基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法.首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习...     

基于电容层析成像系统测量信号稀疏性的两相流流型辨识

提出了基于电容层析成像(ECT)测量电容信号稀疏性的两相流流型辨识算法,该算法首先使用所有流型对应的归一化测量电容值信号构建一个过完备字典,并将待辨识样本通过该过完备字典进行稀疏表示,使其具有稀疏性并满足稀疏重构的基本要求,然后以压缩感知的正交匹配追踪(OMP)算法求取各标准样本对应于完备样本集的稀疏解,最后根据待辨识样本与标准样本稀疏解之间的线性相关程度进行流型辨识。使用该方法对5种典型的两相流流型识别进行了仿真及实验研究,结果表明:该方法的流型正确识别率均高于98%。     

两相流流型辨识方法研究

本文提出了一种基于模糊聚类分析和神经网络辨识两相流流型的新方法。该方法首先通过对极板电容测量数据进行聚类分析,然后根据聚类结果和电容值的隶属度,利用神经网络进行流型辨识。仿真结果表明：此方法在两相流流型辨识中具有较高的判别精度和较快的软件运动速度,为两相流流型在线辨识提供了一种有效的手段。     

基于改进OS-ELM的冷连轧在线轧制力预报

冷轧轧制力预报结果直接影响板(带)材轧制精度和产品质量。冷轧工艺复杂,参数耦合性强,模型不易建立且与实际偏差较大,针对这些问题,提出一种改进在线序列极限学习机。在初始训练阶段使用量子粒子群算法优化权值和阈值;在线训练阶段根据当前训练数据中隐含层对网络输出的贡献度调节网络的拓扑结构,实现了结构和参数的自组织,并结合极限学习机变形抗力子模型在线预报轧制力。实验结果表明,该自组织在线序列极限学习机在训练速度和精度方面较之人工蜂群优化的反向传播神经网络和基于增强型增量极限学习机有较大的提高。     

基于IPSO-SVR的水泥窑尾分解率软测量研究

为实现水泥窑尾分解率的实时在线检测,利用软测量技术在解决工业在线测量问题中的优势,提出一种改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),即通过粒子群算法对支持向量机模型核心参数进行优化选择,并在粒子群算法中引入自适应惯性权重的思想,克服粒子群算法容易出现早熟收敛、陷入局部极值的缺点,最终建立起基于IPSO-SVR的窑尾分解率软测量模型。将其与基于交叉验证法(CV)和未改进粒子群算法优化SVR参数的软测量模型进行仿真对比实验,实验表明:该IPSO-SVR模型具有更佳的预测能力,窑尾分解率预测相关系数达0.857 5,预测最大相对误差不超过1.14%,平均相对误差为0.75%,可进一步运用到诸如水泥生产等大型工业的产品分解率预测中。     

多类型特征量的油水两相流流型识别算法

本文以收敛型微通道中油水两相流的流型识别为对象,将高速摄像法与神经网络算法相结合,提出了高效的、可视化的、智能化的两相流流型识别方法。该方法采用了包含图像纹理参数和流型无量纲参数的多类型特征量,更精准区分6种流型的不同特点,流型识别的收敛速度和准确率更高。BP神经网络的识别率为92. 5%,Elman神经网络的识别率为93. 7%,Elman神经网络在收敛速度与准确率方面优于BP神经网络。     

基于混合粒子群优化算法辨识Hammerstein模型

非线性系统辨识是现代辨识领域中的一个主要问题。在非线性系统辨识中,系统常被表示为一系列块连接。针对非线性系统中的Hammerstein模型,本文提出了利用混合粒子群优化算法对非线性系统模型进行辨识。该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题,然后采用粒子群优化算法(PSO)获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法。最后,给出仿真实验,其结果验证了本文给出的辨识方法是有效的。     

