基于多源信号融合的球磨机负荷预测方法研究

针对单一因素的球磨机负荷预测时存在的局限性问题。分别提取磨矿过程中振动、磨音、电流的特征信息值,采用网格搜索与交叉验证相结合的支持向量机(SVM)磨机负荷预测方法判断磨机负荷的类型,并得到基本信度分配函数(mass函数)。通过改进后的D-S证据融合规则,提出了磨机负荷的多源异类信号特征层融合方法,通过实例验证与不同算法间对比分析,表明该方法应用于磨机负荷预测时,得到的融合结果置信度更高、收敛速度更快、稳定性更强。     

基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测研究

针对球磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测方法,用完整集成经验分解算法(CEEMDAN)对不同负荷的磨机振动信号进行分解,由相关系数法选取敏感模态分量重构信号,利用逆向云发生器计算重构信号的云模型特征熵作为信号的特征参数,运用正向云发生器生成云模型特征向量的云滴图,结果表明,欠负荷、正常负荷、过负荷之间的熵值差异很大,可以较好地区分和识别磨机负荷状态;将云模型特征向量作为最小二乘支持向量机(LSSVM)的输入,料球比、充填率为输出,建立磨机负荷预测模型;通过磨矿实验验证了该方法的有效性,模型能够准确预测磨机负荷状态。     

基于PSO-LSSVM球磨机负荷参数预测及监测系统开发

针对球磨机筒体振动信号中存在非线性、非平稳性及环境噪声强等问题,提出一种基于粒子群优化最小二乘支持向量机（PSO-LSSVM）球磨机负荷参数（填充率和料球比）预测方法,并开发基于LabVIEW的球磨机负荷参数监测系统。通过粒子群(PSO)优化最小二乘支持向量机（LSSVM）算法中的正则化参数y和核函数宽度,简化求解过程,提高模型训练速度。以球磨机筒体振动信号的Hilbert-边际谱样本熵为输入,以球磨机筒体内部的填充率和料球比为输出,建立基于PSO-LSSVM的磨机负荷参数预测模型。与LSSVM预测结果比较,该模型的预测精度较高,填充率平均绝对误差降低0.05、平均绝对百分误差降低8.09%;料球比平均绝对误差降低0.04、平均绝对百分误差降低2.76%。在线测试结果表明该在线监测系统准确率为64.37%,且系统运行一次的平均时间为45 s,可实现球磨机负荷参数的实时预测。     

遗传算法对RVM短期风速预测模型的多参数同步优化

该文利用混沌理论中的相空间重构方法,对基于相关向量机的风速预测模型的训练样本进行构建,然而通过混沌理论求出的相空间参数(嵌入维数E和时间延迟τ)往往不是预测模型的最优解。针对预测模型超参数优化问题,提出一种基于遗传算法的多参数优化方法,即对E、τ以及相关向量机核参数σ进行同步优化。该方法首先基于遗传算法搜索相关向量机预测模型参数(E、τ、σ)的全局最优解,进而建立预测模型;然后对待预测风速时间序列进行预测;最后以2组实际风速数据为例进行实验研究,并与对比模型方法(只优化参数σ)进行对比。结果表明:该文模型不仅具有较低的预测误差,而且可提高预测效率,缩短预测时间。     

基于WOA–BP神经网络的液滴铺展预测

目的 提高BP神经网络对电喷印过程中液滴铺展行为的预测能力。方法 提出一种鲸鱼优化算法(WOA)优化BP神经网络的液滴铺展预测模型。首先，采用相场方法建立电场作用下液滴铺展的数值模型，并通过实验验证仿真结果的准确性。然后，选取初始直径、撞击速度、接触角和电场强度作为神经网络的输入参数，将最大铺展直径作为神经网络的输出参数，利用鲸鱼优化算法优化神经网络中的初始权值和阈值，构建液滴铺展预测模型。最后，基于仿真结果对预测模型进行训练与测试，并将其与传统的BP神经网络模型进行对比分析。结果 相较于传统BP神经网络预测模型，WOA–BP神经网络预测模型的平均绝对误差、均方根误差分别降低了72.60%、77.60%，而平均绝对百分比误差则从15.029 3%减小为4.585 3%。结论 WOA–BP神经网络预测模型可以更好地预测液滴铺展，可为液滴铺展的预测提供新的方法。     

