关键词： 故障预测   正态分布-经验小波   偏最小二乘法   极限学习机   滚动轴承  

摘要： 滚动轴承作为旋转机械重要的零部件之一,其运行状态的稳定性直接关系到整体设备的工作性能。有效预测滚动轴承的故障位置,正确识别滚动轴承性能衰退阶段,对降低危险事故的发生率和设备的健康管理都具有重要意义。针对滚动轴承故障预测问题,逐步开展信号降噪、特征降维和故障预测的研究,主要研究内容如下:首先,提出基于正态分布的经验小波变换信号降噪方法。针对传统降噪方法存在窗函数固定、模式混叠等问题,将经验小波用于信号降噪,并通过正态分布区间估计方法克服原有的边界计算复杂、缓慢且受人工决策影响的问题,实现信号频谱的自适应划分;分析有量纲与无量纲在振动过程中表现的差别,通过仿真信号与开源数据验证正态分布-经验小波变换的降噪效果。其次,提出基于模糊C均值的等距离映射特征降维方法。针对传统等距离映射算法的拓扑稳定性易受邻域大小影响的问题,采用能够评价结构信息保留效果的残差进行优化。在对目标数据的特征降维时,运用模糊C均值进行聚类,使高维与低维空间的流形数据保持相近的特性。通过仿真实验效果对比,验证模糊C均值的等距离映射降维方法的效果。然后,建立偏最小二乘法的极限学习机故障预测模型。针对传统极限学习机的网络权值和隐含层节点数的设置靠实验调整获取,易受人为因素干扰的问题,应用偏最小二乘法的主成分数和加载权值加以改进。同时为更好地拟合数据,选取激活函数Softmax代替Sigmoid。通过对比不同的预测方法,验证该方法具有更高的预测精度。最后,搭建试验台、采集数据,进行试验验证。搭建滚动轴承振动测试试验台并采集所需试验数据。分别以内外圈不同程度下裂纹故障的单列角接触球轴承为试验对象,根据其信号具体情况采用本文方法对其进行故障预测。试验结果对比表明,本文方法能够准确预测故障位置和故障发展趋势。

关键词： 优化ELM   变形预测与分析   PSO-IELM模型   影响因素分析  

摘要： 极限学习机(Extreme Learning Machine,ELM)是一种新型的单隐层前馈神经网络(single-hidden layer feedforward networks,SLFNs),其网络输入权值和隐含层偏置随机产生,与传统的前馈神经网络相比具有训练速度快、泛化能力强、预测误差小等优点,其性能与支持向量机相近。目前,极限学习机已在多学科领域的分类与回归问题中得到广泛的研究和应用,但在变形监测数据预测与分析中的研究和应用相对较少。因此,本文研究将极限学习机用于工程体变形分析与预测,主要研究工作如下:1.对国内外极限学习机相关理论进行系统性研究,针对极限学习机在工程测量变形预测领域研究较少的现状,借鉴极限学习机在其他领域内的应用,确定本文的研究内容。2.将极限学习机与传统的神经网络(BP和支持向量机)进行实验对比分析,验证极限学习机具有运算速度快、泛化能力强、预测误差小的优点。同时,实验结果反映出极限学习机存在最佳隐含层节点难以确定、网络参数随机设定导致预测结果稳定性较差等不足。3.针对极限学习机存在的不足,研究增量ELM和剪枝ELM优化算法,寻找网络最佳隐含层节点,另外,研究遗传算法(Genetic Algorithm,GA)和粒子群优化算法(Particle Swarm Optimization,PSO),对ELM网络的输入权值和隐含层偏置进行优化,使预测模型稳定性增强。综合上述方法的优点,提出利用PSO算法优化增量ELM模型的输入权值和隐含层偏置,构建串联式PSO-IELM模型,并通过实例数据进行验证,结果表明:PSO-IELM模型可以有效确定隐含层节点和提高模型的稳定性,具有更好的准确性和可靠性。4.利用Pearson相关系数对隧道施工地表沉降变形的影响因素进行相关性分析,建立顾及施工工况、环境因素、时间效应和空间效应等影响因素的PSO-IELM模型。通过对工程实例数据中沉降速率进行预测,证明顾及影响因素的预测方法相比未顾及影响因素的预测方法具有更高的预测精度。

关键词： 短期负荷预测   神经网络   极限学习机   粒子群  

摘要： 电力负荷作为电力系统中的重要组成部分,其重要性不言而喻。但因其具有时变性和不稳定性,容易导致电力负荷曲线产生波动,不利于电力系统的平稳运行。因此,只有对电力负荷进行更好、更快、更准的预测,才能为整个电力系统的稳定合理经济的运行保驾护航,从而更好地为国民经济提供更加安全优质的电力供给。近十几年来,国内外研究人员对负荷预测做了大量的研究,各种负荷预测方法大量涌现,具有代表性的方法有神经网络法、支持向量机法等。但是,神经网络法需要以大量的迭代运算作为基础,整体结构复杂,涉及的参数较多,网络学习速度较为缓慢。所以本文考虑在神经网络的基础上,使用基于粒子群算法优化的极限学习机模型,结合实际电力负荷数据对短期电力负荷预测问题进行相关研究。首先,本文对人工神经网络进行了简单的介绍,简述其理论及推导,最后引出本文采用的极限学习机的基本原理并介绍了其特点。其次,对真实历史负荷数据进行了预处理,利用回归系数法与热度图进行数据特征提取,将处理后的数据用于之后的负荷预测。然后,在基础的粒子群算法理论上提出了复合最优型粒子群算法并进行了实验验证了其可行性。最后尝试实现极限学习机算法与粒子群算法的结合,利用粒子群算法的寻优能力,对极限学习机参数进行寻优以得到更好的极限学习机,即完成更好的预测模型。最后具体描述基于改进粒子群算法优化极限学习机模型的实现过程,利用具体数据进行算例分析,验证预测模型的可行性。

