基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.     

基于最小二乘支持向量机的电力变压器故障诊断

文章提出使用最小二乘支持向量机(LS-SVM)作为分层决策电力变压器故障诊断模型.首先根据DGA技术以及相关统计分析,选择典型油中故障气体的相对含量作为特征量,然后利用数值预处理后得到的数据样本分别对四级最小支持向量机分类器进行训练和识别,并最后判断输出变压器所处的状态,且针对最小二乘支持向量机存在的参数选择问题,使用了多层动态自适应优化算法来优化最小二乘支持向量机参数.仿真结果表明LS-SVM是一种较为有效的非线性建模方法,具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求.     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

考虑样本异常值的改进最小二乘支持向量机算法

针对最小二乘支持向量机对异常值敏感、缺乏鲁棒性的情况,提出一种考虑样本异常值的改进最小二乘支持向量机算法。该算法首先通过采用局部异常因子检测算法为每个数据样本计算一个LOF因子,根据其因子值能够有效地将样本分成正常样本和异常样本,然后针对不同样本进行单独设置样本权重。其有效地保证了在降低异常样本权重的同时而不使正常样本权重受到影响,使最小二乘支持向量机在达到目标函数最优化的同时能够保证正常数据信息不丢失,以提高模型的鲁棒性。最后,通过引入"信息熵"和"平均粒距"来改进粒子群算法,将其应用于模型的参数优化。经过实验仿真表明,该算法能够有效地提高模型的鲁棒性,随着异常样本的增多,其模型精度提高大约67%。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

LCD—GA—LSSVM集成分类器及其在齿轮故障诊断中的应用研究

针对齿轮故障诊断模式识别问题,在综合局部特征尺度分解、遗传算法及最小二乘支持向量机学习算法各自优点的基础上,提出了一种新的局部特征尺度分解—遗传算法—最小二乘支持向量机(LCD-GA-LSSVM)集成分类器模型。在该模型中,利用局部特征尺度分解算法实现对样本数据的特征选取;最小二乘支持向量机实现样本特征向量与故障模式之间的非线性映射;遗传算法用于实现对最小二乘支持向量机的参数进行优化以使其泛化能力达到最优。经过实验分析与验证,LCD-GA-LSSVM集成分类器对齿轮正常、齿根裂纹、齿面磨损、轮齿折断、局部齿形误差、复合故障等6种运行状态120组测试样本的识别率达到了93.33%。     

油液在线监测系统中磨粒识别技术研究

针对磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统。根据系统光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标。基于最小二乘支持向量机设计了磨粒两类分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取;根据磨粒识别体系,设计了基于最小二乘支持向量机的磨粒综合分类器。最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明本系统具有较高的检测精度和识别效果。     

基于PSO-LSSVM模型的扩散硅压力传感器的温度补偿

针对扩散硅压力传感器温度漂移的问题,文中提出了一种基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的温度补偿模型。通过对扩散硅压力传感器做二维标定实验,利用AD590集成温度传感器监测实验环境温度,建立PSO-LSSVM模型。最小二乘支持向量机的惩罚因子和核函数的选取会直接影响到模型的预测精度,PSO-LSSVM模型利用粒子群算法优化最小二乘支持向量机模型的惩罚因子和核函数的参数,改善了传统的最小二乘支持向量机模型对参数选取耗时耗力且未必找到全局最优解的缺陷。实验结果表明,经该模型补偿后的零点温度系数和灵敏度温度系数都减小了一个数量级,且预测值与标定值的均方误差的数量级达到10~(-6),实现了温度补偿并改善了预测精度。     

改进递推最小二乘支持向量机及在过程建模中的应用

针对流程工业存在多变量、非线性和数据动态性等问题,提出一种改进递推最小二乘支持向量机。该算法首先利用K均值算法(Kmeans)将训练样本分类,然后针对各聚类用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)对最小二乘支持向量机参数进行优化,以避免人为选择最小二乘支持向量机参数的盲目性,最后在各聚类基础上建立相应在线递推最小二乘支持向量机模型。在加氢裂化反应过程蒸馏塔航煤干点的软测量建模研究中,表明所提出算法的有效性和优越性。     