ICEEMDAN-ISSA-LSTM短期电力负荷预测

针对传统短期负荷预测方法误差大的问题,提出一种基于改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)和改进的麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的短期负荷预测方法。首先,针对负荷序列波动性大,导致直接使用负荷数据进行预测难以获取内在特征的问题,运用ICEEMDAN方法将原始负荷序列进行分解,得到时间尺度各异的IMF分量;其次,针对LSTM模型参数较难选取的问题,采用ISSA对LSTM的超参数寻优,利用Fuch混沌映射、反向学习策略和自适应t变异改进麻雀算法,减小SSA陷入局部最优的风险,提高麻雀算法的寻优能力和收敛速度;最后,依据分解得到的各组数据特征,建立ISSA-LSTM模型并进行预测,再将各组分量的预测值进行叠加,得到最终的电力负荷预测结果。仿真结果表明：与其他预测模型相比,ICEEMDAN-ISSALSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为9.39 kW,均方根误差为11.47 kW,平均绝对百分比误差为0.19%。     

基于机器学习算法的夹层玻璃冲击破坏预测模型研究

在诸如风致飞射物撞击等刚体冲击作用下,建筑夹层玻璃因自身脆性特征极易破坏。针对这个问题提出了在刚体冲击下夹层玻璃破坏状态的预测方法,综合考虑了玻璃构型、中间胶层、支撑条件及尺寸等多种设计参数。首先针对多类夹层玻璃进行往复刚体冲击试验,建立567组PVB及210组SGP的两种不同中间胶层的夹层玻璃试验数据库;随后基于鲸鱼优化下的核极限学习机(WOA-KELM)机器学习算法,建立夹层玻璃破坏状态的预测模型,并与支持向量机(Support Vector Machine, SVM)及最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)建立的相应预测模型进行对比分析。结果表明, WOA-KELM模型破坏状态预测精度达88.45%,能较好地预测夹层玻璃的破坏,满足工程应用的需求,且预测模型精度及实时性均优于其他模型。     

基于共生生物搜索算法的汽轮机最优初压研究

为了找到汽轮机在不同负荷下的最优初压,利用改进的共生生物搜索(FSOS)算法和极限学习机(ELM)建立热耗率预测模型,并与BP神经网络、共生生物搜索(SOS)算法优化ELM和FSOS算法优化支持向量机(SVM)等进行了比较。然后,在该模型的基础上用FSOS算法对主蒸汽压力和主蒸汽流量进行优化,使其在各负荷下的热耗率最低。最后,通过优化后的主蒸汽压力拟合出一条最优初压曲线,并与厂家设计的滑压运行曲线进行对比。结果表明:按照最优初压曲线运行,热耗率平均下降约58.51 kJ·(kW· h)^-1,提高了机组能量的转换效率,对汽轮机经济运行有着显著的效果。     

基于GSA-SVM的循环流化床锅炉NOx排放特性模型

为了准确地预测循环流化床锅炉NOx排放量,以某热电厂循环流化床锅炉燃烧数据为样本,提出了基于支持向量机（SVM）的循环流化床锅炉NOx排放特性GSA-SVM模型。由于SVM精度及泛化能力依赖于参数选择,故将万有引力搜索算法（GSA）运用到模型参数寻优过程中,利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与BP神经网络、粒子群(PSO)和遗传算法(GA)优化的SVM模型进行比较,仿真实验证明GSA-SVM模型具有很好的辨识能力及良好的泛化能力。     

径向基神经网络在熔融粒子飞行特性预测中的应用

在等离子熔射成形中,粒子的飞行特性是影响沉积率和涂层动态生长质量的重要因素,而熔射工艺参数又是影响粒子飞行特性的直接因素.以等离子熔射ZrO2粉末为例,采用正交实验的方法,分析了工艺参数与粒子飞行特性间的关系.利用径向基(RBF)神经网络建立了预测模型,实现对熔射过程中飞行粒子温度与速度的预测以及工艺参数的优化.通过对仿真结果与实验结果的比较,表明了该预测模型的有效性.