徐国平[1]2008年在《基于支持向量机的动调陀螺仪寿命预测方法研究》文中指出随着我国航天技术的发展,航天器越来越向着高可靠、长寿命、高有效性方向发展。作为这些航天器中必不可少的姿态控制执行机构和姿态测量部件——飞轮、陀螺仪等旋转机电部件,由于其成本高、批量小等特点,如何评估这些产品及其部件的可靠性寿命成为一个迫切需要解决的难题。动调陀螺仪作为一种被广泛应用于航天器导航与制导系统中的中高精度陀螺仪,对其进行可靠性寿命预测方法研究具有十分重要的现实意义和理论研究价值。本文根据学校实验室现有的试验条件,在只有单个动调陀螺仪试验子样情况下,给出了一个在极小子样条件下的动调陀螺仪寿命试验和寿命预测方法研究思路、方案,即以支持向量机作为理论基础,采用参数外推法进行动调陀螺仪寿命评估与预测方法研究。通过对动调陀螺仪在极小子样条件下进行1:1完全寿命试验,测试与分析影响动调陀螺仪寿命的性能参数,研究并提取能够表征陀螺可靠性和寿命的关键因子,通过对其的分析与处理建立寿命预测模型,进而对单个动调陀螺仪的寿命进行评估和预测研究。本文主要完成了如下几方面的工作:第一,结合动调陀螺仪的结构特点及试验条件,采用一种新的寿命评估思路(即性能参数外推法)对陀螺仪寿命进行评估与预测研究,并给出了整个动调陀螺仪寿命预测研究方案。同时,根据此方案及陀螺仪自身的特点,确定陀螺振动、漂移、工作和环境温度、陀螺供电电压、功率等作为监测的性能参数,通过相应的测试电路、软件及界面等设计,建立动调陀螺仪寿命测试系统,完成其状态监测与数据采集。第二,由于测试系统及动调陀螺仪自身的结构温度特性,文中结合小波分析优越的多尺度(多分辨率)分析特性,提出了一种基于小波变换和支持向量机的温度建模与补偿模型,对陀螺各参数的长期测试数据进行温度建模补偿与预处理。另外,根据陀螺仪自身的性能状态变化,采用基于支持向量机的启发式搜索策略,以陀螺参数特征集的交叉验证错误率为评价指标进行自学习识别与提取分析,最终选取陀螺振动作为关键特征因子对陀螺仪性能进行评估和预测研究。第叁,根据陀螺振动信号的非平稳特性,采用经验模态分解(EMD)的信号分析方法对陀螺振动进行分析。针对EMD分析方法自身的缺陷,文中提出了一种改进EMD方法的混合信号分析策略,并利用其对动调陀螺仪振动信号进行频域能量分析。同时,根据陀螺长期测试期间自身性能的变化,采用基于支持向量机的权重贡献分配方法对陀螺频域能量特征进行自学习提取,并以此建立反映动调陀螺仪性能状态渐进变化趋势的陀螺振动频率能量。第四,结合支持向量机预测及灰色数据生成操作的优势,提出了一种新的灰色支持向量机预测模型(即AGO-SVM预测模型),并利用其对实际陀螺振动能量数据进行建模预测比较研究。预测结果表明所提出的灰色支持向量机模型预测精度优于单一灰色预测和SVM预测方法,具有更好的建模预测性能。另外,根据提取的陀螺寿命指标——振动特征能量趋势,利用灰色支持向量机预测模型对动调陀螺仪进行寿命评估与预测研究。同时,通过对单个动调陀螺仪历史能量数据进行多次分段建模预测统计分析,从而建立多步预测误差模型,以此来评估动调陀螺仪寿命预测的误差及可信度。本论文的研究工作可为我国航天等领域机电旋转部件的寿命预测研究工作提供参考与借鉴。
