起重机载荷谱回归预测的LSSVM模型优化研究EI北大核心CSCD

准确获取在役起重机正常工作状态下的载荷谱是预测和评估起重机疲劳剩余寿命的必要条件,但由于起重机载荷的不确定性、多样性和随机性,以及现场实测环境的复杂性,导致起重机载荷谱数据获取仍然十分困难。为解决起重机载荷谱预测样本容量小和准确性低的问题,基于优化算法和机器学习技术,提出了一种改进的天牛须搜索算法(improved beetle antennae search,IBAS)优化最小二乘支持向量机(least square support vector machine,LSSVM)模型,建立IBAS-LSSVM载荷谱预测模型。在传统的天牛须搜索算法的基础上,通过反正切函数控制步长的更新,并设置能够跳出算法停滞的方法,避免算法陷入局部最优,提升了算法的全局寻优性能。以某型号通用桥式起重机为例,利用IBAS-LSSVM模型对起重机的小样本载荷谱进行回归预测和分析。结果表明,同其他回归预测模型相比,IBAS-LSSVM预测模型具有更高的预测精度、较快的收敛速度和更好的泛化性能,也避免了陷入局部极小值的问题,该方法对起重机载荷谱的回归预测和进一步的疲劳剩余寿命评估具有重要意义。     

超薄材料电催化CO_(2)还原合成液体燃料EI北大核心CSCD

电催化CO_(2)还原反应(CO_(2)RR)不仅可以减轻过量CO_(2)造成的负面影响,而且生成的含碳燃料有利于缓解能源短缺。但是,CO_(2)RR路径较为复杂,存在着选择性低、电流密度低和稳定性差等问题,亟需开发高效廉价的催化剂来推进其发展。超薄材料具有大的比表面积、充分暴露的活性位点、加快的动力学传质和可调的电子结构等优势,有望突破CO_(2)RR的研究瓶颈,因此备受关注。本文总结了近4年来不同超薄催化剂的合成及其在电催化CO_(2)还原产液体燃料(甲酸、甲醇、乙酸)中的应用,探讨了超薄材料相较于块体材料的优势及其对催化活性、选择性以及反应路径的影响,并针对未来的发展趋势提出一些建议,包括超薄催化剂的合成方法学、作为载体的潜力、机理分析和机器学习。     

基于改进果蝇算法与最小二乘支持向量机的轧制力预测算法研究

铝合金板材精轧过程中,轧制力是影响板材质量的重要因素。为了满足轧制现场的轧制力预报精度要求,采用改进果蝇算法(FOA)与最小二乘支持向量机(LSSVM)相结合进行轧制力预测。改进了果蝇算法的味道浓度判定函数和步长设定方法,采用了分组并行搜索的策略,进而提出一种基于改进FOA-LSSVM的轧制力智能预报方法。将该方法用于铝热连轧现场数据的仿真实验,结果表明样本预测误差在10%以内,其中84%的样本误差在5%以内,精度优于传统模型。     

基于GA-LSSVM模型的管道腐蚀速率预测研究

腐蚀速率是反映管道腐蚀动力学过程的重要特征参数,为实现对管道长期运行可靠性和剩余寿命的精准评估,对腐蚀速率的预测显得尤为重要.最小二乘支持向量机(LSSVM)是一种基于机器学习的方法,常用于分类和预测研究,惩罚参数γ与核参数σ2是LSSVM的2个重要参数,在进行计算时只能经验取值,对计算结果影响较大.通过利用遗传算法(...     

基于互信息PSO-LSSVM的SO2浓度预测

针对火电厂SO2污染物排放问题,提出了一种基于互信息的粒子群寻优(PSO)最小二乘支持向量机(LSSVM)模型预测方法,通过筛选出与SO2实测入口浓度相关性较高的辅助变量,将其作为模型的输入,实现对主导变量SO2浓度的预测.利用互信息筛选出的辅助变量相比于机理分析、皮尔逊相关性筛选出的辅助变量具有更高的相关性.利用互信...     

