关键词： 极限学习机   寿命预测   Cholesky分解   施密特正交化   小波极限学习机   减法-最大熵模糊聚类  

摘要： 目前,航空发动机寿命预测作为故障预测和健康管理技术的重要组成部分,受到业界人士的广泛关注。随着人工智能技术的发展,将机器学习算法应用于发动机的剩余寿命预测中成为一种流行趋势。本文以采集到的数据为基础,根据系统目前以及历史的运行数据建立数学模型,使用回归分析方法对未来运行进行预测,从而完成对其剩余使用寿命的预测。本文主要基于极限学习机算法进行优化,使用改进后的算法建立数学模型应用于剩余使用寿命预测中,完成预期的预测结果。本文的主要研究内容如下:首先,在引入核函数的基础上采用建构性算法思想提出增加极限学习机结构紧密性的算法方案,结合Cholesky因式分解对逆矩阵的增量更新计算,研究了CCP-KELM算法,通过预测实验证明了其在降低计算成本上的优势;在此基础上结合概率加速方案研究PCCP-KELM算法,它压缩了候选数据集大小,改善有效向量搜索方案,实验结果表明他进一步降低了算法的计算负担。其次,在增量型极限学习机的基础上,结合施密特正交处理优化对隐含层输出矩阵广义摩尔逆的计算,研究基于QR分解的QRI-ELM算法,在此基础上结合概率加速方案,研究了GSI-ELM算法,在进一步提升算法性能的同时,减少了隐含层节点个数,降低了训练时间。为了解决GSI-ELM中可能存在的“嵌套效应”,制定适当的评估标准和消除机制建立IGSI-ELM算法,实验结果证明了它可进一步减少测试时间,在一定程度上解决了“嵌套效应”。此外,由于Cholesky和施密特正交化预测模型都属于直接RUL预测模型,因此进一步尝试使用更为先进的、基于多变量退化的预测模型进行预测,通过数据的进一步预处理,使用小波极限学习机算法建立预测模型,采用减法-最大熵模糊聚类算法(S-EMFC)建立分类模型,动态设置损伤极限用于预测跟踪发动机性能退化的演变,预测结果证明了它在保留传统预测方法的优势的同时,可以有效的克服传统数据驱动方法的缺点。

关键词： 坝基注浆量   预测代理模型   改进混合核极限学习机  

摘要： 水利水电工程坝基灌浆技术是有效处理不良地质体的重要手段，注浆量是反映灌浆施工质量的重要指标之一。传统基于模型试验、工程经验开展的注浆量预测存在主观性较强的不足;基于机器学习的方法大多没有考虑裂隙参数，少数仅考虑了隙宽参数的影响，未能全面地考虑裂隙倾向、倾角等参数的影响。随机裂隙建模方法能够有效拟合坝基裂隙分布情况，同时灌浆数值模拟具有能够综合考虑地质、设计、施工等因素影响进行注浆量分析的优势。然而，由于受到地质勘探的局限，裂隙数据常面临小样本的问题;此外，数值模拟方法存在计算效率低的问题。因此，如何在小样本裂隙数据条件下保证随机裂隙拟合的精度，并在保证模拟精度的前提下提高注浆量预测的效率是坝基灌浆注浆量分析中亟待解决的问题。　　针对上述问题，本文结合三维随机裂隙网络建模方法、三维离散元数值模拟方法，提出基于改进混合核极限学习机(ICSO-MKELM)的注浆量预测代理模型，研究成果如下：　　首先，针对现有的随机裂隙建模研究存在小样本数据导致拟合精度难以保证的不足，提出基于改进bootstrap方法的三维随机裂隙网络模型建模方法;并基于建立的随机裂隙网络，结合三维离散元方法开展裂隙灌浆数值模拟研究。其次，针对传统混合核极限学习机在建立注浆量预测代理模型过程中存在参数选择效率不高且难以有效选择全局最优参数的不足，采用改进的鸡群算法优化混合核极限学习机参数选择，提高代理模型的预测效率与精度。其中，通过引入非动态惯性权重策略、可变学习因子与跟随系数及公鸡与母鸡进化机制，以强化鸡群寻优能力，提高传统鸡群算法的收敛效率。最后，以某工程坝基帷幕灌浆施工段为例，开展基于改进混合核极限学习机注浆量预测代理模型应用，并通过与基于RBF-KELM单核极限学习机模型、Poly-KELM单核极限学习机模型、BP神经网络模型的注浆量预测结果对比，证明了本文所提方法的优越性。

