基于SVR的瓦斯传感器故障诊断方法

介绍了回归型支持向量机（SVR）的基本原理,建立了基于SVR的传感器时间预测模型,对时间预测器实行离线训练、在线应用的方法,用训练好的SVR模型模拟煤矿井下瓦斯传感器系统的动态特性,阐述了瓦斯传感器故障诊断和信号恢复的实现过程。仿真结果表明：SVR时间预测器能准确预测和跟踪瓦斯传感器的输出,及时诊断出传感器故障信息,并对传感器信号进行恢复,实验验证了该方法的正确性和有效性。     

基于径向基函数神经网络预测器的多传感器故障在线检测和信号恢复的研究

理论研究及大量实践表明:径向基函数神经网络具有较强的函数逼近能力,学习速度优于常用的BP网络.本文利用径向基神经网络构成传感器输出预测器实现了多传感器故障在线检测和信号恢复.文中阐述了预测器的构成及其在线学习算法.通过仿真研究证明:该预测器对传感器输出具有很好的在线预测、跟踪能力.当某传感器发生故障时,在及时准确地发出报警信号的同时,对瞬时故障,能很好地恢复故障期间传感器正常的输出,即消除瞬时故障对系统正常运行的影响;对长期故障,能在故障发生后一定的时间范围内,正确估计出传感器正常输出,以保证系统的正常运行.     

飞控系统传感器故障诊断研究

研究故障检测和诊断技术对提高系统可靠性具有重要意义,针对飞控系统中常见的传感器故障,提出了基于神经网络预测器的故障诊断方法。利用传感器输出时间序列构造神经网络预测器模型,网络结构使用多层感知器结构,根据网络输出和实际输出之差与某·阈值的大小比较关系判断故障。最后针对某型飞机建立仿真模型,并对单一及多个传感器故障诊断进行研究,给出了仿真实现结果,并加以分析。仿真结果表明,所提出的基于神经网络预测器的故障诊断方法是行之有效的,能够及时准确地确定故障的发生。     

基于RBF时间序列预测器的传感器故障诊断方法研究

研究了一种基于径向基函数(RBF)神经网络时间序列预测器诊断传感器故障的方法.以压力传感器的过载故障为模型,先用RBF神经网络建立时间序列预测模型,然后利用预测模型对传感器的输出作预测,再和传感器实际输出比较,从而判断传感器是否发生故障,并对发生故障的传感器进行数据重构.仿真实验证实了该方法可以有效地进行传感器故障诊断和数据重构,并可推广到其他传感器中.     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.     

基于粗集理论和支持向量机的动态预测新方法及应用

基于粗集的属性约简理论和SVM回归思想 ,提出了一种内嵌属性约简策略的SVM动态预测方法 (RS -SVM) ,并用于回转窑烧结带温度测量。该方法首先利用属性约简理论精选出与烧结带温度有重要关联的传感器信号 ,再利用SVM建立这些传感器信号与烧结带温度之间的非线性映射模型 ,并不断地跟踪预测误差动态修正SVM预测模型 ,从而提高了系统的抗干扰性能和容错能力。通过与直接SVM方法进行比较的实验 ,说明了此方法在回转窑烧结带温度预测的优越性。     

一类非线性时滞过程的传感器主动容错控制

通过结合非线性过程的一般模型控制(GMC)、强跟踪预测器(STP)和强跟踪滤波器(STF),本文提出了一类具有输入时滞非线性时变过程的传感器主动容错控制方法.基于强跟踪预测器对未来状态的预测,传统的一般模型控制被扩展到一类具有输入时滞的非线性过程.然后采用强跟踪滤波器估计过程状态及传感器偏差,传感器偏差估计用于驱动一个故障检测逻辑.当某一传感器故障被检测出来时,STF的状态估计值将用于重构过程输出(代替真实输出),此重构输出被STP用于继续进行状态预测,从而确保系统性能.最后,三容水箱系统仿真结果证明该方法的有效性.     