基于状态方程的Fx-RLS主动噪声控制方法北大核心CSCD

研究了滤波算法中次级通路测量及建模误差对系统稳定性的影响,提出一种改进的滤波递归最小二乘算法。该算法采用随机游动模型为控制器状态方程提供先验信息,用以提高系统的鲁棒性。为了分析算法性能,利用Abelian积分和Price’s定理,得到算法在高斯输入条件下的均值差分方程,并由此得到算法均值收敛条件,为算法设计提供理论指导。数值模拟发现,基于状态方程的FxRLS(S-FxRLS)算法收敛速度比传统滤波最小均方算法提高了约60%;稳定性方面,当采用正则化技术的鲁棒方法开始发散时,改进算法仍可收敛。最后实验测量证明,提出算法的单频降噪量可达30 dB。     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

反馈精英鲸鱼优化算法优化LSSVM的热耗率软测量建模

提出一种基于反馈精英鲸鱼优化算法(FEWOA)和最小二乘支持向量机(LSSVM)的综合建模方法。首先,针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了反馈精英WOA算法,通过精英策略对当前最优解进行变异操作以避免算法陷入局部最优解;同时,在鲸鱼位置更新后期增加反馈阶段,提高算法的全局搜索能力。数值仿真实验验证了FEWOA算法的优越性。在此基础上,提出了基于FEWOA优化LSSVM的热耗率软测量模型。最后采用某汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,将FEWOA-LSSVM模型预测结果与其它模型预测结果相比较,结果表明,FEWOA-LSSVM预测模型更能准确地预测汽轮机的热耗率。     

IGSA-LSSVM软测量模型预测燃煤锅炉NOx排放量

提出一种基于改进引力优化算法(IGSA)优化最小二乘支持向量机(LSSVM)的软测量模型(IGSA-LSSVM)以精确测量煤粉锅炉NO_x排放量。首先,针对引力搜索算法易陷入局部最小、全局优化能力差的问题,提出了一种改进的引力搜索算法,利用网格算法初始化种群,基于适应度值自适应递减惯性权重更新质点位置以提高全局优化性能;然后,采用IGSA优化选择LSSVM的超参数以改善模型的预测精度和泛化能力;最后,以330 MW燃煤锅炉为研究对象,建立IGSA-LSSVM的NO_x软测量模型,仿真结果表明该软测量模型具有更高的预测精度和泛化能力,能有效测量NO_x排放量。     

一种基于图像特征提取的浮选回收率预测算法

针对矿物浮选过程中的一类回收率预测问题,提出了一种基于泡沫图像特征提取的预测算法.该算法采用最小二乘支持向量机(LSSVM)建立预测模型,通过施密特正交化对核矩阵进行简约,利用核偏最小二乘方法(KPLS)进行LSSVM参数辨识,以此构造具有稀疏性的LSSVM,有效地减小了算法的计算复杂度.为检验模型泛化及预测能力,为多个泡沫特征信息引入预测模型,采用泡沫图像特征提取方法提取泡沫颜色、速度、尺寸、承载量及破碎率特征.实验结果表明,该预测算法对浮选回收率具有良好预测效果.     

基于功能驱动的产品价格预测

以最小二乘支持向量机为工具,构建了基于功能驱动的产品价格预测模型.并以诺基亚手机产品价格预测为例,说明了样本功能数据标准化的原则及模型的计算过程.经随机选用2005年度诺基亚两款手机价格预测检验,模型预测误差分别为-11.89%、10.27%.     

