基于加权支持向量机的热轧带钢弯曲质量预测

针对带钢弯曲质量预测时因样本的误判率不平衡而导致质量预测误差较大、异常检出率较低的问题,引入了决策函数中的少数类样本支持向量所占的权重系数μ,建立了基于改进权重系数的加权支持向量机(μ+SVM)的热轧带钢弯曲质量预测分析模型。结果表明:通过比较其与随机采样+支持向量机方法、人工合成数据+支持向量机方法的预测结果,验证了μ+SVM支持向量机方法的优越性。采用支持向量机方法得到的最小误判率为0.32,标准差为0.38,更加符合实际检测需求。     

基于DE-SVM的风电机组高速轴承故障诊断

为减少风电机组传动链故障造成的重大损失和安全隐患,保证机组健康平稳运行,针对风电机组传动链轴承的故障诊断问题,提出一种基于差分进化算法改进支持向量机的故障诊断方法。利用集合经验模态分解方法对原始数据进行处理,提取有效的故障特征,实现信噪分离;采用差分进化算法对支持向量机关键参数进行优化以提高模型的泛化能力和预测精度;利用训练好的模型进行故障诊断。结果表明：所提方法具有准确性和有效性。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

混沌-支持向量机在加工误差预测中的应用

提出将混沌-支持向量机模型方法应用于加工误差数据预测。利用互信息法和曹氏方法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对加工误差时间序列进行混沌识别。通过最小二乘支持向量机对历史样本的学习建立预测模型,并将其预测结果与RBF神经网络预测结果进行仿真对比。结果表明,在较少的加工误差数据条件下,该模型能够有效地描述和预测加工误差的变化,具有较高的预测精度。     

基于WASVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WASVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

基于支持向量机钛合金铣削力预测分析

钛合金材料广泛应用于各个领域,其材料在加工过程中受铣削力影响易于产生变形而影响加工质量,为此需对铣削力进行预测分析。针对实际加工工程中铣削力函数不能显式表示的问题,提出一种基于支持向量机铣削力模型预测的方法。利用正交试验设计选取合适的设计参数样本点建立铣削力预测模型,并获得预测值与实验值的拟合曲线,试验值通过有限元建模获得,分别对预测值与试验值结果进行误差率及显著性检验分析。为验证支持向量机方法的有效性,建立BP神经网络模型对试验值预测。与BP神经网络模型预测比较,结果显示支持向量机模型预测的结果更能精确预测。     

最小二乘支持向量机弯曲回弹元模型技术研究

影响大尺寸高强度U型折弯件回弹的变量众多,使得其弯曲回弹难以控制。提出一种基于约束的高斯过程潜变量(RGPLVM)筛选技术来进行最优变量的筛选和降维。将筛选出的变量作为决策变量,并以最小二乘支持向量机(LSSVM)为基础,构建了大尺寸高强度U型折弯件的最小二乘支持向量机(LSSVM)元模型。分别以支持向量机(SVM),LSSVM和BP神经网络为模型进行预测,并将预测结果与实际工程零件进行对比。结果表明LSSVM模型的预测结果更为接近实际零件的回弹情况,从而验证了所提方法的可行性。     

基于支持向量回归机的精密数控平台热误差建模与补偿研究

为了提高数控机床的加工精度,文章以精密四轴数控平台为研究对象,采用PT100、激光干涉仪等仪器对X、Z轴的温度、定位误差进行测量与分析,研究精密四轴数控平台定位误差与温度之间的变化规律。运用支持向量回归机建立X、Z轴的热误差模型,利用网格搜索法对支持向量回归机热误差模型进行参数寻优,确定惩罚参数c和核函数参数g的最优参数值。在热平衡状态下,根据BP神经网络、支持向量回归机热误差模型分别计算出X、Z轴定位误差的预测值与测量值对比曲线,对比曲线和数据分析表明支持向量回归机的预测精度较高,其X、Z轴拟合偏差带宽均不超过0.6μm。依据支持向量回归机热误差模型的预测数据进行补偿实验,数控平台X轴的定位误差降低了89.55%,Z轴定位误差降低了85.67%。实验结果证明支持向量回归机建模方法具有较高的预测精度、泛化能力、补偿精度和鲁棒性。     

盘型激光焊接状态多传感信息融合分析

针对大功率盘型激光焊接状态,研究一种基于支持向量机的多传感信息融合分析方法. 使用紫外、可视和红外波段的两个高速摄像机同时获取激光焊接过程中金属蒸气、飞溅和熔池动态图像. 通过模式识别技术提取焊接过程多传感信息特征及进行数据主成分特征分析,并以焊缝宽度变化作为衡量焊接状态稳定性的参数. 运用支持向量机融合各特征,通过网格搜索和粒子群算法优化支持向量机参数,建立基于支持向量机的多传感信息融合模型. 结果表明,支持向量机多传感信息融合方法能够有效预测焊缝宽度变化趋势,为大功率盘型激光焊接状态的实时监控提供试验依据.     

基于最小二乘支持向量机建模的电液伺服系统故障检测方法

基于最小二乘支持向量机建模的方法,研究了电液伺服系统的故障检测问题.介绍了基于最小二乘支持向量机进行建模的基本原理,分析了电液伺服系统所存在的非线性和故障模式,给出了基于最小二乘支持向量机建模进行故障检测的方法,试验结果表明,由支持向量机模型预测输出与实际输出相比较所形成的残差,能够准确地反映故障发生与否的情况;同时,与神经网络方法和普通的支持向量机方法相比,最小二乘支持向量机方法更适合工程应用,效果更好.     

