本文選題：泵 + 振動��； 參考：《農(nóng)業(yè)工程學報》2017年11期

【摘要】：泵站管道振動響應信號實測比較困難,為實現(xiàn)利用較少機組數(shù)據(jù)預測管道振動狀況,提出基于粒子群(particle swarm optimization,PSO)的支持向量機(support vector machine,SVM)預測方法。利用粒子群全局跟蹤搜索算法優(yōu)化SVM核函數(shù)和懲罰因子,弱化SVM參數(shù)優(yōu)化不足導致預測精度低的問題。以景電梯級二期3泵站2號管道為研究對象,基于機組和管道的振動實測數(shù)據(jù),首先利用頻譜分析和數(shù)理統(tǒng)計方法確定管道振動的振源貢獻率,并計算機組和管道振動相關系數(shù),確定機組和管道之間的強耦合關系。然后建立泵站管道振動的PSO-SVM預測模型,選取機組不同時段振動實測數(shù)據(jù)作為輸入因子,相應時段管道振動數(shù)據(jù)作為輸出因子進行訓練和振動預測,并將管道振動預測結果與BP神經(jīng)網(wǎng)絡預測結果進行對比。與BP網(wǎng)絡神經(jīng)預測結果相比,該方法預測結果與實測值吻合度高,其平均相對誤差最大為6.8%,根均方誤差最大為0.261,預測精度更高。能夠有效實現(xiàn)管道的振動響應預測,從而達到管道實時在線安全運行監(jiān)測的目的。
[Abstract]:It is difficult to measure the vibration response signal of pumping station pipeline. In order to use less data to predict pipeline vibration, a prediction method of support vector machine (SVM) based on particle swarm optimization (PSO) is proposed. The particle swarm optimization algorithm is used to optimize the SVM kernel function and penalty factor, and to weaken the problem of low prediction precision caused by the insufficient optimization of SVM parameters. Based on the measured vibration data of the unit and pipeline, the contribution rate of pipeline vibration source is determined by spectrum analysis and mathematical statistics method. The strong coupling relationship between the unit and the pipeline is determined by the correlation coefficient between the computer group and the pipeline vibration. Then the PSO-SVM prediction model of pipeline vibration in pumping station is established. The measured vibration data of unit in different periods are selected as input factors, and pipeline vibration data in corresponding period are used as output factors for training and vibration prediction. The prediction results of pipeline vibration are compared with those of BP neural network. Compared with the BP neural network prediction results, the prediction results of this method are in good agreement with the measured values. The average relative error is 6.8. the root mean square error is 0.261, and the prediction accuracy is higher. It can effectively realize the prediction of pipeline vibration response and achieve the purpose of real-time on-line safe operation monitoring.
【作者單位】： 華北水利水電大學水利學院;
【基金】：國家自然科學基金(51679091) 華北水利水電大學研究生教育創(chuàng)新計劃基金(YK2015-02)
【分類號】：TP18;TV675

【參考文獻】

相關期刊論文 前10條

1 梁威;景博;焦曉璇;羌曉清;劉曉東;;基于進化支持向量機的機載燃油泵故障診斷及實驗研究[J];機械強度;2016年05期

2 劉曉霞;;基于有限元法分析雙層海底管道斷裂失效問題[J];管道技術與設備;2016年05期

3 陳嘯;王紅英;孔丹丹;岳巖;方鵬;呂芳;;基于粒子群參數(shù)優(yōu)化和BP神經(jīng)網(wǎng)絡的顆粒飼料質量預測模型[J];農(nóng)業(yè)工程學報;2016年14期

4 張松蘭;;支持向量機的算法及應用綜述[J];江蘇理工學院學報;2016年02期

5 肖艷;姜琦剛;王斌;李遠華;劉舒;崔璨;;基于ReliefF和PSO混合特征選擇的面向對象土地利用分類[J];農(nóng)業(yè)工程學報;2016年04期

6 張東山;張志忠;劉瑜;杜國鋒;;基于壓電阻抗方法的油氣管道裂紋損傷定量研究[J];工程力學;2016年01期

7 張建偉;江琦;朱良歡;王濤;郭佳;;基于改進HHT的泵站管道工作模態(tài)辨識[J];農(nóng)業(yè)工程學報;2016年02期

8 郭澎濤;蘇藝;茶正早;林清火;羅微;林釗沐;;基于BP神經(jīng)網(wǎng)絡的橡膠苗葉片磷含量高光譜預測[J];農(nóng)業(yè)工程學報;2016年S1期

9 陳教料;陳教選;楊將新;胥芳;沈真;;基于自加速遺傳粒子群算法的半封閉式溫室能耗預測[J];農(nóng)業(yè)工程學報;2015年24期

10 馮曉莉;仇寶云;;考慮河道輸水損失的大型泵站系統(tǒng)運行優(yōu)化[J];農(nóng)業(yè)工程學報;2015年17期

【共引文獻】

相關期刊論文 前10條

1 張建偉;江琦;劉軒然;馬曉君;;基于PSO-SVM算法的梯級泵站管道振動響應預測[J];農(nóng)業(yè)工程學報;2017年11期

2 李揚;侯加林;苑進;趙新學;劉雪美;張麗;;基于改進PSO的模糊PID高枝修剪機械臂末端抑振算法與試驗[J];農(nóng)業(yè)工程學報;2017年10期

3 孫忠富;馬浚誠;褚金翔;杜克明;鄭飛翔;;智慧農(nóng)業(yè)技術助推農(nóng)業(yè)創(chuàng)新發(fā)展,引領農(nóng)業(yè)新未來[J];蔬菜;2017年04期

4 王鴻磊;李曉東;徐平平;;模糊專家與PID混合控制的溫室高效增溫算法研究[J];現(xiàn)代電子技術;2017年08期

5 桑國慶;張雙虎;張林;宋淑馨;;基于時空分解的梯級泵站輸水系統(tǒng)運行效率計算方法與應用[J];農(nóng)業(yè)工程學報;2017年06期

6 馬慧琴;黃文江;景元書;董瑩瑩;張競成;聶臣巍;唐翠翠;趙晉陵;黃林生;;基于AdaBoost模型和mRMR算法的小麥白粉病遙感監(jiān)測[J];農(nóng)業(yè)工程學報;2017年05期

7 孫文兵;;遺傳算法降維優(yōu)化的BP模型及葡萄酒質量預測[J];邵陽學院學報(自然科學版);2017年01期

8 張建偉;王濤;曹克磊;江琦;喬鵬帥;許新勇;;基于流固耦合效應的梯級泵站輸水管道振動特性分析[J];農(nóng)業(yè)機械學報;2017年03期

9 劉舒;姜琦剛;馬s，

本文編號：1975857