基于威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测

为有效描述滚动轴承的退化趋势,提出结合威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测新方法。用威布尔分布形状参数作为滚动轴承的性能退化指标,将该指标作为最小二乘支持向量机的输入构造退化趋势预测模型。鉴于最小二乘支持向量机模型参数对模型的推广预测能力影响较大,选粒子群算法(PSO)优化最小二乘支持向量机模型参数,并用实测滚动轴承全寿命实验数据进行检验。结果表明该方法能获得准确的预测结果。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于形态优化滤波和最小二乘支持向量机的轴承故障分析

为实现滚动轴承故障分析,提出基于形态优化滤波和最小二乘支持向量机的轴承故障分析方法。首先,通过判别指标最大化原则确定最佳形态滤波算子;然后,用最佳形态滤波算子对滚动轴承实例故障信号进行降噪分析;最后,利用粒子群对模型参数进行寻优,利用最小二乘支持向量机建立轴承故障分析模型,并对模型效果进行评价。实验结果表明:该方法从模型稳定性、预测准确度、模型复杂度3个方面考虑,故障分析结果较优,能够更好地提取轴承故障特征信息。     

深度稀疏最小二乘支持向量机故障诊断方法研究

提出一种结合多层结构和稀疏最小二乘支持向量机(Sparse Least Squares Support Vector Machine,SLSSVM)的机械故障诊断方法。该方法构建了多层支持向量机(Support Vector Machine,SVM)结构,首先在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"降维公式"生成样本新的表示,并作为隐藏层的输入,隐藏层支持向量机对新样本训练并提取信号的深层特征,逐层学习,最终在输出层输出诊断结果。针对因多层结构带来算法的复杂度以及运行时间增加的问题,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)技术,并将稀疏化理论与最小二乘支持向量机结合,通过构造特征空间近似最大线性无关向量组对样本进行稀疏表示并依此获得分类判别函数,有效解决了最小二乘支持向量机稀疏性缺乏的问题。最后,通过滚动轴承故障诊断实验验证了该方法的有效性。     

改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机（least squares support vector machine,LSSVM）参数难以确定的问题,提出一种改进人工蜂群（improved artificial bee colony,IABC）算法优化的最小二乘支持向量机。首先,在标准人工蜂群（artificial bee colony, ABC）算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ²进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法——粒子群优化（particle swarm optimization,PSO）算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。     

基于PSO和LSSVM回归的摄像机标定

针对摄像机非线性显式标定时很难精确地建立其复杂的数学模型,本文提出了基于粒子群优化算法(PSO)和最小二乘支持向量机(LSSVM)回归的摄像机非线性隐式标定方法.该方法采用最小二乘回归机精确逼近图像坐标与世界坐标之间复杂的非线性成像关系;利用PSO算法搜索LSSVM回归模型的最优参数,提高LSSVM回归的收敛速度和泛化能力.通过运用标准BP神经网络、遗传算法、LSSVM及粒子群优化的LSSVM回归方法对圆阵列图案标定模板进行标定,实验结果表明:基于PSO和LSSVM回归的标定方法具有标定精度高、收敛速度快、泛化能力强等优点.     

基于粗糙集与最小二乘支持向量回归的汽轮机主蒸汽流量预测

针对传统主蒸汽流量计算方法的不足,提出了一种新的主蒸汽流量预测方法,该方法综合了粗糙集理论与最小二乘支持向量回归算法的优点,利用ROSETTA V1.4.41研究实验平台中的遗传约简算法对输入变量的属性进行约简,再利用最小二乘支持向量回归算法建立主蒸汽流量的预测模型。实验表明,与未经粗糙集理论处理过的BP神经网络、支持向量回归算法和最小二乘支持向量回归算法所建模型相比,该方法具有更好的预测精度和泛化能力,且建模速度显著提高。     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

最小二乘支持向量机在热舒适性PMV指标预测中的应用研究

介绍了一种新型的机器学习算法一最小二乘支持向量机的原理，并针对预测PMV指标建立了最小二乘支持向量机预测模型。该模型的预测结果表明，最小二乘支持向量机预测准确度高，计算过程速度快，可以满足以PMV指标作为被控参数的空调系统控制的要求。     

基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测

为更好地表征滚动轴承性能退化趋势,提出基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测新方法。提取振动信号的多域特征组成高维特征集,利用局部保持投影算法(LPP)对多域高维特征集进行维数约简,消除各特征指标之间的冗余、冲突等问题。将维数约简后的特征向量作为最小二乘支持向量机的输入,建立退化趋势预测模型,完成退化趋势预测。运用实测的滚动轴承全寿命实验数据进行检验,结果表明该方法能获得准确的预测结果。     

