基于PSO-LSSVM算法的表面粗糙度预测模型与应用

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。     

LMD和SVM相结合的电机轴承故障诊断研究

为了提高电机轴承故障诊断的准确率,提出了基于粒子群优化的支持向量机(SVM)故障诊断的方法。文章采用局部均值分解(LMD)提取电机轴承振动信号特征作为支持向量机的特征向量;采用粒子群优化算法(PSO)优化支持向量机的核函数参数和惩罚参数,以此建立分类器用于识别电机轴承故障类型。通过仿真实验验证该方法能够有效的识别电机轴承故障状态。     

基于GA-LSSVR的铣削加工变形预测

为了解决传统预测方法铣削加工变形预测精度低等问题,文章提出基于遗传算法优化最小二乘支持向量回归法( GA-LSSVR)的铣削加工变形预测方法,首先,提出了基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测原理,其中通过遗传算法优化最小二乘支持向量回归模型参数,以获取高性能的最小二乘支持向量回归模型.实验结果表明,基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测精度高于支持向量机.     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于支持向量机和遗传算法的刀具故障诊断

提出了把支持向量机和遗传算法结合起来,应用于数控机床的刀具故障监测.应用支持向量机的分类步骤,能够有效地解决小样本问题.利用遗传算法对支持向量机所用核函数的参数进行优化,以致在较短的时间内找到全局最优解.这两种方法的结合是数控机床的刀具诊断的行之有效的方法.     

基于粒子群算法的支持向量回归机优化算法在铣刀磨损量建模中的应用

为了准确预测铣刀在加工过程中的磨损量,提出一种基于粒子群算法的支持向量回归机的优化算法用于对铣刀磨损量的建模与预测。通过粒子群算法,优化输入不同维度的特征向量的支持向量回归机的建模,得到特征向量维度的最优解和对应的支持向量回归机训练参数,建立了铣刀磨损量的预测模型。通过随机选取的真实样本,验证了该模型的准确性     

粒子群优化在自然语言处理中的文本和情感分类研究

为了提高自然语言处理中文本和情感分类的准确性,提出了一种基于粒子群优化支持向量机的机器学习方法。该方法通过对粒子群位置、速度和当前粒子最佳位置的不断更新来优化支持向量机的参数,从而寻找最佳支持向量机。文本和情感分类的实验结果显示：提出的粒子群优化支持向量机方法在训练速度和准确率方面表现出较好的性能。     

粒子群优化在自然语言处理中的文本和情感分类研究（英文）

为了提高自然语言处理中文本和情感分类的准确性,提出了一种基于粒子群优化支持向量机的机器学习方法。该方法通过对粒子群位置、速度和当前粒子最佳位置的不断更新来优化支持向量机的参数,从而寻找最佳支持向量机。文本和情感分类的实验结果显示:提出的粒子群优化支持向量机方法在训练速度和准确率方面表现出较好的性能。     

基于灰色关联支持向量机的磨削尺寸精度预测模型研究

针对由于影响磨削工件尺寸精度因素复杂,传统预测模型无法准确预测其趋势变化,且预测精度低这一问题,提出了将灰色关联系统与支持向量机相结合的预测模型,灰色关联系统通过分析比对关联系数筛选出影响程度大的因素,并将对应的参数作为输入,以此建出支持向量机预测模型。通过实验验证经过交叉参数寻优优化参数后的模型预测平均误差小于2μm,平均相对误差为MRE=0.0065,均方根误差为MSE=0.0015,实验证明了基于灰色关联支持向量机模型的可行性与可行性。     

支持向量机的功能复合材料离心铸造参数自适应优化

为实现对离心铸造制备复合材料力学性能的预测和控制,利用支持向量机算法和OPC设计离心铸造工艺参数的自适应优化方案。根据复合材料合金配比和铸件力学性能指标,利用支持向量机建立适于离心铸造工艺参数优化的回归模型,再通过OPC协议远程设定离心铸造机的运行参数,进而制备满足特定力学性能指标的复合材料铸件。结果表明,SVM回归模型支持离心铸造机参数的自动设定,当确定合金配比和铸件的力学性能指标,SVM模型反求输出的离心铸造工艺参数具有较高的优化精度。     

振动监测技术在齿轮裂纹故障诊断中的应用

在对一级齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上,提取各个小波包系数的峭度和偏态,并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征。最后通过基于粒子群优化算法(Particle swarm optimization, PSO)的支持向量机(Support vector machine, SVM)模型进行齿轮裂纹故障特征分类,其中,PSO主要用来优化SVM模型的核函数的关键参数,避免出现局部最优和过拟合的问题。计算结果表明,和其它算法相比,提出的齿轮裂纹故障诊断方法在分类精度和计算效率方面具有综合优势。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