关键词： 电量预测   极限学习机   广义最大相关熵准则  

摘要： 电量预测这项技术无论是在国家电网公司的投标评估系统还是在当今的开放电力市场中,都都至关重要。然而在当前售电公司所面临的电量预测问题中,历史电量数据以及电量预测的误差分布通常是非线性,非高斯分布的,且由于用户规模小,一些随机事件及数据收集误差会异致离群值的出现,对预测结果造成较大的影响,这就使得传统的预测方法不再适用。作为非线性预测模型的极限学习机《Extreme Learning Machine,ELM)已被验证在回归预测领域具有良好的性能,然而,传统ELM以均方误差《Mean Squared Error,MSE》准则为代价函数,其对离群值较敏感,输出结果受离群值的影响较大,使其无法在电量预测问题中正确表示非高斯情况下的误差统计信息。为了解决这一问题,本文通过引入广义最大相关熵准则(Generalized Maximum Correntropy Criterion,GMCC),构建了一种新的鲁棒预测模型.GMCC作为信息理论学习方法论中一种新的代价函数可用于解决非高斯信号处理问题。因此,本文以GMCC作为新的代价函数替代原始ELM的MSE代价函数,构建了GMCCELM电量预测模型。此外,为了解决GMCCELM网络结构左侧权值随机给定导致其输出结果不稳定的问题,引入核极限学习机(Kernel Extreme Learning Machine,KELM)。研究了KELMGMCC电量预测模型。此外,通过数据统计分析方法研究本文案例中用户用电量的影响因素,发现历史气温和历史电量是影响未来电量变化的主要因素,因此将这两个因素作为预测模型的输入。最后,使用广州省某商业用户的历史电量及其所对应的气温数据验证本文所建立预测模型的实用性,并与其他算法进行对比。预测结果表明,与传统的ELM和其他算法相比,本文所建立的鲁棒预测模型可以有效提高电量预测的精度。

关键词： 极限学习机   等效电容   启发式卡尔曼滤波   健康状态   剩余使用寿命  

摘要： 超级电容器的老化会对电力系统产生消极影响,对超级电容器老化寿命进行实时估计,在超级电容器进入寿命终止状态之前完成更新,是保证储能系统和电力系统可靠性的关键步骤。本文通过构建一种新型极限学习机模型估计超级电容器的老化状态,实现基于数据驱动模型的超级电容器老化寿命预测。超级电容器老化模型具有多变量、非线性、高复杂度等特征,为了降低预测的复杂度,本文引入等效电容和等效串联电阻两个参数,等效电容代表超级电容器内部储能健康因子的集合;等效串联电阻代表超级电容器内部储能老化因子的集合。通过参数引入,超级电容器的老化特征被表示为等效电容的下降和等效串联电阻的上升,实现了老化模型的简化,为后面的老化寿命预测打下基础。针对超级电容器老化寿命预测,本文采用数据驱动模型预测方案,构建极限学习机用于预测超级电容器老化寿命。基于迭代误差小、参数设定少和最优解预测精度高等优势,启发式卡尔曼滤波算法可以解决极限学习机在随机生成输入权重和偏置量时出现的方阵奇异,继而提高极限学习机的预测精度。因此,本文构建启发式卡尔曼滤波优化的极限学习机用于预测超级电容器老化寿命。为了进一步验证启发式卡尔曼滤波优化极限学习机的预测精度,建立传统极限学习机和粒子群优化极限学习机,通过3种模型预测相同型号超级电容器的等效电容,得到预测结果并进行对比。对比结果表明,启发式卡尔曼滤波优化极限学习机具有更高的预测精度。因此,本文决定利用启发式卡尔曼滤波优化的极限学习机预测处于不同工况下的超级电容器健康状态和剩余使用寿命,预测结果表明,温度越高,外部电压越高,充放电电流越大,超级电容器健康状态衰退越快,剩余使用寿命越短。