基于LS-SVM的某型装备保障性能评估研究

针对军事油料装备保障性能指标参数多样性、变化性的特点,研究了新型支持向量机算法--最小二乘支持向量机,并设计了基于多元分类的最小二乘支持向量机;建立了装备保障性能评估的最小二乘支持向量机决策模型;以某型油料装备为例,运用模型确立的保障性能评估指标体系和支持矢量学习决策模式,对其保障性能进行了评估.该研究结果对于优化提高装备保障性能,增强装备保障能力具有重要现实意义.     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.     

滚动轴承故障模式识别方法现状分析

在提取滚动轴承故障特征后,如何设计合理的分类器对滚动轴承进行故障模式识别是故障诊断的关键步骤。分别介绍了粗糙集模式识别中的变精度粗糙集、统计模式识别中的最小二乘支持向量机、模糊模式识别中的模糊[C]均值聚类算法。分析各种方法的基本原理、应用和特点。研究发现,多种故障模式识别方法的融合运用是今后研究的重点方向。     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.     

移动最小二乘支持向量机

基于移动最小二乘逐点逼近思想,移动权被引入到最小二乘支持向量机的误差变量中,得到新算法的模型.此外,证明了用移动最小二乘支持向量机作函数估计与在特征空间中用移动最小二乘法得到的解是一致的,揭示了移动最小二乘支持向量机所选择的核函数相当于移动最小二乘法所选择基函数组.数值试验与实例进一步验证所提出方法的优越性.     

基于ICA和SVM的滚动轴承声发射故障诊断技术

以滚动轴承为研究对象,提出了应用独立分量分析(ICA)和支持向量机(SVM)相结合进行滚动轴承故障诊断的方法.首先,对声发射信号(AE)进行自相关预处理,突出声发射信号的非高斯成分,使AE信号较好地满足独立分量分析的前提条件.然后,应用独立分量快速算法分离故障轴承的声发射信号,提取其状态特征向量,利用支持向量机的模式识别和非线性回归功能来完成滚动轴承故障的识别.试验结果表明,利用独立分量分析方法提取的故障状态特征向量与支持向量机相结合可以有效、准确地识别滚动轴承的故障模式,为滚动轴承故障诊断提供了一种新型的方法.     

基于ITD复杂度和PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了一种基于固有时间尺度分解(ITD)、Lempel-Ziv复杂度特征和粒子群优化支持向量机(PSO-SVM)的故障诊断新方法。首先对滚动轴承的振动信号使用ITD方法进行分解,得到若干个频率由高到低的固有旋转(PR)分量,由于滚动轴承在不同的故障状态下的PR分量Lempel-Ziv复杂度的分布不同,提取各PR分量的Lempel-Ziv复杂度值作为每个样本的特征向量,使用支持向量机(SVM)对轴承振动信号样本进行故障类型的识别,并用粒子群优化(PSO)方法对支持向量机的参数优化以获得较高的识别准确率。对滚动轴承振动信号的实测结果的分析表明:该方法可以实现对滚动轴承快速、准确地诊断,且不受载荷变化的影响。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

小样本数据的支持向量机回归模型参数及预测区间研究

支持向量机是由统计学习理论发展起来的机器学习算法,它从结构风险最小化的角度保证了模型的最大泛化能力.文中运用支持向量机进行小样本数据回归分析研究.首先利用推广性的界理论指导支持向量机回归模型参数的选取,以保证模型具有最大的推广能力;其次,运用基于正态分布和基于t分布的两种区间预测方法进行了预测值的区间估计;最后,利用模拟序列和真实的航空发动机油样光谱分析数据作为实验数据,建立了支持向量机回归分析模型,并与最小二乘法进行了比较.结果表明,所提出的支持向量机模型参数选取和区间估计方法适用于小样本数据的回归分析,具有较高的预测精度.     

基于最小二乘支持向量机的反向建模的铝合金变形抗力模型

根据某1+4铝热连轧厂现场采集的大量轧制数据对几种铝合金变形抗力利用最小二乘支持向量机进行了反向建模回归分析,用细菌觅食优化算法对支持向量机的参数进行了优化。将回归后的变形抗力模型用于二级设定计算中的轧制力预报,结果表明回归后的模型适用于轧制现场,精度优于传统模型。