基于Venn-Abers预测器的系统日志异常检测方法

为了更好地解决系统日志异常检测问题，引入一种对预测结果进行可靠性评估的统计学习算法Venn-Abers预测器。与传统的基于静态阈值的系统日志异常检测模型仅输出正常或异常的预测结果不同，Venn-Abers预测器会对预测结果进行概率评估。根据逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)这三种基础算法，分别开发三种Venn-Abers预测器，其中基于SVM的Venn-Abers预测器将召回率从81%提高到94%,同时对Venn-Abers预测器的概率值计算过程进行了改进，使其运行效率显著提高。实验结果表明，三种Venn-Abers预测器与其基础算法相比，可以通过动态调整阈值，取得更加准确的异常检测结果。     

基于神经网络预测器的传感器数据证实技术研究

提出了基于神经网络预测器的传感器数据证实技术。首先利用神经网络对传感器输出的时间序列建立预测模型,然后利用该模型预测出传感器输出值,并用该值与传感器实际输出值之差判断传感器实际输出的可靠性和有效性,进而减小传感器“软故障”和不同环境噪声对传感器输出数据的影响。同时,为了实现在线应用,采用了遗传算法对神经网络的优化技术。     

基于小波和支持向量机的光纤微振动传感器模式识别

为实现对双M-Z型光纤传感器的振动信号进行识别,提出一种基于小波能熵和支持向量机(SVM)的光纤传感信号模式识别方法。该方法对小波分解得到的各频段系数求解其能量信息熵,归一化后得到特征向量。其作为SVM的输入,通过选用合适的核函数和多类的分类方法,对SVM多类分类器进行建模。在多种振动信号的条件下,用测试样本对SVM分类器模型进行测试,测试结果表明:该方法对双M-Z型光纤微振动传感器的振动信号的分类达到了较高的识别率。     

基于最小二乘支持向量机的航煤干点软测量应用研究

传统支持向量机是近几年发展起来的一种基于统计学习理论的学习机器,在非线性函数回归估计方面有许多应用。最小二乘支持向量机用等式约束代替传统支持向量机方法中的不等式约束,利用求解一组线性方程得出对象模型,避免了求解二次规划问题。本文采用最小二乘支持向量机解决了航空煤油干点的在线估计问题,结果表明,最小二乘支持向量机学习速度快、精度高,是一种软测量建模的有效方法。在相同样本条件下,比RBF网络具有较好的模型逼近性和泛化性能,比传统支持向量机可节省大量的计算时间。     

基于支持向量回归的非线性多功能传感器信号重构

在多功能传感器信号重构中,通常采用经验风险最小化准则实现函数回归,在小样本情况下,该方法易导致泛化性差和过拟合问题.本文利用支持向量回归方法实现非线性多功能传感器信号重构,支持向量机是基于结构风险最小化准则的新型机器学习方法,可有效抑制过拟合问题并改善泛化性能.仿真结果表明经该算法重构后的信号重构误差率在0.4%以下,重构效果较好,验证了该算法的有效性.     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

机电设备故障诊断和趋势预测的支持向量机方法

分析了支持向量机(Support Vector Machine-SVM)的分类和回归算法。对近年来SVM在设备故障诊断和趋势预测方面的应用进行了回顾,给出了SVM用于设备状态趋势预测的模型和算法。采用AR(Auto Regressive)模型和SVM模型进行实验台的振动烈度的预测,表明SVM模型具有长区间预测精度高的特点。讨论了SVM在设备故障诊断和趋势预测研究的发展前景。     

基于SVM的软测量建模

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型学习机，本 文提出用支持向量机建立软测量模型．理论分析和仿真研究表明，该方法学习速度快、跟踪 性能好、泛化能力强、对样本的依赖程度低，比基于RBF神经网络的软测量建模具有更好的 推广能力．     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

基于小波和支持向量机的故障趋势预报

从工业生产过程实用的观点出发,鉴于小波变换能有效地对信号进行消噪的优点和支持向量机的卓越学习性能,探讨基于小波和支持向量机的故障趋势预报,并结合专家系统建立解释机制。将其用于工业精对苯二甲酸(PTA)生产过程中对二甲苯(PX)氧化反应器尾氧浓度故障预报的结果表明:该方法能准确地对尾氧浓度故障趋势进行预测,并同时给出故障产生的概率大小,为PX氧化反应器的安全平稳操作提供了保证。     

基于SVM的滚动轴承工作状态检测

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题.本文提出了一种基于多级支持向量机分类器的滚动轴承工作状态识别方法.该方法通过时域特征参数对原信号进行特征提取,不仅计算简单,而且不考虑滚动轴承的型号和转速.试验表明这种方法具有很好的分类能力.