三维力传感器静态解耦方法的研究

维间耦合是影响三维力传感器测量精度的重要因素。 针对存在耦合的现象,介绍了三维力传感器维间耦合的基本原 理,分析了基于克拉默法,求解矩阵广义逆解耦算法,并对传统基于耦合误差建模的静态解耦算法进行改进,对耦合方向的数据 采用牛顿三次插值法进行处理。 以自主研制的三维力传感器进行标定实验,采用 3 种解耦方法进行计算。 实验结果表明改进 后的基于耦合误差建模解耦算法与传统解耦方法和改进前的方法相比,具有更高的解耦精度。     

基于改进麻雀算法优化深度极限学习机的缺失数据预测

数据缺失降低了数据的可利用性,因此如何预测缺失数据变得尤为重要。针对缺失数据问题,提出一种改进麻雀搜索算法优化深度极限学习机的预测算法。首先,将 Singer混沌映射、柯西-高斯变异策略和余弦权重因子与麻雀搜索算法结合;其次利用改进后的麻雀搜索算法优化深度极限学习机中的各极限学习机中自动编码器的输入权重与偏置,进行缺失数据预测。实验表明,在小数据量,低缺失率下时,改进麻雀搜索算法优化深度极限学习机相较于麻雀搜索算法优化深度极限学习机、粒子群优化深度极限学习机、深度极限学习机,其稳定性强,预测精度最高;在均方根误差、平均绝对误差等评价指标上改进麻雀搜索算法优化深度极限学习机优于对比算法。     

基于核极限学习机误差预测修正的变压器顶层油温预测

为准确估算变压器热点温度,给变压器负载能力估计、热故障预防、绝缘寿命预测提供辅助依据,建立了基于核极限学习机误差预测修正的变压器顶层油温预测模型。该模型采用核极限学习机对典型的Susa热路模型顶层油温的预测误差进行建模预测,并以核极限学习机的预测值修正热路模型顶层油温预测结果。为提高核极限学习机的预测精度,采用引力搜索算法对核极限学习机的惩罚系数和核参数进行优化。算例结果表明,所提模型的预测结果与实测值基本一致,预测精度高于未经误差修正的半物理模型——Susa热路模型和典型的非线性拟合回归模型——引力搜索优化的核极限学习机模型,并且采用的引力搜索优化的核极限学习机算法在训练时间上显著优于引力搜索优化的支持向量机和Elman神经网络算法,且预测精度略优于后2种算法。     

粒子群优化极限学习机的短路电流预测技术

针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型。建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的电流预测模型。实验结果表明,以灰色绝对关联度作为适应度函数的粒子群优化极限学习机算法,对短路电流峰值预测精度较高、速度较快,当故障点位置未知时,采用粒子群优化极限学习机算法依然可以准确预测短路电流峰值,提升了算法应用的实际意义,为超、特高压线路快速限制、消除短路故障奠定理论基础。     

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。     

基于激光测风雷达及SSA-ELM的风电场短期风速预测

基于激光测风雷达数据,针对风速的非线性特性,提出麻雀搜索算法（sparrow search algorithm, SSA）优化极限学习机（extreme learning machine,ELM）进行风速预测。搭建预测模型,根据预测风速对风电机组进行预变桨,分析风电机组叶根矩载荷。采用新疆某风电场激光测风雷达数据仿真并与其他预测模型分析对比。结果表明,麻雀算法优化的极限学习机可精确预测风速,且显著提升极限学习机预测速度及不同风速条件下的动态性能;预变桨后,风电机组叶根矩载荷大幅减小,提升了桨叶使用寿命及运行安全性。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

基于改进麻雀算法优化LSSVM的再循环箱浆液密度预测模型

湿式脱硫制浆系统中再循环箱浆液密度测量的准确性和实时性对脱硫过程的经济稳定运行有重要意义,提出了一种基于改进麻雀搜索算法优化(ISSA)最小二乘支持向量机(LSSVM)的再循环箱浆液密度预测模型。通过机理分析选出与浆液密度相关性较高的辅助变量并进行预处理,并利用PCA算法进行降维处理。在标准麻雀算法（SSA）中引入混沌映射以及自适应权重,提高种群分布均匀性并改善了算法搜索能力,用于优化LSSVM的关键参数,实现对浆液密度的精准预测。通过实际数据的仿真实验,结果表明： ISSA-LSSVM测量模型的平均绝对百分比误差(MAPE)、均方根误差(RMSE)及平均绝对误差(MAE)相比SSA-LSSVM分别降低了44.5%、43.8%、43.9%,预测精度明显优于改进前预测模型,具有一定的工程应用价值。     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。     