蚁群优化最小二乘支持向量机在变压器故障诊断中的应用

变压器故障诊断对提高电力系统运行的可靠性、稳定性、安全性有着至关重要的作用。为了提高故障分类率,提出一种基于蚁群优化的最小二乘支持向量机(Ant colony optimization least squares support vector machine,ACO-LSSVM)电力变压器故障诊断方法。该方法首先利用ACO对LSSVM诊断模型的参数进行优化,选用径向基核函数。其次,以溶解气体含量为输入变量,变压器故障类别为输出变量,将测试数据输入训练好的模型。最后,将诊断结果与标准SVM结果进行比较。仿真结果表明,ACO-LSSVM方法具有更高的分类准确率,验证了其有效性。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于PSO-SVM的变压器故障诊断研究

支持向量机用于变压器故障诊断时,其参数的选择会影响到诊断的准确度。为了提高支持向量机的精确度和效率,将粒子群算法和支持向量机相结合,提出了基于粒子群优化支持向量机的故障诊断方法。用粒子群算法实现对支持向量机惩罚因子及径向基核函数的寻优,从而提高支持向量机的分类性能。仿真结果表明,此方法能够有效提高变压器故障诊断的准确率。     

一种基于改进最小二乘支持向量机的变压器故障诊断方法研究

变压器是整个电力系统稳定、安全、可靠运行的关键设备,变压器的故障诊断对提高电力系统供电可靠性具有重要的意义。为及时发现变压器的潜在故障风险,提出了一种基于模拟退火算法(SA)优化的最小二乘支持向量机(LSSVM)电力变压器故障诊断方法。利用SA算法对LSSVM诊断模型的正规则参数和核宽度参数进行优化,提高模型的分析精度。对比试验结果表明,提出的SA-LSSVM诊断方法可以准确有效地对变压器进行故障分析诊断,与传统的SVM和BP神经网络诊断方法相比,该方法具有更高的准确率。     

基于PSO-LSSVM的网络化制造系统安全检测

为了解决传统网络化制造系统安全检测技术检测精度低的难题,提出基于粒子群优化最小二乘支持向量机(PSO.LSSVM)的网络化制造系统安全检测方法.首先,确定网络化制造系统安全检测特征,并对特征进行预处理.然后,建立基于粒子群优化最小二乘支持向量机的网络化制造系统安全检测模型.最后,通过实例证明该方法的有效性及优越性.分别采用人工神经网络、支持向量机与PSO-LSSVM方法进行对比分析,实验结果表明,PSO-LSSVM对网络化制造系统的安全检测性能优于神经网络与支持向量机的安全检测性能.     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

改进粒子群优化的LSSVM结构损伤评定

为改善结构动力损伤的识别效果,提出了刚度变化指标构架下改进粒子群算法优化的最小二乘支持向量机的结构损伤评估方法。首先,通过由试验技术修正的有限元模型来计算刚度变化指标(stiffness variation index,简称SVI),并进行损伤定位;然后,在SVI基础上,利用改进粒子群算法优化最小二乘支持向量机的超参数,建立结构损伤评估优化模型,计算损伤大小。将该方法用于起重机主梁的损伤评定,研究结果表明,该方法具有较高的精度和效率,能准确地判断结构的实际性态,是一种有效的评估手段。     

基于能量诱导型PSO算法与LSSVM模型的钢铁企业高炉煤气消耗量预测

针对钢铁企业高炉煤气消耗量存在的波动大、随机性强、难以预测等特点,引入能量剩余函数,提出了一种与粒子自身能量相关的能量诱导型粒子群(Energy Guided Particle Swarm Optimization,EGPSO)算法。利用其对最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的参数进行优化,最后采用优化后的最小二乘支持向量机模型(EGPSO-LSSVM)进行高炉煤气消耗量预测。仿真实验表明:改进后的预测模型在平均绝对百分比误差、均方误差、均方百分比误差三项指标上均优于普通BP神经网络模型和普通最小二乘支持向量机模型,可以为高炉煤气资源的合理使用提供依据。     

油液在线监测系统中的磨粒识别

针对机械设备磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统.根据系统的光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标.基于最小二乘支持向量机设计了两类磨粒分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取.在此基础上,根据磨粒识别体系,设计了磨粒综合分类器.最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明,系统的识别精度达到95%以上,满足磨粒在线监测要求.     

基于天牛群算法优化SVM的磨煤机故障诊断

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO)算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法.首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互...