基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中，开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法，通过增强算法的局部挖掘能力与全局搜索能力，在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证，结果表明，提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上，提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型，对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性，结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

基于灰色支持向量机的裂纹扩展信息预测研究

针对裂纹扩展是一个典型的非线性、随机过程,且裂纹数据样本少、获取困难等问题,提出一种基于灰色支持向量机的裂纹扩展预测模型。首先通过灰色模型对原始序列进行数据生成,以增强数据的规律性;然后选择合适的核函数,并用试验数据修正核函数;最后用支持向量机进行预测,并还原数据,得到预测结果。将其应用于某航天发射塔架裂纹扩展预测中,并与灰色模型、单一支持向量机、最小二乘支持向量机进行预测性能对比,结果表明,灰色支持向量机预测性能最优。同时也为裂纹扩展预测及提高预测性能提供一种新途径。     

灰色SVR模型在珩磨尺寸预测中的应用

针对灰色(1,1)模型(Grey model(1,1), GM(1,1))对非指数型数据序列预测精度低的问题,提出了一种灰色支持向量回归(Grey support vector regression, GSVR)预测模型。该模型一方面通过参数累积估计、预测公式改进和数据等维递补,对灰色模型进行建模优化,另一方面通过差分变异和混沌局部搜索改进的粒子群算法,对支持向量回归机进行参数优化,再将二者相结合进行预测。对柱塞套内圆珩磨尺寸的预测结果表明,该模型的预测均方误差为0.3913,平均绝对百分比误差为4.90%,其预测精度较GM(1,1)模型显著提高。     

基于改进磷虾群优化支持向量机的短期负荷预测

针对支持向量机在短期负荷预测时,因受参数影响较大而导致预测精度不足和速度较慢的问题,提出了基于改进磷虾群算法对支持向量机进行参数选择的算法。阐述了支持向量机的原理与其参数的影响;分析了磷虾群算法并对其改进:加入模拟退火思想降低了算法陷入局部最优的概率,采用自适应迭代步长方法提高算法优化精度。建立预测模型并进行算例分析,实验结果表明改进磷虾群算法对支持向量机参数有较好的优化效果,可以有效地提高负荷预测精度和速度。     

基于模拟退火算法优化的支持向量回归机对内螺旋槽切削力的预测

鉴于内螺旋槽加工领域缺少预测精度良好的切削力预测模型。基于ABAQUS软件对内螺旋槽的切削加工过程进行了有限元仿真,并由此得出切削力数值;通过模拟退火算法对支持向量回归机预测模型进行参数寻优,得出最优参数以及最优切削力预测值,为刀具设计提供依据,并经切削力实验对预测值进行验证。通过仿真以及切削力实验可知,模拟退火算法优化的支持向量回归机预测精度比优化前的预测精度提高了50%以上,且模拟退火优化的支持向量机模型能够应用于实际内螺旋槽的切削加工中。     

基于遗传算法的支持向量机时间序列预测模型优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力，因此与建立在经验风险最小原则上的神经网络模型相比，理论上更为完善。本文运用支持向量机建立时间序列预测模型，研究影响模型预测精度的相关参数，在分析参数对时间序列预测精度的影响基础上，提出用遗传算法建立支持向量机预测模型的参数自适应优化算法。最后，用算例表明了本文算法的正确性和有效性。     

基于支持向量机数控车床主轴箱液压系统的性能预测

为了能够有效地对数控车床主轴箱液压系统进行性能预测,深入地研究了支持向量机在其中的应用.首先,分析了支持向量机的基本原理；接着,建立的灰色支持向量机的性能预测模型；最后,对数控车床主轴箱液压系统特性参数的预测进行了仿真分析,结果表明,该方法具有较好的预测精度.     

基于支持向量机预测的冷连轧机轧制力精确设定方法研究

针对冷连轧机液压AGC系统轧制力的精确设定问题,提出了一种基于差分进化算法优化支持向量机的轧制力精确设定方法。该方法在支持向量机预测模型的基础上,引入差分进化算法对支持向量机的训练参数进行优化,提高支持向量机的预测精度。之后,利用海量生产数据对支持向量机进行训练并进行轧制力偏差的预测,最后将预测结果用于修正轧制力模型设定计算值。通过预测结果和实际数据的对比表明,利用该方法能够有效地提高冷连轧机AGC系统轧制力的设定精度,使设定的相对误差从单纯模型计算的15%降到6%,为进一步提高冷连轧机的设定计算精度提供了一种有效可行的方法。     

基于 IWOA-SVM 的风电功率预测

针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将 Tent 混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。     

基于粒子群算法优化支持向量机的数控机床状态预测

数控机床状态预测对于及时发觉数控机床健康状况有着非常重要的作用.为了实现数控机床状态的准确预测,提出采用粒子群算法优化支持向量机(PSO-SVM)进行数控机床状态预测方法,其中粒子群算法用于确定支持向量机(SVM)中的训练参数,以得到优化的SVM 预测模型.试验结果表明,用PSO-SVM对数控机床状态进行预测,不仅所需样本少,而且具有很好的预测精度.     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于GS-SVM的数控机床热误差预测研究