陈顺财[2]2008年在《基于支持向量机的时间序列预测研究》文中认为时间序列是指按照时间顺序排列的一组数列。在实际问题中,系统一般都是非线性的,由系统产生的时间序列也几乎都是非平稳的。对系统进行机理性建模往往比较困难,可以基于系统输入输出的观测数据,即时间序列建立模型,并对未知的数据进行预测。本文首先介绍了各种时间序列预测方法的建模预测原理,通过分析和比较,发现统计方法、灰色预测和神经网络各有优势,但是不能满足对复杂时间序列精确预测的要求,提出了支持向量机的方法。本文归纳了基于支持向量机的时间序列预测模型的设计方法,并以上证指数时间序列预测为例,通过仿真研究表明,支持向量机是一种有效的时间序列预测方法。支持向量机的参数对其学习能力和泛化能力有很大影响,到目前为止这方面还没有统一的理论指导,人们通常采用大量实验,人工选取满意的解,但这种方法耗时且获得的参数也不一定最优。交叉验证、经验公式和遗传算法也各有不足。针对支持向量机参数选择问题,本文引入了粒子群优化算法,粒子群优化算法简单有效,但容易陷入局部最小,所以采用了量子粒子群优化算法,量子粒子群优化算法全局搜索能力更强,但收敛速度不快。针对量子粒子群优化算法收敛速度慢的问题,提出了一种改进的量子粒子群优化算法,以太阳黑子时间序列为例,仿真结果表明,改进的量子粒子群优化算法全局搜索能力更强、收敛速度更快,预测误差更小,是一种有效的参数优化方法,可用于支持向量机对时间序列的预测。
李新军[3]2004年在《基于支持向量机的建模预测研究》文中研究指明预测分析是根据过去和现在的已知去推测和预料将来的未知，是对被预测事件发展过程中可能发生的一些不确定因素和未知事件做出的定性和定量描述。本文主要研究机器学习中智能性预测技术——基于支持向量机的分类和回归问题。支持向量机是继神经网络后机器学习的热点研究技术，它主要应用于分类和回归问题中。它是建立在统计学习理论的结构风险最小化基础之上的，克服了神经网络的过拟合缺陷，大大提高了泛化能力的一种新的神经网络模型。混合学习和集成学习是目前机器学习研究中的热点研究方法，倍受学者们的关注。本文基于混合学习和集成学习的思想，将这两种方法应用于支持向量机建模技术中，主要解决预测分析问题。本文的主要工作包括：〔1〕首先结合粗糙集的属性约简和支持向量机的分类机理，提出了一种混合算法。应用粗糙集理论的属性约简过程作为预处理器，从两维（横向、纵向）的角度出发，把冗余的属性和冲突的对象从决策表中删去，但不损失任何有效信息；然后基于支持向量机进行分类建模和预测过程。最后，我们进行了仿真实验。〔2〕在此基础上，本文又针对属性个数特别多的情况提出了一种新的混合学习方法。首先提出两个选择属性重要度的概念：相关度和贡献度；在主成分分析方法中，基于描述属性变量之间关系的相关度大小选取我们所需要的重要属性集合（主要成分集合）；然后在粗糙集中，根据主成分分析中选出的属性对决策变量的贡献度，来进行属性的第二次约简，最大程度地去除冗余的和不重要的属性，简化输入支持向量机进行建模的维数，最后的仿真实验说明了我们方法的有效性。〔3〕根据集成学习的思想，提出了集成支持向量机的建模预测方法。通过在训练样本中选取不同的样本集数量，构造出覆盖不同问题域的支持向量机模型，然后采用各种不同的集成手段来综合这些单一支持向量机的优势。我们提出了多种支持向量机的集成方法，包括：具有线性优化功能的最小二乘法、以及非线性双层层次优化的决策支持法，并和Adaboosting中传统的多数投票法进行了比较。采用集成算法后，大大减少了支持向量机二次规划求解过程中存储核函数矩阵对内存的占用，提高了运行速度；同时，集成多个单一训练器的预测精度明显比单一训练器的要高，这在最后的仿真实验中都得到了验证。
