基于改进相空间重构的压缩机运行状态预测
发布时间：2021-02-17 17:11
精确的状态预测对于压缩机的平稳运行至关重要,同时,振动信号能够表征绝大多数压缩机的运行状态。为提高预测精度,文中提出改进的相空间重构法和神经网络相结合的预测模型。首先利用相空间重构技术,将一维时间序列振动信号扩展到高维空间。针对传统的G-P算法中无标度区识别过于依赖人工经验的不足,提出了DBSCAN聚类与粒子群优化算法相结合的无标度区自动识别方法,并以相关性指标最大和残差平方和最小为目标建立无标度区识别优化模型,使用粒子群算法获得最优解,实现无标度区的自动识别。使用BP神经网络对重构后的振动信号进行预测。预测结果表明相空间重构后的信号预测效果更好。
【文章来源】：机械设计. 2020,37(05)北大核心
【文章页数】：7 页
【部分图文】：
直接密度可达、密度可达、密度相连间关系
对压缩机运行过程中的振动信号进行相空间重构时，采用基于G-P算法提取关联维数确定嵌入维数时，得到双对数曲线如图3所示。在进行无标度区识别前，先对数据集进行DBSCAN聚类预处理，以减少粒子群寻优算法在精确识别过程中的计算量，提高识别进程中算法的效率及准确性，减轻程序运行负担。从图3可以看出，振动信号的双对数曲线存在明显不属于无标度区的部分，且根据双对数曲线数据分布特点，这部分的数据量不容小觑。若直接对整个曲线区域进行粒子群寻优识别无标度区，增加了相当多不必要的工作量。因此，在进行相空间重构过程中，利用粒子群算法识别无标度区前，先对双对数曲线进行基于DBSCAN的聚类分析，试验结果如图4所示。
基于DBSCAN的聚类算法将双对数曲线上的数据点分为3个簇，从聚类结果可以看出，明显不属于无标度区的部分被聚在一起。为了提高算法在识别无标度区过程中的效率，可以考虑将这些明显不属于无标度区的数据进行剔除，随后再重新进行聚类，其分布曲线如图5所示。图5表明，最终确定的待识别区域，相比于图3明显更准确，为粒子群准确识别过程奠定了基础。通过DBSCAN聚类预处理后得到无标度区的待识别区域，利用无标度区识别优化模型进行粒子群算法寻优，确定无标度区的准确区域。截取粒子群寻优过程中无标度区域及相关性指标和残差平方和的部分试验结果如表1所示。迭代过程中，样本在164～576之间的相关性较高，残差平方和较小，故确定其为此次识别的无标度区。
【参考文献】：
期刊论文
[1]Hidden Phase Space Reconstruction: A Novel Chaotic Time Series Prediction Method for Speech Signals[J]. LI Jingjing,ZHANG Qijin,ZHANG Yumei,WU Xiaojun,WANG Xiaoming,SU Yuping. Chinese Journal of Electronics. 2018(06)
[2]一种含间隙并联机构动力学仿真与混沌响应分析[J]. 侯雨雷,井国宁,汪毅,曾达幸,邱雪松. 机械设计. 2018(04)
[3]基于神经网络模型的高速公路交通量短时预测方法[J]. 陈海华. 中国交通信息化. 2017(08)
[4]粒子群优化的稀疏分解在雷达目标识别中的应用[J]. 赵东波,李辉. 电子设计工程. 2017(14)
[5]基于关联维数与极端学习机的高压输电线路雷击过电压故障识别[J]. 缪希仁,林瑞聪. 高电压技术. 2016(05)
博士论文
[1]基于电力负荷时间序列混沌特性的短期负荷预测方法研究[D]. 雷绍兰.重庆大学 2005
本文编号：3038286
【文章来源】：机械设计. 2020,37(05)北大核心
【文章页数】：7 页
【部分图文】：
直接密度可达、密度可达、密度相连间关系
对压缩机运行过程中的振动信号进行相空间重构时，采用基于G-P算法提取关联维数确定嵌入维数时，得到双对数曲线如图3所示。在进行无标度区识别前，先对数据集进行DBSCAN聚类预处理，以减少粒子群寻优算法在精确识别过程中的计算量，提高识别进程中算法的效率及准确性，减轻程序运行负担。从图3可以看出，振动信号的双对数曲线存在明显不属于无标度区的部分，且根据双对数曲线数据分布特点，这部分的数据量不容小觑。若直接对整个曲线区域进行粒子群寻优识别无标度区，增加了相当多不必要的工作量。因此，在进行相空间重构过程中，利用粒子群算法识别无标度区前，先对双对数曲线进行基于DBSCAN的聚类分析，试验结果如图4所示。
基于DBSCAN的聚类算法将双对数曲线上的数据点分为3个簇，从聚类结果可以看出，明显不属于无标度区的部分被聚在一起。为了提高算法在识别无标度区过程中的效率，可以考虑将这些明显不属于无标度区的数据进行剔除，随后再重新进行聚类，其分布曲线如图5所示。图5表明，最终确定的待识别区域，相比于图3明显更准确，为粒子群准确识别过程奠定了基础。通过DBSCAN聚类预处理后得到无标度区的待识别区域，利用无标度区识别优化模型进行粒子群算法寻优，确定无标度区的准确区域。截取粒子群寻优过程中无标度区域及相关性指标和残差平方和的部分试验结果如表1所示。迭代过程中，样本在164～576之间的相关性较高，残差平方和较小，故确定其为此次识别的无标度区。
【参考文献】：
期刊论文
[1]Hidden Phase Space Reconstruction: A Novel Chaotic Time Series Prediction Method for Speech Signals[J]. LI Jingjing,ZHANG Qijin,ZHANG Yumei,WU Xiaojun,WANG Xiaoming,SU Yuping. Chinese Journal of Electronics. 2018(06)
[2]一种含间隙并联机构动力学仿真与混沌响应分析[J]. 侯雨雷,井国宁,汪毅,曾达幸,邱雪松. 机械设计. 2018(04)
[3]基于神经网络模型的高速公路交通量短时预测方法[J]. 陈海华. 中国交通信息化. 2017(08)
[4]粒子群优化的稀疏分解在雷达目标识别中的应用[J]. 赵东波,李辉. 电子设计工程. 2017(14)
[5]基于关联维数与极端学习机的高压输电线路雷击过电压故障识别[J]. 缪希仁,林瑞聪. 高电压技术. 2016(05)
博士论文
[1]基于电力负荷时间序列混沌特性的短期负荷预测方法研究[D]. 雷绍兰.重庆大学 2005
本文编号：3038286
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/3038286.html