关键词： 糖尿病   血糖预测   低血糖预警   平均化模型   个性化模型   灰狼优化算法   极限学习机  

摘要： 糖尿病是一种代谢性疾病,患者长期高、低血糖会引发一系列的并发症,反复低血糖更是血糖达标的主要阻碍,如何对糖尿病进行有效控制与治疗已成为重要的研究内容。现存的医疗方法中,利用人工胰脏对患者注射胰岛素是最能有效降低血糖的方式,能够实现精准血糖预测与低血糖预警,不仅能为人工胰脏的工作系统提供关键数据,还可以进行高低血糖预警,以便患者或医生提前控制血糖不稳定的事件。本文同步进行血糖预测和低血糖预警的研究,对患者实现快速预测低血糖趋势和准确预测血糖数值。其中血糖预测研究中,根据患者血糖数据量建立两种回归模型:一是适合任意血糖数据集的平均化回归模型,二是适合较多血糖数据集的个性化回归模型。回归模型中利用弹性网络、灰狼优化核极限学习机等模型,模型评估指标选用均方根误差和平均绝对误差。设定不同的预测时长进行实验对比,个性化模型学习的曲线更贴合患者真实血糖曲线,能体现患者自身血糖特点,预测严谨有效,所以血糖预测中的个性化模型优于平均化模型。在本文研究工作中,根据低血糖预警的阈值建立起两种分类模型:一是利用血糖临界值作为阈值的平均化分类模型,二是利用患者数据特点决定聚类中心的个性化分类模型。分类模型中利用贝叶斯分类、极限学习机等算法,预测时长为20分钟和30分钟。对实验结果的分析表明,低血糖预警的个性化模型与平均化模型各有优缺点,两者互为补充。

关键词： 短期负荷预测   核极限学习机   皮尔逊相关系   加权正则极限学习机  

摘要： 国民经济发展的同时也带动了用电量的持续增加。电力工业的可靠运行是社会稳固发展的基础。电力系统负荷预测部分是电力系统规划的重要环节,是电力稳定运行的重要基础。准确的负荷预测能够节约能源,提升电力系统的经济效益和竞争力。短期负荷预测即预测日内至未来一周的负荷,影响因素有负荷数据、天气和节假日等,且由于电力负荷具有随机性、非平稳性、非线性等特点,因此,提高短期负荷预测的预测精度变得困难。因此,选择合适的预测方法并建立有效的模型对提高短期负荷预测精度具有重大意义。目前人工智能算法得到广泛应用,本文将极限学习机引入电力负荷预测中,极限学习机具有训练速度快,泛化性能强的优点。由于模型自变量选择的过多或过少会产生不稳定或过拟合的效果,在电力负荷预测模型的建立过程中同样如此,历史负荷序列的选取尤为重要,因此,利用皮尔逊相关系数的方法来选取历史负荷序列作为部分自变量,建立基于皮尔逊相关系数和核极限学习机的短期电力负荷预测模型;基于第三章提出的皮尔逊相关分析选择历史负荷作为其中部分自变量的前提下,由于极限学习机回归过程中存在过拟合,以及样本离群点对预测产生不利影响的特点,提出基于遗传算法优化加权正则极限学习机的短期电力负荷预测模型。本文首先阐述了电力负荷基本特性,并讨论了气温、相对湿度和日降雨量对电力负荷的影响,随后介绍了电力短期负荷预测的流程。其次,详细介绍了基于皮尔逊相关系数和核极限学习机的预测模型。针对输入变量的维数过多或过少都会引起预测网络模型的不稳定或过拟合的问题,选择Pearson相关分析的方法,筛选出与待预测负荷变量关联度强的历史负荷序列,然后再输入遗传算法改进的核极限学习机网络模型中。利用某地区实际收集的历史负荷进行模型检验,验证该了方法的有效性。然后,详细介绍了基于遗传算法优化加权正则极限学习机的短期电力负荷预测。基于皮尔逊相关分析选择出相关性强的历史负荷序列的基础上,针对极限学习机训练过程中,离群点对模型的不利影响和易出现过拟合的问题,引入加权因子W和正则系数C,建立了加权正则极限学习机(WRELM),并且利用遗传算法(GA)对输入层权值和隐含层阈值这两个参数进行优化。将实际负荷数据输入到训练模型,成功的验证了该方法的有效性。最后,对论文进行总结与展望。

