全文文献 工具书 数字 学术定义 翻译助手 学术趋势 更多
搜索帮助
意见反馈
返回首页
共搜索到相关记录 600 条,本页显示第 1 - 10 条
 
本次模拟计算模型共划分为902个节点,941个单元,在本次有限元分析中,采用四节点四边形单元和三节点三角形单元,以钻探和探槽资料所得汛而具有更大的输出误差。表 1 不同的参数组合对虚拟传感器品质的影响参数序号发电机功率主汽温主气压一抽汽温一抽汽压高排温度高排压力真空调节级压力高压第一级金属温度三抽汽温三抽汽压阀门开度1阀门开度2参数个数平均相对误差( %)11111111111111114 0 .2 02 1111111110 111113 0 .1693 11111111110 10 112 0 .10 84111110 111110 1112 0 .13 7  注 :1表示对应的参数被选取 ,0表示对应的参数不取。2 遗传算法优选虚拟传感器的输入参数组合有很多 ,如果有n个相关参数 ,其组合数为 2 n- 1 ,1 4个相关参数就有 2 14 - 1 =1 6383个参数组合。在如此庞大的搜索空间中寻求最优解或准最优解 ,对于常规方法和现有的计算工具而言存在着诸多的困难 ,借助遗传算法的全局搜索能力是很自然的想法。遗传算法是模拟自然界生物进化过程的计算模型 ,是一种现代优化计算方法 ,其基本思想是 :首先通过编码操作将问题空间映射到编码空间(如 [0 ,1 ]) ,然后在编码空间内进行选择、交叉、变异 3种操作及其循环迭代操作 ,模拟生物遗传进化机制 ,搜索编码空间的最优解 ,最后逆映射到原问题空间 ,从而得到满足要求的原问题的最优解。选择操作模拟了个体之间和个体与环境之间的生存竞争 ,优良个体有更多的生存繁殖机会。在这种选择压力作用下 ,个体之间通过交叉、变异等遗传操作进行基因重组 ,期望得到更优秀的后代个体在这场竞争中胜出。遗传算法实现全局并行搜索 ,搜索空间大 ,并且在搜索过程中不断地向可能包含最优解的方向调整搜索空间 ,以便寻找到最优解或准最优解 ,它比其它搜索方法 ,如随机查找、梯度下降、模拟退火等简单且鲁棒性强。遗传算法的流程图如图 2所示 ,其实施一般遵循以下步骤 :图 2 遗传算法的流程图   ( 1 )随机产生初始种群 ,个体数目一定 ,每个个体表示为染色体的基因编码 ;( 2 )计算个体的适应度 ,并判断是否符合优化准则 ,若符合 ,输出最佳个体及其代表的最优解 ,并结束计算 ;否则转向第 ( 3)步 ;( 3)依据适应度选择再生个体 ,适应度高的个体被选中的概率高 ,适应度低的个体可能被淘汰 ;( 4 )按照一定的交叉概率和交叉方法 ,生成新的个体 ;(5 )按照一定的变异概率和变异方法 ,生成新的个体 ;( 6)由交叉和变异产生新一代的种群 ,返回到第 ( 2 )步。本文群体大小取 80 ,终止进化代数为 30 0 ,交叉概率为 0 .75 ,变异概率为 0 .0 2 ,利用遗传算法进行输入参数优选的结果如表 2所示。表 2 虚拟传感器输入参数优选结果参数序号发电机功率主汽温主气压一抽汽温一抽汽压高排温度高排压力真空调节级压力高压第一级金属温度三抽汽温三抽汽压阀门开度1阀门开度2参数个数平均相对误差( %)110 1111111110 0 0 10 0 .0 972 110 10 10 110 110 0 90 .10 73 11110 10 111110 0 10 0 .11541110 0 10 1111110 10 0 .14 55 111110 0 110 10 0 0 80 .15 26110 0 110 1110 0 0 180 .166  注 :1表示对应的参数被选取 ,0表示对应的参数不取。  由表 2可以看出 :优选的 6组输入参数都少于1 4个 ,但输出误差却比 1 4个输入参数的输出误差小。有些强相关参数如发电机功率、真空和调节级压力在优选的 6组参数组合中都被选中 ,说明它们与调节级后汽温的关联性比其他的参数要强。为验证本文方法的有效性 ,在上述 1 4个输入参数之外追加 3个经验认为相关性较弱的参数 :转速、1号低压加热器出水温度 (凝汽器后 )和主汽流量 ,利用上述方法对这 1 7个参数进行优选 ,结果发现 :追加的 3个参数全部被舍弃 ,优选结果与表 2完全相同 ,而且转速参数总是最先被舍去。