张真真[4]2008年在《支持向量机在大坝安全监测资料分析中的应用》文中提出随着水资源的开发与利用,大坝的安全问题日益突出,正确地预报大坝安全监测量,对指导大坝安全运行和辅助决策具有重要的作用。大坝安全监控模型是分析、评价大坝性态的主要工具,在大坝安全监测中发挥着重大的作用,大坝安全监测资料分析及安全监测模型的建立是安全监测工作的最终价值体现。本文在分析传统的大坝监控统计模型上,利用一种数据挖掘中的新方法——支持向量机,建立了基于支持向量机的大坝安全监测统计模型,实际应用表明,将支持向量机应用于大坝安全监测资料分析是成功的。本文主要研究成果:(1)在大坝安全监测的建模分析中,建模因子主要考虑水压、温度、时效等因素,并以此建立其与效应量间的复杂关系,最小二乘回归统计方法是常用模型方法,但这种线性统计模型一般很难反映这种复杂关系,而支持向量机,通过引入核函数,将输入空间中的非线性问题映射到高维特征空间中在高维空间中构造线性函数判别,是一种很好的非线性模型,因此,本文建立了基于支持向量机的大坝安全监测统计模型。(2)支持向量机是求解一个凸二次规划,计算复杂,计算速度慢,最小二乘支持向量机采用等式约束替代不等式约束,加快了求解速度。因此,本文建立了最小二乘支持向量机大坝安全监测统计模型,加快了求解速度,减少了计算资源,比传统的支持向量机模型更具推广力。(3)针对大坝安全监测中,因子间的多重相关性,以及模型的非线性特点,本文将偏最小二乘回归与最小二乘支持向量机耦合,建立大坝安全监测模型。利用偏最小二乘回归对影响大坝渗流和变形的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数。实例分析表明,偏最小二乘支持向量机的学习训练效率比最小二乘支持向量机有较大的优势,更适合于大规模的数据建模。
王文文[5]2016年在《基于支持向量机的住院费用预测模型研究》文中研究说明研究背景随着我国人口老龄化问题严重和医疗技术的不断进步,住院费用也随之快速增长,“看病难、看病贵”已成为我国卫生政策改革的重点和难点。而胃癌是我国消化系统中最常见的恶性肿瘤之一,由于发病原因不明确、病程长、易复发等特点,导致其医疗费用较高。目前对住院费用的研究方法大多采用统计学,或者是数据挖掘方法中的神经网络和决策树,而利用支持向量机对住院费用建模研究的文献较少。研究目的以胃癌患者住院费用分析为例,探讨合理的住院费用分类规则,设定合适的核函数和参数建立基于支持向量机的住院费用预测模型,衡量各因素对住院费用的影响程度,并采用遗传算法优化进一步提高患者住院费用的预测精度,为医疗决策者提供政策参考和住院费用建模的方法学依据。研究方法本研究以宁夏医科大学总院2009-2011年以及2013-2014五年的胃癌患者资料为样本,提出两种住院费用建模方法,基于聚类的信息粒化手段和支持向量机的建模方法,和在此基础上提出的基于遗传算法对支持向量机进行特征选择和参数优化的新方法,运用分类准确率、敏感性、特异性以及时间复杂度指标进行效果评价。研究结果针对第一种基于聚类和支持向量机的建模方法,实验结果表明通过K-Means以年份对费用聚类比单纯以费用分布特征聚类的分类准确率提高了13.13%,当核函数选用径向基核函数,且惩罚因子C=10和核参数g=1时建立的支持向量机模型最稳定,分类准确率为92.11%,明显优于2-logistic和BP神经网络的分类结果。针对第二种基于遗传算法的特征选择和参数优化的方法,实验结果表明,该算法能够快速找到合适的特征子集和支持向量机参数,并获得较好的预测效果。与其他优化方法进行对比,结果表明本文方法无论从分类准确率、敏感性和特异性都比其他方法要高,且时间复杂度最低,从而验证了本文算法的优势。