关键词： 极限学习机   深基坑   季冻区   地表沉降   变形预测  

摘要： 针对传统数据驱动模型存在收敛速度慢、过度拟合等问题,提出了基于极限学习机算法的基坑地表沉降预测方法。结合季冻区地铁车站基坑的特点,提取基坑开挖时间、开挖深度、围护桩顶位移、围护桩内力、支撑轴力及地表温度等特征信息,建立极限学习机回归预测模型,选用实例数据进行算例分析,并将其与传统回归预测模型进行对比,实验结果表明,极限学习机模型收敛速度快,泛化能力强,其预测精度优于传统预测模型,且在学习速度方面优势明显,对深基坑安全监控有一定的实用价值。

关键词： 极限学习机   改进遗传算法   BP算法   负荷预测   短期  

摘要： 负荷预测效果直接影响电网的安全稳定和经济效益,是电网调度的重要组成内容。针对极限学习机随机产生输入层权值和隐含层阈值导致网络模型不稳定的问题,提出了一种基于改进遗传算法优化极限学习机的负荷预测方法。利用爬山法改进的遗传算法对极限学习机的权值和阈值进行优化,以获得稳定性强,预测精度高的优化模型。并将此模型与BP网络、极限学习机的预测结果进行对比,仿真实验结果表明,改进模型具有较快的训练速度和更为准确的预测结果,适应于影响因素众多,数据量巨大的现代短期电力负荷预测。

关键词： 短期负荷预测   极限学习机   改进差分进化算法   预测精度   泛化能力  

摘要： 针对传统短期负荷预测方法精度不高的缺点,提出了一种改进差分进化算法优化极限学习机的预测模型,其预测精度受极限学习机的输入层权值和隐含层阈值的影响。利用改进差分进化算法对极限学习机的参数进行优化,提高了其泛化能力。选取某地实际电网负荷数据进行仿真分析,实验结果显示,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。

关键词： 图像水印   像素预测误差扩展   极限学习机   像素交叉混淆   变尺度混沌   回归模型  

摘要： 为解决当前图像水印算法难以准确预测相邻两像素之间的差值,使其存在较大的嵌入失真问题,提出基于像素预测误差扩展与优化的极限学习机的图像水印算法。设计像素交叉混淆技术,对水印信息完成置乱,输出水印密文;引入变尺度混沌,对极限学习机进行优化;将混淆后的载体图像像素值作为优化极限学习机的输入信号,对其进行准确预测,引入像素预测误差扩展方法,设计水印信息嵌入机制,将水印数据嵌入到载体图像中;构建水印信息检测机制,利用解密密钥,准确提取出初始水印信息。实验结果表明,与当前水印技术相比,所提算法具有更低的嵌入失真与更高的水印不可感知性。

关键词： 库岸边坡   变形预测   极限学习机   逐步试算法   混沌理论  

摘要： 为提高库区岸坡变形的非线性预测精度,提出利用极限学习机构建库区岸坡的非线性预测模型。首先,利用逐步试算法优化极限学习机的激励函数和隐层神经元数;其次,采用Rosenstein算法评价边坡变形序列的混沌特性,利用空间重构来实现极限学习机的混沌优化,进而构建混沌优化ELM模型。分析表明,不同实例的最优网络参数具有差异,通过逐步试算法能很好地确定最优参数;库岸边坡的变形序列均具有混沌特性,通过混沌理论的空间重构优化,能有效提高预测精度,且预测结果较传统神经网络具有较大的优越性。

关键词： 极限学习机   蚁群   同期线损  

摘要： 针对如何合理有效地利用在智能化电力系统中,电力市场和电网运行时产生的海量数据的问题,论文提出了一种改进的极限学习机算法,该算法采用蚁群群算法分别对极限学习机的输入权值和阈值进行了优化,验证其提高了极限学习机的输出精度。将优化过后的极限学习机算法用于同期线损的预测,实验结果表明,相比于传统的几种神经网络算法,其预测同期线损精度更高。

关键词： 剩余寿命预测   变分模态分解   极限学习机   轴承  

摘要： 提出了一种基于变分模态分解(VariationalModeDecomposition,VMD)谱熵和极限学习机(ExtremeLearningMachine,ELM)的轴承寿命预测方法。首先,对轴承的振动信号提取变分模态分解谱熵特征,组成表征轴承健康因子的时间序列。其次,对健康因子时间序列进行变分模态分解并提取时间序列的趋势项,ELM对趋势项预测实现对轴承剩余寿命的预测。实例验证,VMD-ELM模型的对轴承健康因子时间序列的预测有良好的精度,准确预测了轴承的劣化趋势和轴承的剩余寿命。