基于混沌映射与飞行策略的短文本分类算法

针对极限学习机对文本分类所存在分类精度低的问题,使用结合变压器的双向编码器(BERT)和改进极限学习机(ELM)的短文本分类算法,提出引入Lévy飞行策略的混沌优化麻雀搜索算法(Lévy-CSSA)对ELM的权重与偏置进行寻优.该算法采用混沌映射使初始个体尽可能分布均匀,以增加初始种群的多样性,利用Lévy飞行搜索策略...     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于 CEEMDAN 与改进核极限学习机的S700K 转辙机健康状态诊断

针对S700K转辙机健康状态分类过于粗放、诊断速度慢、效率低的问题,提出一种基于CEEMDAN与改进核极限学习机(kernel based extreme learning machine, KELM)的诊断方法。首先,对S700K转辙机功率数据进行自适应噪声完备集合经验模态分解,得到6个本征模态函数(intrinsic mode function, IMF);然后,计算本征模态函数的模糊熵值(fuzzy entropy, fuzzyEn, FE)作为表征转辙机健康状态的特征参数;最后,利用麻雀算法(sparrow search algorithm, SSA)改进的核极限学习机对9种健康状态进行健康诊断,并与SVR和ELM模型进行对比。仿真结果表明,改进核极限学机模型准确率、精确率、召回率等指标分别达到97.8%、98.0%、97.8%,相较于SVR和ELM模型,SSA-KELM模型在保证运行速度的基础上,将诊断准确率至少提高2.2%。     

广义形态差值滤波与AN降维在故障诊断中的应用

由于轴承与设备其他内部构件之间存在强关联耦合关系,导致其振动信号与设备状态存在非线性关系;且信号单一特征难以全面描述设备状态,而多特征虽然包含较多状态信息,但高维特征所产生的信号冗余问题,易导致模型分类精度的下降.因此,提出一种基于广义形态差值滤波(GDIF)与自编码网络(AN)的滚动轴承故障诊断方法.该方法利用广义形态差值滤波对振动信号进行降噪处理,并通过极大似然估计(MLE)与AN从信号的高维特征中获取低维本质流形,缓解高维特征存在的维数灾难问题;最后,建立极限学习机(ELM)故障诊断模型,对轴承故障类型进行识别。轴承试验结果表明,该方法能够有效对信号进行降噪;通过AN对特征进行维数约简,能够使ELM模型分类精度达到98.04%。     

基于混合ISSA-LSTM的锂离子电池剩余使用寿命预测

准确预测锂离子电池剩余使用寿命(remaining useful life, RUL)对降低电池使用风险和维护设备稳定性方面具有重要意义。为了提高锂离子电池RUL预测的稳定性和结果的准确性，提出一种基于混合改进麻雀搜索算法(improved sparrow search algorithm, ISSA)与长短期记忆(long short-term memory, LSTM)神经网络的锂电池RUL预测模型。首先，用均值化方法对原始数据中的异常值进行处理。然后，结合Tent混沌映射、自适应权重以及反向学习策略和柯西变异扰动策略优化麻雀搜索算法，再利用改进麻雀搜索算法对LSTM模型的参数进行优化。最后，采用改进的混合ISSA-LSTM模型并完成RUL预测。采用NASA公开数据集对本模型进行验证。结果表明，该模型的平均绝对误差、均方根误差和平均相对百分比误差控制在0.016 47、0.022 84和1.2048%以内，能够有效地提高锂离子电池RUL的预测精度。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

基于改进麻雀算法的机场跑道胶痕检测方法

针对光照条件差导致的胶痕检测效率低、精度差等问题，提出了一种基于改进麻雀搜索算法的机场跑道胶痕多阈值分割方法。首先利用透镜成像反向学习提高初始化种群的多样性，然后引入优化性能级别和自适应因子，提高发现者个体质量和搜索能力，其次引入萤火虫算法，协助传统麻雀搜索算法跳出局部最优，最后采用改进麻雀算法优化Tsallis相对熵度量函数实现胶痕自动、精准分割。实验结果表明，该方法的胶痕检测精度远高于传统算法，其FSIM值均大于0.8，SSIM值接近于1，并且在光照条件差和道面、标志线与胶痕混叠的情况下表现出了良好的分割效果。     

基于正交对立学习的改进麻雀搜索算法

针对麻雀搜索算法种群多样性少,局部搜索能力弱的问题,本文提出了基于正交对立学习的改进型麻雀搜索算法(OOLSSA)。首先,在算法中引入正态变异算子,丰富算法种群多样性;其次,利用对立学习策略,增强算法跳出局部最优的能力;然后,在加入者更新之后引入正交对立学习机制,加快算法的收敛速度;最后,基于15个基准测试函数与6个传统优化算法和2个改进型算法进行仿真实验、非参数Friedman检验以及算法平衡能力进行分析,评估OOLSSA算法寻优性能。仿真结果证明,OOLSSA与其余8种算法相比,算法的探索开发能力以及收敛速度都表现良好。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。