邵臻[6]2015年在《基于特征分析和数据降维的复杂数据预测与分类方法研究》文中研究表明数据预测与分类是数据挖掘领域非常重要的研究课题,长期以来受到了广泛的关注。数据预测与分类理论是管理科学、经济、数学、计算机等不同学科相互交叉融合的结晶,并已经被广泛应用于能源价格市场分析、金融市场价格预测和风险控制、生物信息识别、商务智能客户行为分析等众多领域。近年来,随着信息技术、互联网技术的迅猛发展,云计算、大数据分析的逐步成熟,复杂数据预测与分类研究充满了机遇与挑战,一方面,随着上述新兴技术、产业的发展与推广,大量实时在线数据的快速收集得以实现,以数据预测与分类为代表的数据挖掘技术将在更多的领域中发挥更大的作用。另一方面,从数据维度、数据类型以及数据体量等不同层面来看,数据对象正变的越来越多样化、复杂化,这极大的增加了精准化和精细化挖掘的难度,同时也从知识获取的准确性、合理性、可靠性以及实用性等多个方面对数据预测与分类研究提出了更高要求。本文在对国内外数据预测与分类有关基础理论、实现方法和建模策略进行梳理和总结的基础上,重点从数据的维度复杂性、频域特征复杂性、多源信息识别与匹配叁个方面出发,紧密围绕数据预测与分类的关键问题,以电力系统负荷数据、电力市场价格数据为主要研究对象和案例,对复杂数据预测与分类问题展开研究。本文的主要研究内容及创新点总结如下：(1)提出了一种基于相似性测度的半参数回归概率密度预测框架,系统性分析了传统数据预测方法的适用范围及存在的问题。在此基础上,针对研究对象的多源相关性特征,构建了基于非参数修匀的半参数回归模型,同时结合Bootstrap概率区间估计进行分析。其次,针对所选择的多影响因素指标与研究对象之间作用机制难以确定的问题,结合相似性测度、因子分析以及因果关系检验等方法,给出了一种规范化的指标变量提取与识别策略。通过实验验证所提出预测框架的有效性,进而为深入研究不同指标变量与对象数据之间的复杂建模机制提供了借鉴。(2)提出了一种基于数据降维的分段可加半参数回归概率密度预测框架,针对数据的周期性、多维多粒度波动特性,受到可加建模思想的启发,提出了基于分段可加的半参数回归模型,并结合Bootstrap概率区间估计进行分析。为保证样本外预测的可行性和合理性,基于Bootstrap重采样技术对气象数据的未来趋势进行了有效模拟。该数据预测框架引入了可加建模思想对数据作降维度处理,并结合指标变量筛选与匹配方法从而完成概率分布建模,给出了一种可行的大跨度外延预测方法,同时提高了数据预测在电力需求分析中的实用性和鲁棒性。(3)提出了一种基于特征提取的半参数回归概率密度预测框架,针对数据的周期性、多频域特征混迭特性,基于EEMD频域分解方法对原始序列进行多尺度分析,结合频域特征选择与识别方法确定原始序列的特征信号和随机信号,并对不同频域信号进行重构。结合正交最小二乘估计、Bootstrap概率区间估计,构建了非参数修匀策略的半参数回归模型。基于所提出的模型对不同特征成分和趋势成分分别建模并集成预测。该数据预测框架引入了频域分析方法对数据作降维度处理,通过合理的筛选特征信号和趋势信号并进行概率分布建模,为有效分析具有复杂趋势融合特征的非平稳时间序列数据提供了一种新思路。(4)提出了一种基于特征选择和支持向量机的高维数据分类框架,针对连续型数值预测方法用于非平稳、极端波动趋势分析时容易失效的问题,基于数据分类的思想将传统的数据类别看作是描述对象数据变化的“概率空间”,并增加对象数据的所属类别及类别范围从而将区间预测转化为模式分类问题。通过融合Filter和rapper两种不同特征选择思路对SVM进行改进,给出了基于多分类的SVM-RFE-MRMR分类方法,并结合PCA-DP时间序列分割等方法,从模式判别的角度给出了一种复杂数据预测新框架,进而为高维数据波动规律分析、非平稳高频波动数据预测等问题的研究提供了新思路。