基于BSA-RELM的纯电动汽车锂离子电池SOC估计

提出一种基于鸟群算法优化鲁棒极限学习机的锂离子电池荷电状态估计算法。鲁棒极限学习机克服了极限学习机不能处理异常值的缺点,提高了网络的预测准确率。利用鸟群算法优化鲁棒极限学习机的隐层节点数和调节因子等参数,解决隐层节点数和调节因子等参数难以确定的问题,可进一步提高网络的收敛速度,且利于寻找全局最优值。利用ADVISOR软件采集影响电池荷电状态的主要参数:电流、电压、温度和内阻等进行建模和测试。仿真结果表明,采用鸟群算法优化鲁棒极限学习机比BPNN、RBFNN和FNN的估计误差更小,具有更高的预测精度。     

自适应人工蜂群优化极限学习机在拉曼光谱血液定量分析中的应用

提出了一种基于自适应差分进化人工蜂群优化极限学习机预测血液各组分浓度的方法。首先应用人工蜂群算法对输入权值和隐含层阈值迭代寻优;其次结合差分进化进一步提高模型精度且避免后期易陷入局部最优等问题;由于差分进化算法交叉率和变异率存在凭经验给定的不确定性,最后引入了自适应调整的思想提出自适应差分进化人工蜂群算法优化极限学习机算法的模型,将其应用于血液成分定量分析中。实验表明,自适应差分进化人工蜂群算法优化的极限学习机模型具有较高的预测精度,模型具有较强的稳健性。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于混合鸡群算法和核极端学习机的锅炉NOx排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。     

基于鲁棒正则化极限学习机的电容层析成像图像重建

电容层析成像图像重建是一个非线性及病态性逆问题。基于此,提出了基于迭代重加权最小二乘法的鲁棒正则化极限学习机(RELM-IRLS)算法的电容层析成像图像重建方法,以油/气两相流为研究对象,通过有限元仿真构建随机分布流型,对RELM-IRLS算法完成训练,并与Landweber迭代算法及极限学习机算法进行对比,RELM-IRLS算法的测试集平均误差相比极限学习机算法减小4.6%。仿真及静态实验结果均表明, RELM-IRLS算法所得重建图像质量得到明显提升,且算法具有良好的泛化性能。     

基于改进最优觅食算法的锅炉NOx排放预测研究

提出了一种改进的最优觅食算法(POFA),在最优觅食算法中引入自适应惯性权值与全局最优解来改进算法的更新公式,同时加入相空间搜索的机制。利用改进的最优觅食算法优化极端学习机(ELM)构建一个改进的极端学习机模型(POFA-ELM),并用该模型对锅炉NO_x的排放特性进行建模。将该模型与ELM、差分进化算法、粒子群算法、人工蜂群算法以及基本的最优觅食算法优化的ELM模型进行比较。结果表明:该模型的预测精度更好,泛化能力更强,可以更加准确地预测NOx的排放质量浓度。     

Modeling and identification of the multi-axis drive system using support vector machine and granular computing

Advanced manufacturing technology requires high-precision capability in multi-axis computer numerical control (CNC) machine tools. At present, the modeling and identification for the drive system of CNC machine tools has some defects. In order to solve the problem, some interdisciplinary theories and methods, such as support vector machines, granular computing, artificial immune algorithms, and particle swarm optimization algorithms, have been used to model and identify multi-axis drive systems for CNC machine tools. An identification method using a support vector machine, based on granular computing, is presented to identify a multi-axis servo drive system model for improving the precision of model identification, and an immune particle swarm optimization algorithm, based on crossover and mutation functions, is proposed to optimize the structure parameters of the support vector machine based on granular computing. The proposed identification method was evaluated by experiments using the multi-axis servo drive system. The experimental results showed that the proposed approach is capable of improving modeling and identification precision.     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。     

纸纱复合制袋印刷一体机张力控制器设计

目的研究纸纱复合制袋印刷一体机纸张张力控制器。方法针对纸纱复合制袋印刷一体机的张力控制问题,结合模糊自适应PID与粒子群算法,设计基于余弦自适应调整惯性权重的粒子群优化算法的模糊自适应PID张力控制器。利用余弦自适应调整惯性权重的粒子群优化算法,搜索出一组最优的PID参数,来提高张力的控制精度。结果仿真结果表明,该张力控制方法的响应时间为0.25 s,最大超调量为2%,小于其他方法的响应时间和最大超调量。结论设计的控制器与传统的PID控制和模糊自适应PID控制相比,具有响应速度快、控制输出稳定、调节时间短等优点。