关键词： 光伏发电功率预测   人工神经网络   极限学习机   长短时记忆网络  

摘要： 太阳能光伏发电技术因其零污染、安全可靠和无噪声等优势已成为可再生能源技术领域的重点研究对象。采用人工神经网络来预测光伏发电系统输出功率的方法已被广泛应用。然而,由于存在参数设置繁琐、预测性能不稳定等缺陷,基于传统神经网络算法的光伏发电功率预测模型无法适用于不同的预测场合。为此,基于极限学习机、长短时记忆神经网络和辅助优化算法,本文设计了两种光伏发电功率预测模型,具体内容如下:为保证预测模型的稳定性和准确性,提出了一种基于极限学习机的日前光伏发电功率预测方案。在该预测方案中,为了提高训练样本的质量并减少训练模型所消耗的时间,设计了一种相似日分析方法。此外,利用遗传算法优化极限学习机的初始权值和阈值来提高该预测方案的性能。通过使用澳大利亚爱丽丝泉真实数据集对该方案在四个季节下预测结果的准确性进行了分析,结果表明真实值与对应的预测值之间具有良好的一致性。通过与其他预测方案的对比分析,进一步验证了该预测方案的精确性和稳定性。考虑到噪声数据对预测结果的影响,结合经验模式分解、正弦余弦算法和长短时记忆网络设计了一种光伏发电功率预测模型。借助基于经验模式分解的去噪方法对原始数据进行处理,避免了噪声数据对预测结果的影响。利用正弦余弦算法调节长短时记忆网络的参数,进一步提高了预测模型的准确性和稳定性。在实例分析中,讨论了输入气候变量、数据集划分和正弦余弦算法参数设置对预测结果的影响,并对两个典型月份下得到的预测结果进行了对比测试。与其他几种预测方案相比,该预测模型在提前一日的光伏发电功率预测中具有更高的精准度。

关键词： 非线性机电系统   双重因果键合图模型   基于生物地理学优化的粒子滤波   优化极限学习机   故障诊断   退化趋势预测   剩余使用寿命估计  

摘要： 在现代工业生产中,随着机电系统的自动化程度和结构复杂性不断提高,工业生产和应用过程中机电系统发生故障的可能性大大增加,而机电系统的故障往往会导致系统停机或者设备损坏,继而可能引发严重经济损失和重大人员伤亡。因此,研究并设计一套针对机电系统的可靠有效的故障诊断和剩余使用寿命估计方案,是非常必要的。针对上述问题,本文提出的非线性机电系统故障诊断和剩余使用寿命估计方法主要内容如下所示:1)介绍了键合图建模的基本原理和方法,并建立了非线性机电系统的键合图模型。在键合图模型的基础上,利用分离因果划的方法获得系统的双重因果键合图模型。通过分析双重因果键合图模型的各节点因果关系,构造了系统的解析冗余关系和故障特征矩阵。根据解析冗余关系和和故障特征矩阵实现系统的故障检测与隔离,从而得到可能故障集合。相对于键合图模型推导的解析冗余关系,双重因果键合图模型能够推导得出额外的解析冗余关系,进而提高故障的隔离能力。通过仿真和实验验证了所提出的故障检测和隔离方法的有效性。2)当通过故障检测与隔离得到可能故障集之后,本文提出了一种改进的故障辨识算法,即基于生物地理学优化的粒子滤波算法,目的是通过辨识确定可能故障集中的真正故障元件。在生物地理学优化的粒子滤波算法中,利用生物地理学优化算法中的迁移和变异操作增加粒子多样性,可以有效地抑制粒子贫化现象,从而提高参数辨识精度。通过实验研究和对比分析验证了故障辨识算法的有效性和优越性。3)为了预测故障元件的剩余使用寿命,提出了一种基于优化极限学习机的故障退化趋势预测和剩余寿命估计方法。传统极限学习机的隐含层输入权重和偏置随机给定会导致预测性能不理想,而优化的极限学习机利用生物地理学优化算法对隐含层的权值和偏置进行优化,可以提高剩余寿命预测的精度。通过仿真和实验验证了故障退化趋势预测和剩余寿命估计方法的有效性和可行性。