范俊[7]2013年在《基于支持向量机的动量轮寿命预测方法研究》文中指出动量轮作为卫星姿态与轨道控制系统关键组件,其寿命决定整星寿命。由于卫星动量轮具有长寿命、无失效数据、小子样等特点,目前已经存在的动量轮寿命预测与可靠性评估方法大部分都是基于性能退化数据的预测研究方法。然而传统的基于性能退化的预测研究方法一般都是基于模型的方法,需要事先给定退化轨道的数学模型,由于各模型之间的差异性以及动量轮性能退化数据的复杂性,传统的基于性能退化数据的预测方法往往不能达到预测精度要求。基于此,本文以卫星动量轮为研究对象,将动量轮轴温在轨遥测数据作为其性能退化数据,提出了一种基于支持向量机的数据驱动预测算法,不再预先假设退化轨道的数学模型,而是利用支持向量机强大的学习能力从性能退化数据中寻找规律、建立模型,并在此基础上估计其寿命分布,评估其可靠性水平,为解决动量轮寿命预测问题提供了一条新的思路。论文主要工作如下:(1)引入时间序列分析中的相空间重构方法与遗传算法对文献[28]中SVR-AR方法进行改进,建立基于PSRT-SVR的时间序列预测模型,提高了预测精度,并为基于EMD-SVR的寿命预测模型的建立打下了坚实的基础。(2)将经验模式分解、多项式拟合、动量轮失效机理以及基于PSRT-SVR的时间序列预测建模方法结合起来提出基于EMD-SVR的寿命预测方法。(3)选取轴温为动量轮寿命特征值,利用轴温的在轨遥测数据进行建模,对卫星动量轮进行寿命预测与可靠性评估,校验基于EMD-SVR的动量轮寿命预测模型性能。结果表明,预测结果精度较高,此预测建模方法能够较好的解决动量轮寿命预测问题。论文最后对全文主要的工作进行了总结,并对进一步研究内容进行了展望。
李庆伟[8]2016年在《粒子群算法及电厂若干问题的研究》文中进行了进一步梳理高能耗与重污染是制约火力发电发展的重要因素,在保证安全生产和满足负荷需求的前提下,应该尽量降低电厂的煤耗和污染物排放。基于现代智能算法的优化方法是一种提高电厂运行经济性、降低污染物排放的有效手段。因此,需要广大的电力科技工作者对智能算法以及电厂问题本身展开研究。本文在全面总结粒子群算法(PSO)、负荷分配优化和NOx减排优化的发展历程及其研究现状的基础上,开展了相应的研究并取得了一些有益的成果。本文主要内容如下：(1)针对粒子群算法早熟问题和收敛问题,引入并改进了正交实验设计学习策略,从群最优粒子和次优粒子中提取有价值的信息,组成新的指引粒子；为了加强群最优粒子跳出局部最优点的能力,引入并改进了模拟退火搜索策略,以一定的概率对群最优粒子进行模拟退火搜索。在标准测试函数上测试了改进的算法,结果表明改进的算法在平均值、标准差、评价次数、成功率和成功表现等方面的性能得到了提升。(2)为克服搜索的早熟问题,根据粒子群的多样性指导惯性权重的调整,提出了一种新的多样性与惯性权重映射方法；将本文的几种改进进行综合,利用线性系统稳定性判据以及概率论从理论上论证了改进算法的收敛性。T检验和Wilcoxon检验表明改进后的算法效果优于改进以前的算法,改进的算法在平均值、标准差、评价次数、成功率和成功表现等方面的性能优于典型粒子群算法和其它若干典型算法。(3)为提高建模预测的准确性,利用改进的粒子群算法优化了支持向量机的核参数和惩罚参数；引入了处理大样本的集成支持向量机模型,并针对子支持向量机的参数选取问题进行了改进；根据不同负荷的摸底试验、燃烧器设计数据及锅炉以往运行特性等,在高中低3种负荷阶段下对某600MW机组进行了相关的调整试验,获得了与NOx排放特性和锅炉热效率相关的特性数据,基于改进的支持向量机建立了以负荷、煤质、总风量、总燃料量、二次风风门开度、燃尽风风门开度、风箱和炉膛差压以及燃烧器摆角等变量为输入,NOx排放量为输出的排放特性模型。