發(fā)布時(shí)間：2018-06-04 04:14

  本文選題：泵 + 振動(dòng)�。� 參考：《農(nóng)業(yè)工程學(xué)報(bào)》2017年11期

【摘要】：泵站管道振動(dòng)響應(yīng)信號(hào)實(shí)測(cè)比較困難,為實(shí)現(xiàn)利用較少機(jī)組數(shù)據(jù)預(yù)測(cè)管道振動(dòng)狀況,提出基于粒子群(particle swarm optimization,PSO)的支持向量機(jī)(support vector machine,SVM)預(yù)測(cè)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(dǎo)致預(yù)測(cè)精度低的問題。以景電梯級(jí)二期3泵站2號(hào)管道為研究對(duì)象,基于機(jī)組和管道的振動(dòng)實(shí)測(cè)數(shù)據(jù),首先利用頻譜分析和數(shù)理統(tǒng)計(jì)方法確定管道振動(dòng)的振源貢獻(xiàn)率,并計(jì)算機(jī)組和管道振動(dòng)相關(guān)系數(shù),確定機(jī)組和管道之間的強(qiáng)耦合關(guān)系。然后建立泵站管道振動(dòng)的PSO-SVM預(yù)測(cè)模型,選取機(jī)組不同時(shí)段振動(dòng)實(shí)測(cè)數(shù)據(jù)作為輸入因子,相應(yīng)時(shí)段管道振動(dòng)數(shù)據(jù)作為輸出因子進(jìn)行訓(xùn)練和振動(dòng)預(yù)測(cè),并將管道振動(dòng)預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。與BP網(wǎng)絡(luò)神經(jīng)預(yù)測(cè)結(jié)果相比,該方法預(yù)測(cè)結(jié)果與實(shí)測(cè)值吻合度高,其平均相對(duì)誤差最大為6.8%,根均方誤差最大為0.261,預(yù)測(cè)精度更高。能夠有效實(shí)現(xiàn)管道的振動(dòng)響應(yīng)預(yù)測(cè),從而達(dá)到管道實(shí)時(shí)在線安全運(yùn)行監(jiān)測(cè)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(xué)水利學(xué)院;
【基金】：國家自然科學(xué)基金(51679091) 華北水利水電大學(xué)研究生教育創(chuàng)新計(jì)劃基金(YK2015-02)
【分類號(hào)】：TP18;TV675

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 梁威;景博;焦曉璇;羌曉清;劉曉東;;基于進(jìn)化支持向量機(jī)的機(jī)載燃油泵故障診斷及實(shí)驗(yàn)研究[J];機(jī)械強(qiáng)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(shù)與設(shè)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(luò)的顆粒飼料質(zhì)量預(yù)測(cè)模型[J];農(nóng)業(yè)工程學(xué)報(bào);2016年14期

4 張松蘭;;支持向量機(jī)的算法及應(yīng)用綜述[J];江蘇理工學(xué)院學(xué)報(bào);2016年02期

5 肖艷;姜琦剛;王斌;李遠(yuǎn)華;劉舒;崔璨;;基于ReliefF和PSO混合特征選擇的面向?qū)ο笸恋乩�用分類[J];農(nóng)業(yè)工程學(xué)報(bào);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(xué);2016年01期

7 張建偉;江琦;朱良?xì)g;王濤;郭佳;;基于改進(jìn)HHT的泵站管道工作模態(tài)辨識(shí)[J];農(nóng)業(yè)工程學(xué)報(bào);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(luò)的橡膠苗葉片磷含量高光譜預(yù)測(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);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(yù)測(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);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(yùn)行優(yōu)化[J];農(nóng)業(yè)工程學(xué)報(bào);2015年17期

【共引文獻(xiàn)】

相關(guān)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(jí)泵站管道振動(dòng)響應(yīng)預(yù)測(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);2017年11期

2 李揚(yáng);侯加林;苑進(jìn);趙新學(xué);劉雪美;張麗;;基于改進(jìn)PSO的模糊PID高枝修剪機(jī)械臂末端抑振算法與試驗(yàn)[J];農(nóng)業(yè)工程學(xué)報(bào);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(shù)助推農(nóng)業(yè)創(chuàng)新發(fā)展,引領(lǐng)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(shù);2017年08期

5 桑國慶;張雙虎;張林;宋淑馨;;基于時(shí)空分解的梯級(jí)泵站輸水系統(tǒng)運(yùn)行效率計(jì)算方法與應(yīng)用[J];農(nóng)業(yè)工程學(xué)報(bào);2017年06期

6 馬慧琴;黃文江;景元書;董瑩瑩;張競(jìng)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(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);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(zhì)量預(yù)測(cè)[J];邵陽學(xué)院學(xué)報(bào)(自然科學(xué)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(yīng)的梯級(jí)泵站輸水管道振動(dòng)特性分析[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2017年03期

9 劉舒;姜琦剛;馬s，

本文編號(hào)：1975857