硅锰合金埋弧熔炼过程中炉渣成分软测量

针对硅锰合金埋弧熔炼过程中炉渣成分检测难的问题,提出一种基于自适应差分进化(ADE)优化的约减最小二乘支持向量机(RLSSVM)软测量模型。该模型以硅锰合金熔炼过程的工况参数为实测数据集,首先通过斯密特正交变换获取高维特征空间核矩阵的基,然后利用Direct Kernel PLS回归计算得到约减最小二乘支持向量机软测量模型,并以最小化训练样本的均方差为目标函数,用自适应差分进化算法优化最小二乘支持向量机的核参数和正则化参数,将此模型应用于30 MW硅锰合金埋弧冶炼过程炉渣成分测量。结果表明:ADE-RLSSVM模型测量值与实际值的最大相对误差为7.3%,运行时间为21 min。     

聚类和优化支持向量机的冷轧带钢表面缺陷分类

针对具有小样本、非线性、高维模式识别特点的冷轧带钢表面缺陷,且部分缺陷分布零散、不相连而导致后期识别数量增加、识别率低的情况,提出聚类与优化支持向量机相结合的改进分类算法。利用矩形框将缺陷进行标记,实现缺陷聚类合并,减少后期缺陷识别分类个数,便于后期正确识别判断;利用粒子群优化算法结合交叉验证自动选取最优参数,确定支持向量机结构,并结合实际生产线上出现频率较高的5类带钢缺陷进行分类研究。实验结果表明,相较于改进BP神经网络和网格优化的支持向量机,聚类与优化支持向量机相结合的改进分类算法不仅解决了位置接近的同种缺陷重复分类的问题,而且耗时短、缺陷正确识别率可达98%,符合实际生产线需求。     

SVR-PSO算法在慢走丝线切割参数优化中的应用

针对慢走丝线切割加工中难以同时获得较快加工速度和较优表面质量的问题,从其加工参数与加工指标之间的高非线性关系入手,选取水压、脉冲时间、脉冲宽度、峰值电流和进给速率作为优化参数,以表面粗糙度(Ra)、材料去除率(MRR)作为优化指标,设计正交实验;创新运用支持向量机(SVR)结合粒子群算法(PSO)建立其多目标预测优化模型,得到最优加工参数。结果表明:所建立的多目标预测优化模型优化效果十分显著,相同Ra下MRR平均提高32%;相同MRR下Ra同比下降25%。     

基于支持向量机的船用柴油机装配质量预测

针对船用柴油机整机装配工序复杂、零部件种类多、多工序并行作业难度大,导致装配质量稳定性与一致性差等问题。基于粒子群-支持向量机建模原理,提出一种船用柴油机装配质量预测方法,以提高船用柴油机装配质量。通过对船用柴油机装配质量特性影响因素分析,结合灰色关联和主成分分析原理,筛选出关键装配质量参数作为支持向量机输入变量,利用粒子群优化算法对支持向量机预测模型关键参数进行优化,并结合实际装配参数,对预测模型进行了验证。结果表明,基于粒子群优化支持向量机的装配质量预测方法能够提高预测精度,缩短预测时间,为装配过程控制和异常诊断提供技术支持。     

数控机床智能监控与状态识别方法研究

实施数控机床远程监控,识别机床所处状态对提高机床利用率和产品加工质量具有重要意义。提出了一种基于最小二乘支持向量机的数控机床状态诊断处理方法,利用粒子群方法优化支持向量机算法识别诊断机床状态。构建了数控机床监测体系及监测信息的信号处理模型,给出了模型参数的确定方法。最后,对提出的识别处理方法进行了实验验证,实验结果表明所提出的处理方法对数控机床状态有较好的识别效果,具有较强的实用性。     

粒子群优化支持向量机的BOF用氧量预报研究

针对BOF用氧量预报模型精度不高的问题,提出利用粒子群优化支持向量机的用氧量预报建模方法,以此来优化用氧量,进而提高钢液的质量。结果表明,与RBF、BP及SVM相比,粒子群优化支持向量机的BOF吹氧量预报模型精度高、推广能力强。     

基于Fisher判别准则的故障分类器核函数参数优化研究

核函数选择及其参数优化对提高支持向量机分类性能是极其重要的.针对支持向量机故障分类器的核参数优化问题,讨论了以Fisher判别准则为目标函数的核函数参数优化的原理,提出了基于Fisher判别准则和固定步长优化算法相结合的核函数参数优化算法.依据该算法实现了故障分类器的核参数优化,并应用于转子试验台不平衡和不对中故障的分类器中.理论分析和实验结果表明,通过这种参数优化算法能够提高分类器的分类性能,并且具有算法简单、优化效率高等优点.     

筒形件充液拉深工艺参数的正交设计优化

在有限元模拟基础上,采用正交设计与最小二乘小波支持向量机对充液拉深过程参数优化进行了研究.直接用节点力和单元力代替液压作用,建立了带径向推力的充液拉深过程有限元模型.基于正交设计方法,研究了充液拉深多因素少水平的情形,并给出了各因素的重要程度.然后对正交实验结果以及选取的适当数量单因素轮换模拟结果的学习,最小二乘小波支持向量机对给定范围内各因素组合的目标结果进行了预测和比较优化.结果表明,基于正交设计和最小二乘小波支持向量机的数值模拟参数优化方法可以大大减少工作量,从统计角度为参数优化提供了有效的解决办法.