没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
针对现有各种非平稳非线性特征旋转机械运行状态预测方法适用性差、精度不高的难点问题,提出一种旋转机械运行状态优化组合模型变权重RBF预测方法,该方法通过对单一预测模型进行优选,对输入样本进行加权处理,采用径向基神经网络进行变权重组合模型动态建模,从而充分利用了已知的有效信息,强调了新旧信息对设备未来运行状态发展产生的不同影响.经实测数据验证,获得了比单一预测模型及定权重RBF组合预测方法精度更高的预测结果.该方法程序实现简便,预测精度高,对预测问题的适用性广.
资源推荐
资源详情
资源评论
第
39
卷第
1
期
2013
年
1
月
北京工业大学学报
JOURNAL
OF
BEIJING
UNIVERSITY
OF
TECHNOLOGY
旋转机械运行状态优化组合模型
变权重
RBF
预测方法
王吉芳
1
,
2
费仁元徐小力
2
刘
鑫
2
(I北京工业大学机械工程与应用电子技术学院,北京
100124;
2.
北京信息科技大学机电系统测控北京市重点实验室,北京
100192 )
Vo
l.
39 No.l
Jan.
2013
摘
要:针对现有各种非平稳非线性特征旋转机械运行状态预测方法适用性差、精度不高的难点问题,提出一种旋
转机械运行状态优化组合模型变权重
RBF
预测方法,该方法通过对单一预测模型进行优选,对输入样本进行加权
处理,采用径向基神经网络进行变权重组合模型动态建模,从而充分利用了已知的有效信息,强调了新旧信息对设
备未来运行状态发展产生的不同影响经实测数据验证,获得了比单一预测模型及定权重
RBF
组合预测方法精度
更高的预测结果-该方法程序实现简便,预测精度高,对预测问题的适用性广.
关键词:组合模型;变权重;状态预测;
RBF
网络
中图分类号:
TH
183;
TP
206
文献标志码
:A
文章编号:
0254
-0037(2013)01
-0007
-07
Rotating Machinery Condition Optimization Prediction Method
of
Variable Weight Combination RBF Model Research
WANG
Ji-fangl.2 ,
FEI
Ren-yuan
l
, XU
Xiao-li
2
, LIU
Xin
2
( 1.
College
of
Mechanical
Engineering
and
Applied
Electronics
Technology
,
Beijing
University
of
Technology
,
Beijing
1
∞
124
,
China;
2.
Beijing
Key
Laboratory-Measuring
and
Control
of
Mechanical
& Electrical
System
Laboratory
,
Beijing
Information
Science
and
Technology
University
,
Beijing
100192
, China)
Abstract:
In
order
to
improve
the
forecast
accuracy
and
adaptability
for
rotating
machinery
working
conditions
with
unsteady
and
nonlinear
features
,
an
optimization
prediction
method
of
variable
weight
RBF
combination
model
was
suggested.
This
model
was
built
based
on
variable
weight
RBF
network.
The
samples
were
weighted
according
to
the
time
to
output
and
the
combined
models
were
selected
according
to
the
average
relative
error
while
the
model
buil
t. As a
result
,
the
sufficient
effective
information
was
used
,
and
the
fact
that
new
and
old
information
taking
different
effect
on
the
future
state
was
stressed.
The
method
was verified
by
measured
data.
The
accuracy
of
variable
weight
RBF
combination
forecasting
method
was
better
than
single
RBF
model
and
single
weight
combination
forecasting
methods.
This
method
is
simple
to
program
and
more
adaptable
on
prediction
with
high
farecast
accuracy.
Key
words:
model;
variable
weight;
condition
prediction;
RBF
network
1969
年
Bata
和
Granger
提出了"组合预测,,
[1]
的思想,认为不同的预测模型有着不同的适用范围
收稿日期:
2011-05-08.
基金项目:国家自然科学基金资助项目
(50975020)
.
和优势,从信息的利用角度看,为了扬长避短,尽可
能地改善系统的预测性能,提高预测精度,将对同一
作者简介:王吉芳
(1963-)
,女,教授,主要从事机电系统自动化技术研究、机械设备故障监测及诊断方面的研究,
E-mail:
叫
fzz
@ sina.
com.
8
北京工业大学学报
2013
年
问题的不同预测模型按一定方式进行组合,从而给
出更好的预测结果,就是组合预测.
组合预测方法的关键是要寻找各单项方法预测
结果对最终预测结果的影响关系,即各单项预测方
法的权系数.目前,在确定权重时主要有定权系
数[川]和变权系数
2
种方法
[7-9J
显然,不同的预测
方法对于不同的预测问题会表现出不同的预测能
力.有的方法对瞬态变化敏感,适于中短期预测;有
的方法善于把握长期趋势,表现出优越的中长期预
测能力.对复杂的非线性问题,如果将权系数设定
为常值,就无法适应非平稳的复杂变化,无法获得最
佳预报效果.
