混合核函数在线支持向量机在甲醇合成中的应用

针对甲醇生产过程中高度的非线性和时变性,采用精确在线支持向量机模型预测粗甲醇的转化率。在线支持向量机模型一般采用单一的核函数,混合核函数可以弥补单一核函数的不足,提高模型的泛化能力和学习能力。为了使模型的预测精度进一步提高,在混合核函数的基础上运用在线误差校正方法。将基于混合核函数和误差校正的在线支持向量机建模方法应用在煤制甲醇数据上,通过与传统支持向量机和准确在线支持向量机模型对比,仿真实验和分析结果表明改进的在线支持向量机模型比传统支持向量机预测精度高,能够实现粗甲醇转化率的实时预测,从而更好的指导甲醇生产。     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于支持向量机和深度信念网络的短期光伏发电预测方法

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

规则的多核学习支持向量回归算法

核函数的选择与数据分布信息密切相关,为了避免单一核函数选择的盲目性,提高支持向量回归机的性能,提出一种基于规则的多核支持向量回归算法。算法采用基于加法规则或基于乘法规则来获取多核,增强了核函数的非线性和多样性,进而进行多核学习。UCI数据集上的实验结果表明,与传统的支持向量回归机相比,所提算法能有效提高模型的预测精度和泛化性能,有着更为客观的优势;对比基于加法规则和基于乘法规则的多核学习算法的实验预测结果,可知两者的预测精度和模型稳定性基本相当,证实了所提算法的有效性。     

基于MIC和改进Bagging-GPR的刀具磨损预测

为实现刀具磨损的准确预测，对加工过程的换刀和参数优化提供指导，提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法，建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号，运用时域、小波包分解和经验模态分解提取切削力信号特征，并利用MIC分析特征与刀具磨损的相关度来实现特征选择，避免预测模型的“维数灾难”。为提高预测模型的精度，考虑高斯子模型内部核函数的差异性及准确性，利用Bagging对高斯核函数进行随机组合，作为各子模型的核函数，构建改进的Bagging-GPR模型实现刀具磨损值预测，并基于铣削实验数据验证了所提方法的有效性和优异性。     

一种分段在线支持向量回归算法

针对在线支持向量回归算法在提高时间序列预测执行效率的同时,其预测精度会有所下降的问题,提出一种分段在线支持向量回归的时间序列预测方法,通过缩减在线建模数据长度实现快速训练,并对在线支持向量回归模型进行分段存储,根据预测数据与子分段模型的匹配度,选取最优子分段模型预测输出,从而提高在线算法预测精度。通过对黑龙江移动通信话务量时间序列数据的实验结果表明,该算法既很好地保持了在线预测方法的运行效率,又通过分段使预测精度提高了5%～10%。     

基于ELMD能量熵与AFSA-SVM的行星齿轮箱关键部件故障诊断研究

针对行星齿轮箱振动信号复杂时变调质特点使其"难表征",致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解(Ensemble local mean decomposition,ELMD)的能量熵与人工鱼群算法(Artificial fish swarm algorithm,AFSA)寻找支持向量机(Support vector machine,SVM)最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数(Product function,PF)。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。     

加法规则的多核学习在甲醇合成中的应用

对粗制甲醇的化学转化过程进行了研究,针对甲醇生产过程中工艺参数与产品质量之间非线性和时变性的问题,为了更好地预测甲醇产率,提出了一种加法规则的多核学习支持向量回归机算法。所提算法依据正定核函数的构造原理,采用将基本核函数进行相加的规则来组合多核函数,进而,建立多核学习支持向量回归机的甲醇合成转化率预测模型。甲醇数据的实验结果表明,对比传统支持向量回归机模型,所提出的加法规则的多核学习模型的甲醇转化率预测精度更优,可以更好地指导甲醇合成。     

自适应双层果蝇相关向量机起重机当量载荷谱预测方法

起重机载荷谱是其疲劳剩余寿命计算和安全评估的主要影响因素之一。针对载荷谱的随机性、不确定性及数据样本有限的问题,提出自适应双层果蝇相关向量机(ADRVM)的起重机当量载荷谱预测方法。以混合核函数为基础,将自适应步长的果蝇算法直接应用于相关向量机(RVM)核参数的优化选择中,同时为避免人为因素的影响,提出自适应双层果蝇算法对自适应步长的附加参数进行选取,从而克服了单一核函数下RVM的局限性,解决了自适应步长引起的附加参数的选取没有理论公式和有效依据的问题,提高了预测精度与鲁棒性。用ZLJ5551JQZ110V汽车起重机的小样本载荷谱对提出的方法进行验证。结果表明,在训练特性及预测精度方面,所提方法均优于粒子群优化算法的相关向量机、v-SVRM和LMBP神经网络。     

基于极限学习机的板形预测模型

高效地建立起板形模型有利于提高板带轧制过程中的板形精度和有效实现板形控制。提出了一种基于极限学习机(ELM)的板带轧制过程中板形预测模型,不但可以简化参数选择过程,在核函数选择上可以根据训练样本值自动选择无须手动选择,而且可以提高模型的训练速度。结合铝板带四连轧机组在线实测数据进行模型训练,实现对轧制过程板形的预测且得到实验验证。本算法与支持向量机(SVM)模型预测对比,在训练样本数量较少的情况下,模型预测精度都能达到期望精度值,且具有同样甚至更高的预测精度,还具有急速的特点和更强的泛化能力。     