为了提高立式加工中心热误差的预测精度,考虑影响立式机床热误差的主要因素,提出了支持向量机预测热误差预测模型,并用网格搜索算法对支持向量机的参数惩罚因子和核参数进行搜索。通过实验数据分析得出结论,基于GS-SVM模型对数控机床主轴热变形能够进行准确预测,并与BP算法模型进行对比。结果表明GS-SVM主轴热变形预测模型效果优于BP算法预测算法,具有较高的预测精度,为数控机床热误差研究提供参考。     

基于粒子群优化法的支持向量机回归对膛线加工切削力的预测

针对神经网络算法和支持向量机算法在膛线加工切削力预测过程存在的问题,基于粒子群优化法对支持向量机回归算法进行了改进.将实验得出的切削参数、切削力等数据输入到该算法模型中,训练得出最佳预测模型,进而用该模型进行切削力预测.经误差检验表明,该改进型算法的预测精度提升85％以上.     

基于支持向量机的数控机床空间误差辨识与补偿

为了精确地建立数控机床空间误差预测模型,提出基于支持向量机的空间误差辨识与补偿方法。通过训练学习,优化了最小二乘支持向量机参数,采用激光矢量分步对角线法在一台数控铣床上进行了空间误差辨识和补偿实验研究。结果表明:支持向量机预测模型能有效辨识数控机床的空间误差。与神经网络预测模型进行了比较,表明支持向量机空间误差预测模型补偿精度高、建模速度快,通过其补偿可有效提高数控机床的加工精度。     

基于ADEGWO-SVM的机载燃油泵寿命预测研究

针对高可靠、长寿命、小样本的机载燃油泵剩余寿命预测问题,提出了一种基于自适应差分变异的狼群支持向量机(ADEGWO-SVM)组合寿命预测方法。首先,搭建了一个机载燃油泵寿命试验平台,监测其电应力载荷下的出口压力信号,应用小波包滤波的方法对原始压力信号进行降噪处理,提取压力均值信号作为燃油泵性能退化特征,接着利用自相关分析的方法进行特征相空间重构;然后利用基于ADEGWO算法结构简单和全局搜索能力的特点,优化支持向量机预测模型的参数,进而提出一种基于ADEGWO-SVM的组合寿命预测模型;最后,在不同的预测起始点,利用ADEGWO-SVM方法进行了寿命预测试验,为了进一步验证该算法的有效性,将其与粒子群支持向量机(PSO-SVM),灰色模型(GM(1,1))等算法进行了比较,试验结果表明,该方法能够准确实现机载燃油泵的剩余寿命预测,显著提高寿命预测精度,对机载燃油泵的健康监测和寿命预测具有理论指导意义。     

基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测

针对Cr12MoV刀具磨损量预测问题,提出了一种新的粗糙集和最小二乘支持向量机(LSSVM)相结合的预测方法。将声发射信号提取的能量值和切削要素作为预测模型的输入参数,为了降低运算的复杂性,提出采用粗糙集理论对多维输入参数进行降维处理的方法;为提高预测准确性和精度,利用蚁群算法对LSSVM的参数进行优化,建立基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测模型。仿真结果表明,所建立的Cr12Mo V刀具磨损量预测模型合理有效,具有较强的推广能力和较高的预测精度。     

基于LSSVM的直线电机进给定位误差补偿研究

误差补偿是提高机械加工精度的有效途径,在分析测试数控直线电机进给定位精度的基础上,提出基于最小二乘支持向量机的直线电机进给定位精度误差回归建模和预测方法.最小二乘支持向量机具有完备的统计学习理论基础和学习功能,它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来误差.采用径向基核函数的最小二乘支持向量机对不同速度加速度下的定位误差进行了预测,并进行误差补偿.研究结果表明,采用LSSVM的方法可以较大地提高直线电机进给的定位精度.     

在主动测量中的基于灰色支持向量机的补调值预测

针对磨削加工中无法实现自动补调,且传统模型无法精确预测补偿值变化趋势这一问题,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度大小筛选出影响程度大的因素,并将对应的参数作为输入。以此训练出支持向量机预测模型,通过模型预测的补调值通过主动量仪实现自动增减。实验结果为通过交叉验证优化后的预测值平均相对对误差为MRE=0.385,均方根误差为MSE=0.266,实验证明了模型的可行性与可靠性。     

基于优化支持向量机的发动机故障预诊断

为实现车用发动机故障预诊断功能,预测发动机可能出现的故障类型,保证车辆安全运行,提出一种基于灰色关联分析和优化支持向量机的发动机故障预诊断方法。通过台架试验获取发动机故障样本数据,应用灰色关联分析确定样本数据与发动机故障的对应关系,选取经过改进蝙蝠算法优化的支持向量机建立故障预测模型对样本数据进行分析处理,实现发动机机械故障的预测分类。对四缸柴油机活塞环断裂等故障的实际验证结果表明,该方法能够预测发动机的机械结构故障,故障预测准确率达到97.5%,且运算时间较其他算法有所缩短。