混合动力铲运机工作环境恶劣,电气系统复杂,故障原因耦合性强,故障种类多,数据大多呈非线性关系,针对传统单一的方法难以精确预测铲运机电气系统故障的问题,提出了一种把最小二乘支持向量机(Least Square Support Vector Machine,LSSVM...混合动力铲运机工作环境恶劣,电气系统复杂,故障原因耦合性强,故障种类多,数据大多呈非线性关系,针对传统单一的方法难以精确预测铲运机电气系统故障的问题,提出了一种把最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)和隐马尔科夫模型(Hidden Markov Model,HMM)相结合并进行改进的故障预测方法。首先用历史时刻的铲运机运行状态数据通过LSSVM进行训练,将当前时刻状态数据输入训练好的LSSVM中预测出未来时刻的状态数据;然后通过历史数据训练不同故障状态下的HMM模型;最后把当前状态数据及通过LSSVM预测的状态数据导入训练好的HMM模型中,预测出未来时刻铲运机的状态及其变化趋势。针对传统用经验方法训练LSSVM参数和用Baum-Welch方法选择HMM参数容易陷入局部最优解和收敛速度慢等缺点问题,提出在LSSVM和HMM参数选择时采用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)进行改进,提高了LSSVM和HMM的参数估计性能,得到LSSVM所需的最优惩罚参数和径向基核函数。整个过程所用到的数据是14 t混合动力铲运机在矿山现场工作时采集的数据。研究结果表明,通过LSSVM预测出来的铲运机状态数据与采集到的真实状态数据相比,误差较小,吻合度高。应用优化后的LSSVM-HMM方法进行铲运机故障预测准确率达到了91.1%,该方法能精确预测出混合动力铲运机电气系统的故障及其状态变化趋势。展开更多
针对网络控制系统(networked control system,NCS)中随机时延导致系统性能下降的问题,利用粒子群优化(particle swarm optimization,PSO)的最小二乘支持向量机(least square support vector machine,LSSVM)建立NCS中随机时延预测模型,...针对网络控制系统(networked control system,NCS)中随机时延导致系统性能下降的问题,利用粒子群优化(particle swarm optimization,PSO)的最小二乘支持向量机(least square support vector machine,LSSVM)建立NCS中随机时延预测模型,精确预测未来时刻的时延;同时利用该预测算法预测的时延通过快速隐式广义预测控制算法对NCS随机时延进行补偿。仿真结果表明,PSO优化的LS-SVM算法对随机时延具有较高的预测精度,同时快速隐式广义预测控制算法可使系统的输出很好地跟踪参考轨迹,保证系统良好的控制效果。展开更多
针对大型复杂结构极限状态方程一般难以显式表达的特点,提出了基于最小二乘支持向量机(the leastsquare support vector machine,LS-SVM)的结构可靠度评估方法。该方法采用均匀抽样法抽取随机变量样本,应用确定性有限元求解器进行数值...针对大型复杂结构极限状态方程一般难以显式表达的特点,提出了基于最小二乘支持向量机(the leastsquare support vector machine,LS-SVM)的结构可靠度评估方法。该方法采用均匀抽样法抽取随机变量样本,应用确定性有限元求解器进行数值计算。将样本数据进行训练,利用最小二乘支持向量机建立随机变量与结构响应之间的非线性映射关系,模拟结构极限状态方程。通过计算极限状态方程值和偏导数值,求解优化问题,计算结构可靠指标。结果表明,该方法能够评估隐式极限状态方程的结构可靠度,具有较高的计算精度和较好的计算效率。展开更多
文摘针对网络控制系统(networked control system,NCS)中随机时延导致系统性能下降的问题,利用粒子群优化(particle swarm optimization,PSO)的最小二乘支持向量机(least square support vector machine,LSSVM)建立NCS中随机时延预测模型,精确预测未来时刻的时延;同时利用该预测算法预测的时延通过快速隐式广义预测控制算法对NCS随机时延进行补偿。仿真结果表明,PSO优化的LS-SVM算法对随机时延具有较高的预测精度,同时快速隐式广义预测控制算法可使系统的输出很好地跟踪参考轨迹,保证系统良好的控制效果。
文摘针对大型复杂结构极限状态方程一般难以显式表达的特点,提出了基于最小二乘支持向量机(the leastsquare support vector machine,LS-SVM)的结构可靠度评估方法。该方法采用均匀抽样法抽取随机变量样本,应用确定性有限元求解器进行数值计算。将样本数据进行训练,利用最小二乘支持向量机建立随机变量与结构响应之间的非线性映射关系,模拟结构极限状态方程。通过计算极限状态方程值和偏导数值,求解优化问题,计算结构可靠指标。结果表明,该方法能够评估隐式极限状态方程的结构可靠度,具有较高的计算精度和较好的计算效率。