基于PSO优化LS-SVM算法的水电站厂房结构振动响应预测

振动问题是攸关水电站运行安全的重要课题。水电站厂房结构振动主要由水力、机械和电气三大类振源引起,厂房结构与机组之间存在非线性的耦联振动关系。本文依据二滩水电站地下厂房和机组的原型观测数据,首先对机组和厂房结构振动的相关性进行了分析,据此建立了基于粒子群优化最小二乘支持向量机算法的厂房振动响应预测模型,预测结果与实测资料吻合。在此基础上,本文将运行水头作为输入因子引入到智能预测模型中,扩大了该智能预测模型的适用范围,取得了很好的效果。     

基于PSO-SVM算法的输电线路覆冰舞动预测模型EI北大核心CSCD

输电线路舞动往往会导致金具磨损、闪络、断线等电力事故,对电力系统的安全具有很大的负面影响。利用ANSYS软件模拟不同档距、风速等状态下覆冰四分裂导线在平均风与脉动风作用下的动态响应,进而根据模拟获得的数据集和PSO-SVM(particle swarm optimization-support vector machines)算法构建了四分裂导线覆冰舞动预警模型,将档距、风速、初始风攻角作为模型的输入,覆冰导线是否舞动作为输出。同时,为验证该预测模型的实用性及有效性,将PSO-SVM模型与其他智能算法如BP(back propagation)、支持向量机(support vector machine, SVM)、遗传算法优化支持向量机(genetic algorithm-optimization support vector, GA-SVM)模型的预测结果进行比较,结果表明PSO-SVM模型的预测结果精度更高,对输电线路覆冰舞动预警具有一定的参考意义。     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.     

基于CEEMD和GWO-SVR的铣削振动信号前瞻预测EI北大核心CSCD

汽车覆盖件模具多采用镶块式模件拼接后整体加工,拼接区加工时易引发载荷突变产生冲击振动,影响拼接区的整体加工质量,为了提高拼接区的加工精度,对铣削过程的时域振动信号进行前瞻预测。首先基于互补式集合经验模态分解方法将铣削振动信号进行6层模态分解,得到各层本征模态函数及趋势序列;然后分别构建不同工况下的支持向量回归预测模型,采用灰狼优化算法对支持向量回归中的参数进行寻优分析;最后对时域振动信号进行重构和前瞻预测。试验结果表明,在淬硬钢拼接区铣削过程中,结合CEEMD和GWO-SVR的铣削振动信号前瞻预测方法相较于其它传统方法具有更良好的预测效果,在预测时间为0.12 s时总体预测准确率达94%以上。     

基于最小二乘支持向量机的反向建模的铝合金变形抗力模型

根据某1+4铝热连轧厂现场采集的大量轧制数据对几种铝合金变形抗力利用最小二乘支持向量机进行了反向建模回归分析,用细菌觅食优化算法对支持向量机的参数进行了优化。将回归后的变形抗力模型用于二级设定计算中的轧制力预报,结果表明回归后的模型适用于轧制现场,精度优于传统模型。     

基于PSO-LSSVM的热电偶非线性校正方法研究

为改善热电偶温度传感器的非线性特性,构建基于粒子群优化算法(particle swarm optimization,PSO)和最小二乘支持向量机(least squares support vector machine,LSSVM)的热电偶非线性校正模型.针对LSSVM算法参数难确定的问题,选用PSO算法搜索LSSVM...     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

基于DMS和LS-SVM的复合材料结构健康预测方法

复合材料结构损伤机理复杂,其损伤破坏一般呈现缓慢扩展趋势。为了有效地对复合材料结构健康状态进行预测,将距离形态相似度(DMS)和最小二乘支持向量机(LS-SVM)模型引入复合材料结构健康状态预测中,提出了基于DMS和LS-SVM的复合材料结构健康状态预测方法。首先,以复合材料层合板(T300/QY8911)为具体研究对象,对其进行损伤试验,采集其振动加速度作为表征其健康状态的原始信息,并进行小波包分解,利用分解得到的各个频带信号的样本熵作为特征向量;然后,采用距离形态相似度(DMS)方法确定结构健康指数;最后,将结构健康指数作为建模数据用以构建LS-SVM预测模型,预测复合材料结构健康指数。结果表明,该方法可以有效实现复合材料结构裂纹损伤的预测,具有很好的应用前景。