基于循环多核相关熵的故障检测方法及应用* .txt

摘要：针对传统基于二阶统计量的循环平稳信号处理方法不能有效处理脉冲噪声干扰的问题,提出了一种基于循环多核相关熵的故障检测方法。首先,给出了多核相关熵的定义,推导了循环多核相关熵函数和循环多核相关熵谱密度函数计算公式,分析了循环多核相关熵的降噪机理;其次,用仿真信号验证了在低噪声比（SNR=-5）情况下循环多核相关熵的降噪性能,表明了循环多核相关熵不仅能有效抑制高斯噪声,而且能有效抑制非高斯噪声,循环多核相关熵为高斯、非高斯噪声的处理提供了一种鲁棒性处理方法;最后,将循环多核相关熵方法应用于齿轮箱齿轮齿面磨损故障诊断,实验结果表明：循环多核相关熵具有解调功能,能准确刻画齿轮齿面磨损故障的频谱特征,可有效提取淹没在强噪声环境中的微弱信号,提高了信噪比,证明了此方法为一种齿轮故障诊断的有效方法。 .txt     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

基于油液监测的风机主齿轮箱磨损预测

针对风电机组主齿轮箱运行过程中因润滑不良导致异常磨损等故障的问题,提出偏最小二乘回归分析(PLS)方法来处理油液监测数据,并采用灰色等维递补模型进行故障预测.通过对油液监测数据中的运动黏度、酸值和铜元素、硅元素、锌元素、磷元素以及铁元素含量进行数据初值化与主成分提取,构建PLS模型并进行数据拟合分析.结果表明:运用偏最...     

Subspace-based gearbox condition monitoring by kernel principal component analysis

Feature extraction is a key step for gearbox condition monitoring. The statistical features of the measured vibrations can be used to characterise gearbox conditions; however, their regularity and sensitivity in pattern space are different and may vary considerably under different operating conditions. This paper addresses the non-linear feature extraction scheme from the time-domain features with wavelet packet preprocessing and frequency-domain features of the vibration signals using the kernel principal component analysis (KPCA). Then two different KPCA-based subspace structures are constructed for representing and classifying the gearbox conditions. The proposed methods can extract the non-linear features of gearbox conditions using KPCA effectively, and perform conveniently with low computational complexity based on subspace methods. Experimental analysis with a fatigue test of an automobile transmission gearbox shows that the KPCA features outperform PCA features in terms of clustering capability, and both the two KPCA-based subspace methods can be effectively applied to gearbox condition monitoring.     

Tool wear prediction considering uncovered data based on partial least square regression

Tool wear prediction plays an important role in guaranteeing the workpiece quality and improving the production efficiency. However, because of the uncertainty and complexity of tool wear process, it is hard to ensure that the samples related to all tool wear values can be collected during the training stage. Therefore, the accuracy of tool wear prediction for these uncovered data will deteriorate severely. In this paper, partial least square regression is presented to realize the tool wear prediction based on force signal. The main characteristic of this method is that the regression analysis is in the principal component space so that the multicollinearity between explanatory variables can be avoided effectively. Side milling experiment was carried out to validate the effectiveness of the proposed model. The analysis and comparison under different number of uncovered data show that the partial least square regression based tool wear prediction is more accurate.     

A method for predicting hobbing tool wear based on CNC real-time monitoring data and deep learning

Intelligent monitoring and diagnosis of tool status are of great significance for improving the manufacturing efficiency and accuracy of the workpiece. It is difficult to quickly and accurately predict the wear state of worm gear hob under different working conditions. This paper proposes a novel approach to predict hob wear status based on CNC real-time monitoring data. Based on the open platform communication unified architecture (OPC UA) technology and orthogonal test, the machine data of motor power, current, etc. related to tool wear are collected online in the worm gear machining process. And then, an improved deep belief network (DBN) is used to generate a tool wear model by training data. A growing DBN with transfer learning is introduced to automatically decide its best model structure, which can accelerate its learning process, improve training efficiency and model performance. The experiment results show that the proposed method can effectively predict hob wear status under multi-cutting conditions. To show the advantages of the proposed approach, the performance of the DBN is compared with the traditional back propagation neural network (BP) method in terms of the mean-squared error (MSE). The compared results show that this tool wear prediction method has better prediction accuracy than the traditional BP method during worm gear hobbing.     

基于信息熵和灰色系统的车辆变速箱故障诊断和磨损寿命预测

针对基于正态概率分布的润滑油中磨损元素预测容易出现误判的问题,提出基于最大信息熵的油液中各元素最无偏概率密度算法,得出车辆变速箱运行状态监测分界点;建立光谱分析元素浓度灰色系统模型,对车辆变速箱在整个寿命期间各组成元素浓度的变化情况进行预测,为车辆变速箱故障诊断和磨损寿命预测提供了新的方法和依据.     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.