分析指出 :由于学习和仿真的样本均处于升负荷过程 ,转速一直维持在 30 0 0转左右 ,与调节级汽温的变化基本不相关 ,此外 ,给水流经 1号加热器 ,通过复杂的锅炉汽水系统后才进入汽机 ,其温度的变化特征相对于调节级后汽温而言已非强相关 ;而主汽流量参数所代表的信息已经反映在 2个阀门开度信号上 ,也可列入弱相关参数之列。DDAG结构运算相当于一个表操作。在初始状态下 ,分类对象所有可能的类别按照一定顺序排列在表单中。分类时 ,每次对表单中的首尾 2个类别进行比较 ,并排除掉分类对象最不可能属于的类别 ,从而使表单中的类别数减少 1 ,依次类推 ,那么当经过 N - 1次排除之后 ,表单中唯一剩下的一类就是该分类对象所属的类别。在 DDAG算法训练中 ,只需对各个子分类器进行训练 ,通过最大化 DDAG结构中的二值子分类器的分类间隔 ,即可以使得分类的一般错误率降低。DAGSVM采用排除法进行分类 ,每经过一次子分类器的运算 ,都排除掉最不可能的类别 ,使得误分的可能性降低。DDAG结构与树状结构不同 ,它具有冗余性 ,同一类别的分类个体 ,分类路径可能不同。这种方法与一般的决策树方法相比 ,更易于计算 ,且学习效果也更好。3  DAQSVM在汽轮发电机组振动故障诊断中的应用3.1  DAGSVM构成图 2  5类 DA GSVM拓扑结构  汽轮发电机组典型的故障类型 [8] 分别是不平衡、碰磨、不对中、松动和油膜 (震荡 )故障共 5类。设计 5× ( 5 - 1 ) /2 =1 0个两类分类器 ,分别用于将其中任两类故障两两分开 ,按图 2方式构成DAGSVM拓扑结构。故障数据从模拟转子实验台获得 ,从中选取 5组已知类别的故障样本共 80个进行训练。信号以频谱分析为基准 ,采集数据经过归一化作为输入征兆 ,对样本进行 DAGSVM计算 ,取支持向量机核函数为径向基函数K( Xj,Xj) =exp - | Xi - Xj| 2σ2d其中 Xi,Xj为训练输入 ,σ为核函数宽度。3.2 σ值的选取  样本的输出响应区间取决于σ的选择 ,σ越小 ,响应区间越窄 ,得到的分类面经验风险会越小 ,但是结构风险越大 ;σ越大 ,响应区间越宽 ,得到的分类面结构风险越小 ,表现为函数曲线越光顺 ,但是经验风险会越大。所以选择合适的宽度参数需要在这两者之间进行权衡。σ的值可以在训练过程中根据样本确定 ,这里提出了基于错分样本数的变增量迭代算法。具体步骤为 :( 1 )取较小的初值 σ1进行训练得到初始分类面 ;( 2 )将样本重新送入训练网络 ,遍历全部样本 ,将输出结果与样本实际类别比较 ,构造分类结果矩阵 [rij],其中 rij( i,j=1 ,2 ,… ,c)表示将第 i类故障分到第 j类的个数 ,rij( i=1 j)为正确分类数 ,若存在 rij>0 ,( i≠j)则说明存在错分情况 ,rij( i,j=1 ,2 ,… ,c)即为错分样本数 ;( 3)取 σk+ 1=σk+ ( e/n) * σk,其中 e为错分样本总数 ,e=∑i,j=ci,j=1,i≠ jrij,n为样本总数 ,转至步骤 2 ,进行变增量迭代运算 ,再次对样本训练 ,直到分类精度达到系统要求为止。3.3 仿真结果训练结束后 ,再利用模拟转子实验台得到新的测试故障样本对 DAGSVM算法进行考试 ,测试样本数据示于表 3。表 3 测试故障样本数据序号 征兆A B C D E F G H I 故障类型10 .0 40 40 .0 0 2 3 0 .0 0 2 3 0 .0 10 80 .7764 0 .10 0 40 .0 2 790 .0 2 790 .0 113不平衡2 0 .0 3 70 0 .0 0 15 0 .0 0 0 90 .0 12 70 .7885 0 .0 8180 .0 3 490 .0 3 490 .0 0 77不平衡3 0 .0 5 12 0 .0 0 2 60 .0 0 2 2 0 .0 1840 .75 790 .0 93 80 .0 3 3 70 .0 3 3 70 .0 0 5 9不平衡40 .0 65 3 0 .0 7890 .0 7890 .43 65 0 .14 5 80 .0 3 740 .0 5 45 0 .0 185 0 .0 83 7碰 磨5 0 .0 1110 .0 0 2 70 .0 0 2 70 .0 163 0 .7493 0 .12 3 90 .0 43 2 0 .0 43 2 0 .0 0 72碰 磨60 .0 0 760 .0 0 3 70 .0 0 410 .0 0 72 0 .782 5 