关键词： 滑坡位移预测   MIV-ELM特征筛选   灰色-极限学习机   集成学习   GA-ELMs模型  

摘要： 滑坡的预测实质上是基于滑坡变形的预测,因为变形测量具有精度高、操作方便等优点,可以直接反映滑坡的状态。当前对滑坡位移序列预测过程中,尚未考虑诱发因素中的高频与低频因素对于预测模型的预测结果影响,未考虑对其滑坡诱发因素进一步优化,同时当前的滑坡预测模型的预测精度和稳定性尚未达到令人满意的效果。针对以上问题,本文将对滑坡预测模型进行改进,同时对诱发因素进行优化,本文主要内容如下:（1）构建了基于灰色-极限学习机（Grey-ELM）的滑坡预测模型。本文通过灰色关联度分析法计算网络中隐含层结点输出与期望输出的关联度,对关联度低于一定阈值的结点进行删除,从而达到优化极限学习机网络结构的目的。为了提高模型输入的质量,提出了平均影响值（MIV）与极限学习机结合模型（MIV-ELM）,通过该模型分析基站位移序列和滑坡诱发因素的变化关系,进而对经验选择的诱发因素进一步地变量筛选。实验结果表明,该模型的均方根误差为13.53毫米,对比于E-ELM模型,误差降低了7.8%,并且拟合优度达到了0.997。（2）构建了基于遗传算法和集成学习的神经网络位移预测模型。通过High-Pass Filter（HP滤波）方法提取出了基站位移的趋势项和周期项,再分别对这两个分量进行预测。因为诱发因素具有周期性,因此本文将基站序列中的周期项的变化视为是诱发因素影响的结果,为了提升滑坡诱发因素与周期项的相关性,通过完备经验模态分解方法分解诱发因素,得到其序列的高频和低频分量,使用灰色关联度法分析所分解诱发因素序列分量与基站位移的周期项的关联度,寻找与位移序列中的周期项关联度最大的分量组合,继而对诱发因素进行重构。本文结合遗传算法对ELM进行权重初始化,构建了GA-ELM模型;再在GA-ELM模型的基础上,利用集成学习方法构建了GA-ELMs模型;最后本文融合了滑坡诱发因素优化处理过程和集成学习预测模型,整合了一套完整的、稳定性较高和预测效果较好的滑坡位移序列预测模型。实验结果表明,在预测XD-01和ZG118基站位移序列中,该模型的均方根误差分别为12.68毫米和8.46毫米,相对于极限学习机模型和GA（cpg）-SVM模型,误差分别降低了57.7%和86.1%,其拟合优度都达到了0.999。

关键词： 热轧带钢生产线   电能预测   非线性回归   极限学习机   粒子群算法  

摘要： 钢铁企业电能消耗量巨大,有效的能源调度是节约并高效利用电能的重要手段,热轧带钢生产线是钢铁企业的关键生产线之一,其电能消耗的准确预测对能源调度的研究具有重要的意义和价值。本文以热轧带钢生产线为研究对象,对其电能消耗问题进行深入研究,主要研究了以下内容。首先从热轧带钢生产线入手,详细分析热轧带钢生产中的各个工艺流程,整理建立热轧带钢电能预测的机理模型。轧制前输入钢坯长度、钢坯宽度、钢坯厚度、产品厚度以及钢材种类5个自变量,就可以计算得出轧制所需要的每吨产品的电耗。机理模型中使用了较多的经验值,计算出的吨钢电耗值不精确,因此先使用控制变量法得到单个自变量和吨钢电耗之间的关系,再利用非线性回归模型拟合所有变量和电耗的函数关系;非线性回归拟合的预测误差较大,因此引入极限学习机策略,根据具体问题设计出合理的网络模型,选择合适的隐含层个数和激活函数,训练出符合预期的极限学习机网络模型;随着极限学习机隐含层节点数增加,其模型结构逐渐复杂化,因此使用粒子群算法优化了极限学习机输入层到隐含层的连接权值和隐含层阈值,得到基于粒子群算法的极限学习机预测模型。从训练结果看,基于粒子群算法的极限学习机预测模型的平均相对误差只有0.71%,要明显优于前两种预测方法。最后在这些研究的基础上,使用C#编程语言及SQL Server数据库开发了钢铁企业能源管理软件,设计了各个功能模块和数据库结构。该能源管理平台具备了综合统计、预测、分析的功能,可以为企业能源的综合管理提供便利。