检测的机械设备故障诊断和分析零件失效的主要手段和方法,而为了建立基于油液检测故障诊断专家系统所必需的知识库,要求对获得的光谱分析数据进行真实准确的信息提取,并能够提供相应的数学模型,以便于信息的识别。本文对油液检测手段中的油料光谱分析进行描述,分别建立了光谱分析的元素质量分数、相关元素质量分数比、元素质量分数梯度、相关元素质量分数梯度比4个参数。将建立的4个参数用于柴油机台架磨合试验数据的分析,表明光谱分析特征信息可以较好地反映柴油机磨合过程,实现了对柴油机台架磨合过程的状态监控。     

基于LS-SVM的柴油机润滑油中磨粒含量预测

介绍了最小二乘支持向量机(LS-SVM)回归算法的基本原理,并以490BPG型柴油机润滑油中磨损磨粒为研究对象,使用LS-SVM对磨粒的浓度数据进行了回归拟合并预测,并与基于人工神经网络的预测模型的预测结果进行了比较.结果表明,LS-SVM的预测模型的精确度较高,泛化能力强,是用于润滑油中磨粒浓度预测的一种有效的方法.     

发动机磨损状态的改进LS—SVM监控研究

介绍最小二乘支持向量机对航空发动机滑油系统铁元素浓度的变化趋势进行预测;并采用遗传算法对最小二乘支持向量机的参数进行优化。通过与时间序列分析的预测结果相比较,仿真实验结果表明：得到的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力。     

改进粒子群优化的LSSVM结构损伤评定

为改善结构动力损伤的识别效果,提出了刚度变化指标构架下改进粒子群算法优化的最小二乘支持向量机的结构损伤评估方法。首先,通过由试验技术修正的有限元模型来计算刚度变化指标(stiffness variation index,简称SVI),并进行损伤定位;然后,在SVI基础上,利用改进粒子群算法优化最小二乘支持向量机的超参数,建立结构损伤评估优化模型,计算损伤大小。将该方法用于起重机主梁的损伤评定,研究结果表明,该方法具有较高的精度和效率,能准确地判断结构的实际性态,是一种有效的评估手段。     

基于SK和LSSVM的飞机空气制冷机寿命趋势分析

针对工程上所获取的飞机空气制冷机信息本身具有的不确定性等特点,提出了谱峭度(spectral kurtosis,简称SK)和最小二乘支持向量机(least squares support vector machine,简称LSSVM)相结合的寿命趋势分析方法。首先,将寿命表征参量通过经验模态分解(empirical mode decomposition,简称EMD)分解为多个固有模态分量(intrinsic mode function,简称IMF),分别对多个IMF分量进行傅里叶变换,得到多个频谱,计算每根谱线的谱峭度;其次,通过谱峭度寻找到影响飞机空气制冷机失效的主要IMF分量,对其进行信号重构;最后,提取重构后信号的能量特征,创建最小二乘支持向量机寿命趋势模型,对飞机空气制冷机寿命趋势进行预测。通过对实际监测数据的分析和验证结果表明,该方法可以实现飞机空气制冷机寿命趋势分析效能,具有很好的工程应用价值。     

基于支持向量机的油管内外表面缺陷识别方法

由于根据漏磁信号难以准确识别出油管内、外表面缺陷,为此提出了基于支持向量机(SVM)的油管内外表面缺陷识别方法。采用时频分析技术提取了用于区分油管内外表面缺陷的漏磁信号时域和频域特征量,然后将其作为油管内外表面缺陷识别SVM模型的样本数据,采用改进的云自适应粒子群(MACPSO)优化算法对SVM识别模型的参数进行优选,结合优选的模型参数和样本数据训练构建油管内外表面缺陷识别SVM模型。实验结果表明:该智能识别方法能够有效区分油管的内外表面缺陷,识别准确率高于90%。