0 .0 6870 .0 5 60 0 .0 5 60 0 .0 13 8碰 磨70 .0 0 880 .0 0 2 70 .0 0 2 10 .0 3 0 3 0 .7112 0 .16980 .0 2 970 .0 2 970 .0 15 7碰 磨80 .0 0 3 3 0 .0 0 13 0 .0 0 12 0 .0 0 3 0 0 .85 92 0 .0 9910 .0 14 80 .0 14 80 .0 0 43不对中90 .0 0 45 0 .0 0 14 0 .0 0 14 0 .0 0 5 3 0 .5 12 40 .2 5 980 .10 0 70 .10 0 70 .0 13 8不对中10 0 .0 0 2 0 0 .0 0 160 .0 0 160 .0 0 14 0 .77670 .0 75 90 .0 60 90 .0 610 0 .0 188不对中110 .0 3 160 .0 14 5 0 .0 14 5 0 .0 75 40 .410 0 0 .12 2 60 .15 5 3 0 .15 5 10 .0 2 10松动12 0 .0 3 110 .0 2 5 70 .0 2 5 70 .14 190 .3 444 0 .1685 0 .12 2 5 0 .12 2 5 0 .0 176松动13 0 .0 3 960 .0 0 860 .0 0 860 .0 1990 .760 10 .0 5 13 0 .0 5 3 3 0 .0 5 3 3 0 .0 0 5 4松动14 0 .0 2 44 0 .0 0 85 0 .0 0 5 10 .0 1840 .80 0 0 0 .0 4660 .0 45 40 .0 45 40 .0 0 61松动15 0 .0 2 0 5 0 .3 2 42 0 .3 2 42 0 .162 40 .0 4740 .0 7990 .0 1860 .0 1860 .0 0 42油膜160 .0 5 75 0 .2 72 40 .2 72 40 .160 3 0 .2 12 90 .0 0 95 0 .0 0 740 .0 0 490 .0 0 2 8油膜170 .0 0 3 80 .3 9960 .3 9960 .0 5 690 .0 675 0 .0 2 790 .0 2 0 0 0 .0 2 0 0 0 .0 0 45油膜  频域征兆 :A:( 0 .0 1-0 .3 9) f1 ;B:( 0 .40 -0 .49) f1 ;C:0 .5 f1 ;D:( 0 .0 1-0 .3 9) f1 ;E:1f1 ;F:2 f1 ;G:( 3 -5 ) f1 ;H:oddf1 ;I:>5 f1 ;其中 f1 为转速工频。  最终的分类结果矩阵为3 0 0 0 00 4 0 0 00 0 3 0 00 0 0 4 00 0 0 0 3  仿真输出结果表明 :错分样本总数 e为 0 ,应用 DAGSVM算法可以正确且有效地诊断多类汽轮机故障。4 讨论与建议汽轮发电机组热力系统中的各个热力参数都不是孤立的 ,一般都会与其它参数互相关联。这种相关性反映了热力系统中各个设备、各个过程的客观规律。本文利用此规律 ,以调节级后汽温为例建立了虚拟传感器 ,并且阐述了基于遗传算法的输入参数优选 ,可以用于电站实时控制系统中对重要信号的在线校验。建模过程中没有针对建模对象提出特别的要求 ,因而具有广泛适用性 ,在机组性能分析等系统中也可以实现充分的利用。参数相关性强弱的判别没有既定的规则 ,参数的不同组合也会产生迥异的效果 ,并非输入参数选择的越多越好 ,也非所有的强相关参数组合在一起就是最佳选择。设计虚拟传感器时可以根据经验确定出候选的相关参数集 ,利用本文方法进行优选 ,得出最佳的参数组合基于遗传算法的虚拟传感器输入参数的优选@赵瑜$武汉大学动力与机械工程学院!武汉430072新华控制工程有限公司,上海200245 @周宇阳$新华控制工程有限公司!上海200245 @胡念苏$武汉大学动力与机械工程学院!武汉430072汽轮发电机组;;神经网络;;虚拟传感器;;输入参数优化;;遗传算法为了解决在汽轮发电机组实时监测系统中采集参数偏移和失效的问题,提出以神经网络为仿真手段建立虚拟传感器的技术并以汽轮机调节级后汽温为例,讨论了其品质因输入参数组合不同而异的特性,进而引入遗传算法进行优选,以确定最优的输入参数组合。图2表2参3[1]闻 新,等.MATL AB神经网络应用设计[M].科学出版社,2000. [2]周 明,孙树栋.遗传算法原理及应用[M].国防工业出版社,1999. [3]王小平,曹立明.遗传算法——理论、应用与软件实现[M].西安交通大学出版社,2002.