预测结果表明该模型预测准确性较高,泛化能力较强。(4)为处理负荷分配优化问题中的多机组和操作禁区问题,引进了改进的粒子群算法,算例表明改进算法可以给出更优秀的分配方案；提出了飞灰含碳量循环确定法,从而改进了基于实时数据的煤质计算方法,在此基础上利用机组的运行数据计算相应的煤质；在考虑煤质变化、环境变化、设备老化以及运行水平等不受控制的因素的基础上,提出了基于改进支持向量机的机组煤耗特性预测模型,并通过算例验证了该模型良好的预测性能；基于所建立的煤耗特性模型,进行了某电厂的负荷分配优化,验证了煤耗特性模型的可行性和有效性。(5)对NOx减排优化模型进行了深入的研究,在考虑煤质变化以及机组负荷输出的基础上,改进了NOx减排优化模型,实例分析验证了该模型的有效性和可靠性；基于改进的NOx减排优化模型,利用改进的粒子群算法,研究了NOx减排优化问题,并和相关的典型算法进行比较。利用算例验证了改进算法的良好性能,优化结果与抑制NOx生成的原则具有一致性。
阎纲[9]2012年在《基于最小二乘支持向量机的铝电解过程建模与控制研究》文中指出铝电解过程是一个非线性、多变量、大滞后的复杂工业对象,且它的某些重要工艺参数难以在线实时检测；因此常见的PID控制、自适应控制等都难以取得理想的效果。最小二乘支持向量机是机器学习领域近年来涌现出的一种新颖的通用学习方法,它建立在结构风险最小化原则基础上,能较好地解决小样本、非线性、高维数和局部极小等实际问题,已成功地应用于分类、函数逼近和时间序列预测等方面。本文先进行基于最小二乘支持向量机的建模与控制研究,然后将部分研究成果应用于铝电解过程的建模与控制,取得了满意的效果。本文主要做了以下四项工作：(1)电解温度、氧化铝浓度和极距是铝电解过程中非常重要却又难于测量的叁个参数,因此本文提出一种基于最小二乘支持向量机和粒子群优化的PSO LS-SVM算法,建立这叁个参数的软测量模型。该算法考虑最小二乘支持向量机的算法参数的选取问题,先定义预测误差的平方和的算术平均作为适应度函数,然后采用粒子群优化技术在可行域内不断迭代搜索,使适应值不断减小,最终得到最优的算法参数,以及对应的模型参数。仿真结果表明：PSO LS-SVM算法建立的软测量模型,无论是学习能力还是泛化能力,均好于神经网络模型,证明了该算法的有效性和优越性。(2)研究了基于最小二乘支持向量机的预测控制。针对多入多出、约束非线性系统,提出上、下位机两级控制结构,推导了基于最小二乘支持向量机和混沌优化的单步预测控制算法：CHAOS MPC算法。该算法考虑控制量的约束,采用混沌优化技术在其可行域内遍历搜索,在线求解最优的预测控制律。仿真结果表明该算法的控制精度要高于基于神经网络的单步预测控制算法。类似的,针对多入多出、约束非线性、时滞系统,提出上、下位机两级控制结构,推导了基于最小二乘支持向量机和混沌优化的多步预测控制算法：CHAOS MPC_1算法,采用混沌优化技术在线求解最优的预测控制律。仿真结果表明该算法的控制精度要高于基于神经网络的多步预测控制算法。(3)研究了基于最小二乘支持向量机的预测控制系统的稳定性问题,提出一种确保闭环系统稳定性的双模控制算法。首先在常规的预测控制性能指标后附加一个人为的终端约束,并利用Lyapunov方法推导了在该情况下确保闭环系统大范围渐进稳定的稳定性定理。然后据此提出一种确保全局稳定的基于最小二乘支持向量机的双模控制算法：先采用预测控制将状态驱动到终端约束集内,然后再切换到局部线性控制以减少在线计算量,使状态最终驱动到原点。仿真结果表明了该算法的有效性和优越性。