基于ANN和SVM的轴承剩余使用寿命预测

为了提高现代制造业设备的可靠性和高效性,轴承剩余使用寿命(RUL)的预测已经成为越来越重要的研究方向.提出一种基于人工神经网络(ANN)和支持向量机(SVM)的轴承剩余使用寿命预测方法.该方法首先将获取的18维反映轴承衰退的时域特征和频域特征输入到ANN模型中做特征抽取,再将输出的18维特征向量作为SVM模型的输入,进...     

机电设备趋势状态的支持向量机智能预示

将支持向量机用于某机组振动烈度的预示，并运用FPE(Final Prediction Error)准则优化嵌入维数，采用径向基函数和适当的损失函数，取得了较好的预测效果，证明该算法对机电设备运行状态的监测与故障趋势具有较好的预示能力。     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.     

基于支持向量机的CO2焊接保护气流量识别研究

利用线性预测(LPC)分析方法建立电弧声信号数学模型并提取声音频域特征,分别用电弧声的LPC预测系数及反射系数作为输入向量构造样本集,建立CO2焊接过程支持向量机模型,对焊接过程保护气体流量进行了识别和分类.测试表明:利用电弧声建立的SVM模型能对焊接气流量进行有效识别.     

基于支持向量机的焊缝尺寸预测

焊缝尺寸是决定焊接接头强度及有关性能的重要因素,因此也是焊接质量控制的重要内容.分别以焊接电流、电弧电压以及焊接速度作为输入向量构造样本集,建立CO2焊接焊缝尺寸支持向量机模型,分别运用线性核函数,多项式核函数、高斯径向基核函数以及指数径向基核函数对焊缝熔宽、焊缝熔深以及焊缝余高进行预测.结果表明,采用指数径向基核函数所建立的支持向量机模型可以有效地对焊缝尺寸进行预测,为进一步实现焊缝质量的在线控制提供依据.     

基于PSO-SVM模型的油气管道内腐蚀速率预测

目的针对油气管道的运行安全问题,建立油气管道内腐蚀速率预测新模型,对管道的内腐蚀状况进行准确预测。方法首先对内腐蚀的原理进行简单分析,探讨引起管道内腐蚀的主要原因。对PSO(粒子群算法)、SVM(支持向量机)以及PSO-SVM模型的原理及结构进行探讨,结合文献中获取的管道内腐蚀数据,使用PSO算法对SVM算法的参数C和g进行寻优。在此基础上,对Sine函数、Sigmoidal函数和Radial basis函数三种核函数进行对比优选。最终将PSO-SVM模型与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型进行预测误差对比,以此证明PSO-SVM模型的先进性。结果当SVM算法的参数C=83.9243、g=0.6972,核函数选择Sine函数时,PSO-SVM模型的平均绝对误差和均方根误差最小,平均绝对误差和均方根误差分别为0.58%和0.000618,但是该模型在使用的过程中,其训练数据所使用的时间为11.26 s,与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型相比,其预测误差较小,但训练数据所使用的时间较长。结论利用PSO-SVM模型对油气管道内腐蚀速率进行预测是可行的,预测误差相对较小,但是由于受限于数据训练速度问题,今后仍需要对该领域进行深入研究。     

基于支持向量机的加工误差预测建模方法研究

误差补偿是提高机械加工精度的有效途径,其中误差的建模是关键.在分析现有加工误差预测技术不足的基础上,提出基于支持向量机的加工误差回归建模和预测方法,并对实际应用中的问题进行了分析和总结.通过实例验证及与其它建模方法的对比,表明该方法具有优良的预测性能,为加工误差预测提供了一种新的可行方法.     

基于全矢最小二乘支持向量机的设备状态趋势预测

在支持向量机(SVM)基础上拓展出的最小二乘支持向量机(LS-SVM)非线性泛化能力更好,具有较高的拟合和预测精度,目前被广泛应用于设备状态趋势预测中。为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术提出一种新的趋势预测方法——全矢LS-SVM。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障LS-SVM预测数据特征提取的完整性,提高预测精度。将该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢LS-SVM方法具有较高的预测精度。     

基于FOA-SVM模型的输油管道内腐蚀速率预测

针对管道内腐蚀速率相关问题,采集某输油管道内腐蚀的实测数据,应用多元统计分析算法,在支持向量机(SVM)的基础上建立管道内腐蚀速率预测模型。采用果蝇优化算法(FOA)对预测模型进行优化训练,建立FOASVM预测模型,利用实测数据样本对模型的预测结果进行检验。结果表明:综合方差和均差分别为1.397×10-3和0.037 4,FOA-SVM预测模型相比灰色组合模型预测值和最小二乘支持向量机(LS-SVM)模型预计结果稳定性好、精度高,但是FOA-SVM预测模型训练时间较长,今后在提高模型预测效率上需要进一步研究。     

利用最小二乘支持向量机预测铝熔体氢含量

提出了一种最小二乘支持向量机的铝熔体在不同温度和保温时间下的氩含量预测新模型.以2个主要影响因素加热温度、保温时间为输入,铝熔体中氢含量为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性映射关系.以铝熔炼实验数据为样本对模型进行学习训练,用训练好模型预测在一定影响因素下铝熔体中氢的含量.仿真实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.