源自:   《》
进化间歇 期的测定方法如下:从进化的每一代中搜索出最优解作为当前的全局最优解,判 定当前的全局最优解同历史最优解的优劣,如果优于历史最优解,则以当前最优 解取代历史最优解;如果当前全局最优解没有超过历史最优解,则将进化间歇期 加1。
源自: 遗传算法在天线匹配网络设计中的应用  《大连海事大学硕士学位论文》2000
图5是全局最优极化、局部最优极化和信号匹配极化的比较,全局最优极化在干噪比高达15db时,仍能获得较好的效果口局部最优极化在信号与干扰较近时效果差,在相距较远时效果要好些,而信号的共扼(匹配)极化接收则在干扰较大时接收效果很差.5小圆局部最优极化 当2e给定时,d是zr的一维有界周期函数,周期为2二,故d存在最大值,可得到局部最优解。
源自: 极化椭圆参数与最优接收极化  《2003年通信理论与信号处理年会》2003
由于无法预知函数各个局部极值(包括全局最优解)的位置,也无法预知局部极值间的距离以及离全局最优解最近的局部极值与全局最优解间的距离,因此无法选取合适的高斯变异算子标准差0σ使其既能大到足够使个体产生大的变异从局部极值点逃逸,又能小到使个体产生小的变异,在全局最优解附近以高的精度逼近最优解。
源自: 基于遗忘策略的双群进化规划算法  《数据采集与处理》2005年03期
4.4最优保存策略 为防止最优个体在选择、交叉和变异等遗传操 作过程中编码发生变化或丢失,最优保存策略是一 种行之有效的方法,同时,采用最优个体保存策略 的遗传算法更容易收敛到最接近全局最优解的范 围。
源自: 基于改进遗传算法的屏蔽纵向梯度线圈设计  《湖北省电工技术学会2004年学术年会》2004
但是,如果信号和干扰恰好落在接收天线的极化轨道上,即当民一“一0时,局部最优历题就等效于全局最优问题,这时有:这时又_恰好既是这条极化轨道上的局部最优极化,同时也是全局最优极化*‘。
源自: 极化轨道约束下的最优极化(一)  《微波学报》1997年01期
其中 卜碑长︸.厂到 二华︸堵分五有1个全局最优点和24个局部最优点,最优点排列稀疏、领域小,要求算法具有很强的搜索能力;乃有4个全局最优点,32个局部最优点,最优点分布密、函数值差别大,常规算法不易获得所有的局部最优解。
源自: 基于人工免疫系统的函数优化及其在复杂系统中的应用...  《浙江大学博士学位论文》2004
3.5算法的保优策略 对于标准遗传算法,业己证明其不能够以概 率1收敛到全局最优解,故在混合遗传算法的设 计中采用保优策略,即在世代进化过程中保留了 当前所能搜索到的最优个体,并在每一代种群进 行遗传操作之前,均用最优个体替换差于它的本 代最差个体。
源自: 基于混合遗传算法的FMS负荷分配问题研究  《2005亚洲国际过程自动化技术与装备展览会》2005
而图 b 的算法由于加入本文提出的回温退火策略,10 次都能跳出局部最优找到最优解,可见回温退火策略的加入,可使算法设置的初始温度不是很高,终止条件不是小于某个足够小的正数时,也能跳出局部最优很容易的找到全局最优解,从而间接的提高了优化效率。
源自: 热工控制系统的智能优化整定技术研究  《华北电力大学(北京)硕士学位论文》2005
但通过实验发现 ,局部最优一般出现在全局最优的 5 0 %处 ,再次发生的局部最优一般出现在前一次局部最优处理完毕 ,合适度下降并回升再次达到 5 0 %时发生。
源自: 遗传编程局部最优化问题分析  《计算机应用与软件》2003年12期
 
 
中国经济社会发展统计数据库
中国统计年鉴(资料)及最新经济运行数据收录最齐全、功能最先进的统计数据挖掘分析平台...
http://tongji.cnki.net/


CNKI历史上的今天
搜索人物生平,事件始末,历史脉络...
http://history.cnki.net/


 
 
首页上页下页末页  / 60
相关数字:
 
全局工商税全局覆盖率全局地方税全局办公费全局工作量
全局客流量全局管理费全局储量全局车费更多数字知识 >>
 
CNKI主页 设CNKI数字搜索为主页 | 收藏CNKI数字搜索| 网络统计数据资源导航
  2010 CNKI-中国知网
京ICP证040431号 京ICP证040441号 互联网出版许可证