(4)将部分研究成果应用到“铝电解过程先进控制系统的设计与开发”横向课题中,取得了满意的效果。首先提出一种基于最小二乘支持向量机的氧化铝浓度控制,该方法采用PSO LS-SVM算法建立氧化铝浓度的预测模型,并采用CHAOS MPC算法实施可靠的氧化铝浓度预测控制。然后提出一种基于槽电阻滤波和专家经验的槽电阻控制。最后将最小二乘支持向量机、模糊控制和专家系统叁者有机融合,提出一种基于最小二乘支持向量机的槽况解析与维护专家系统。系统运行结果表明：采用上述方法,可比原来的方法提高电流效率2.1%,直流电耗减少338kW.h/t-Al,节能降耗效果明显。
王宏愿[10]2017年在《基于支持向量机的锻造生产线能耗预测研究》文中研究表明中国的能源消费结构中,工业能源消费占到70%,伴随着能源问题的日益严峻以及能源价格的持续上涨,工业节能不仅是国家"十叁五"节能减排规划的要求,更是工业企业提升综合实力的必由之路。生产线的能耗建模和预测是工业企业节能的一个重要研究方向,而机器学习算法的日趋成熟为构建性能优良的能耗模型提供了一条途径。本文首先介绍了生产线制造系统及能耗预测的相关理论,根据现代制造系统的结构和特点,总结了设备层、工艺层和系统层能耗问题的研究方法,结合能耗预测在不同领域的应用,制定了生产线能耗预测的基本框架。针对某公司铸锻中心进行能源调研工作,从工艺流程、生产表现、设备状态和物流四个方面初步选取锻造生产线的11个能耗影响因素。之后采集企业2015-2016年的能耗及相关因素数据,剔除异常样本数据、次要数据和冗余数据,筛选出生产线能耗的7个主要影响因素。在此基础上使用多元回归的方法,针对生产线的8种产品进行了能耗的多元回归建模。锻造生产线的能耗因素多样,生产过程存在着诸多不稳定因素,而机器学习算法可以利用数据模拟高维复杂系统。本文采用支持向量机方法,通过实验确定最优核函数为RBF径向基核函数,采用试凑法与五折交叉验证法完成RBF支持向量机预测模型的惩罚因子C和核函数参数g的参数选取工作。针对重点耗能设备中频感应加热炉,通过留一法结合支持向量机完成加热炉的能耗预测模型。通过引入交叉验证和自适应性变异,提高了粒子群算法的全局寻优能力,并将其应用于支持向量机超参数的优化工作,改善了生产线能耗模型的预测性能,最后通过模型精度对比,验证了改进后的能耗模型在预测精度上的优势。
参考文献：
[1]. 基于支持向量机的动调陀螺仪寿命预测方法研究[D]. 徐国平. 上海交通大学. 2008
[2]. 基于支持向量机的时间序列预测研究[D]. 陈顺财. 兰州理工大学. 2008
[3]. 基于支持向量机的建模预测研究[D]. 李新军. 天津大学. 2004
[4]. 支持向量机在大坝安全监测资料分析中的应用[D]. 张真真. 西安理工大学. 2008
[5]. 基于支持向量机的住院费用预测模型研究[D]. 王文文. 宁夏医科大学. 2016
[6]. 基于特征分析和数据降维的复杂数据预测与分类方法研究[D]. 邵臻. 合肥工业大学. 2015
[7]. 基于支持向量机的动量轮寿命预测方法研究[D]. 范俊. 国防科学技术大学. 2013
[8]. 粒子群算法及电厂若干问题的研究[D]. 李庆伟. 东南大学. 2016
[9]. 基于最小二乘支持向量机的铝电解过程建模与控制研究[D]. 阎纲. 中南大学. 2012
[10]. 基于支持向量机的锻造生产线能耗预测研究[D]. 王宏愿. 山东大学. 2017
标签：数学论文; 宏观经济管理与可持续发展论文; 支持向量机论文; 时间序列论文; 模型预测控制论文; 预测模型论文; 核函数论文; 数据建模论文; 建模软件论文; 分类数据论文; 陀螺仪论文;