在变权系数方法中,文献
[7J
采用
BP
神经网络
进行组合模型的权值训练,通过在
BP
网络前增加
预处理层来考虑不同模型权重随着单项预测误差的
改变而变化的变权重思想,但
BP
神经网络需要大
量的样本进行训练,且存在局部极小值问题.文献
[8
J
给出了逐点外推和回归法
2
种确定组合模型权
值的方法,但逐点外推法的取值相当于等权分配法,
而回归法的应用要求观测样本量较多,且要求各单
项预测方法在时点序列上的权系数具有一定规律
性.文献
[9
J
在
2
个单项模型预测的基础上,利用
RBF
进行了组合模型建模,但文中采用模型拟合段
数据作为
RBF
模型的输入进行建模,而不是根据单
项模型的预测能力进行组合模型的训练建模,方法
上存在不足[
10J
1
组合模型的优化
尽管目前已经研究了很多线性和非线性预测模
型,但由于预测问题的复杂性和多样性,不可能找到
一种可以解决所有预测问题的预测方法,不同的预
测方法有其不同的预测性能,为了提高组合模型的
通用性,可以将适合不同规律预测的尽可能多的单
项预测模型放到模型库中,但在进行组合预测时,并
不是参与组合的单项模型越多越好[
6J
即不需要将
所有的单项预测模型都放到组合中,应该根据各种
模型的特点,将适用于求解问题的模型放到组合当
中.如果将不适应的模型强行放到组合方法中,势
必将错误的数据(信息)引入到建模过程,这样只能
增加模型的不可靠性,甚至是建立了错误的模型,因
此,组合模型建模时,必须对模型库中的模型(参与
组合的模型)进行优选,将不适用的单项模型予以
剔除.
尽管在单项方法建模过程中,经过模型的适用
性检验或样本的拟合,但各单项模型对预测问题的
适用程度不一样,在拟合阶段精度很高的模型,在预
测阶段却可能并不适合,提出组合预测的目的就是
要通过对单项预测结果不满意的模型进行组合,使
其得到满意的预测结果,所以,严格地进行模型适应
性检验的意义在这并不重要.本文提出,为了增加
组合预测的适用范围,应该在预测初期针对被预测
问题的特点,建立
3
种以上的单项模型,以覆盖问题
的各种变化趋势(如果问题并不复杂,变化趋势比
较固定,也可以少建单项模型)
,对于有
3
种以上单
项模型的组合模型,按以下步骤进行模型的优化
选择:
1
)建立模型的优化目标
根据待预测问题的
要求,预先设定一个合适的平均相对误差阔值.1
0
,
当然,这个阔值并不是待预测问题的期望平均误差
阔,而是大于期望的预测平均相对误差阔.因为组
合预测方法会使得其真实的预测精度高于参与组合
的各单项预测的精度.
平均相对误差的公式为
MAPE
=毛步阵主(1)
川凭吁
Yi
2)
模型优选
分别用各单项模型预测组合模
型训练段的数据,计算预测段(与组合模型训练数
据段实际值相比)的平均相对误差,对模型进行优
选.优选时,大于平均相对误差阔值的单项模型可
以从组合中剔除.如经过剔除后所剩模型数量大于
3
个,则进一步进行模型优选,将平均相对误差最大
者的模型从组合模型中剔除,最终保留
2
-
3
种(本
文保留
3
种)相对适合的模型.如剔除后所剩模型
数量小于等于
3
个,可以保留平均相对误差最小的
3
种模型.
经过以上
2
个步骤,完成组合模型的优化过程.
2
变权重
RBF
神经网络架构的思想及数学
模型
变权重
RBF
神经网络
[11J
是在传统
3
层前馈
RBF
神经网络的基础上变化而来,其拓扑结构如图
1
所示.从结构上看,它与传统的
3
层前馈
RBF
神
经网络的区别是输入层和隐含层之间增加了联接权
关系队
(q)
.
对于输入层,各节点输入值由外界传人,其输
出为
正;
(q)
=
ω
p(q)x
ρ
(q)
(2)
剩余6页未读,继续阅读
资源评论
weixin_38529397
- 粉丝: 5
- 资源: 938
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 【完整源码+数据库】 SpringBoot集成Spring Security实现角色继承
- LabVIEW练习40,用labvIEW做一个循环闪烁指示灯,要能够在前面板调节周期和占空比
- 【完整源码+数据库】 SpringBoot集成Spring Security实现权限控制
- #-ssm-048-mysql-在线读书与分享论坛-.zip
- vgg16.weight
- #-ssm-053-mysql-疫情冷链追溯系统-.zip
- 【完整源码+数据库】SpringBoot集成Spring Security入门程序并实现自动登录
- 200_net_G_A.pth
- BiTCN-BiLSTM-Attention双向时间卷积双向长短期记忆网络注意力机制多变量回归预测(Matlab完整源码和数据)
- 【完整源码+数据库】 SpringBoot集成Spring Security实现异常处理+自定义表单登录使用Filter验证
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功