基于支持向量机方法的压电智能结构系统辨识

支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型机器学习方法,克服了传统机器学习方法在训练中的局部极小问题,过学习和欠学习等问题,具有很好的泛化能力.本文介绍了应用于回归分析的最小二乘支持向量机(LS-SVM)的基本理论,然后以随机激励下压电智能结构的响应数据作为训练样本集,采用LS-SVM方法辨识系统,仿真结果验证了这种方法的有效性.     

基于支持向量机的机械系统状态组合预测模型研究

提出了一种新的支持向量机（Support Vector Machines，SVM）机械系统状态组合预测模型。应用FPE（Final Principle Error）准则优化样本的维数，采用时域内的振动烈度和频域内的特征频率分量作为预测机械系统状态的敏感因子，构建了预测模型。支持向量机采用新型的结构风险最优化准则，预测能力强、鲁棒性好。采用径向基函数和ε损失函数，将该模型应用于实验台和旋转注水机组的状态预测，取得了较好的效果。这表明利用支持向量机的组合预测模型，可以降低设备维修代价，提高设备的安全性和可靠性。     

基于最小二乘支持向量机的传感器非线性动态系统辨识

讨论了一种基于最小二乘支持向量机的非线性动态传感器系统辨识方法,并给出了相应的推导过程和学习算法.首先,将传感器的非线性动态系统分解为静态非线性子环节和动态线性子环节串联--Hammerstein模型;然后,建立类似线性的中间模型,通过该模型能将Hammerstein模型的非线性传递函数转换为等价的类线性形式;再通过LS-SVM线性回归算法求取中间模型参数;最后推导出中间模型参数与Hammerstein模型参数之间的关系,并通过该关系反演出原传感器系统的Hammerstein模型参数,实现传感器非线性动态辨识.仿真与实际传感器系统辨识的实验结果均表明该方法可行.     

基于支持向量机的网络风险评估方法的研究

统计学习理论(Statistical Learning Theory,SLT)是一种专门研究小样本情况下机器学习规律的理论,作为统计学习理论的VC维理论和结构风险最小化(Structure Risk Minimization,SRM)原则的具体实现算法支持向量机(support vector machinse,SVM),集优化、核(Kernel)、最佳推广能力等特点于一身,其出色的学习能力被广泛的关注并在各个领域广泛应用,系统介绍基于支持向量机的网络安全风险评估,给出其可行性、优越性及SVM评估模型,最后提出该研究发展方向与前景的预见。     

支持向量机分类法在设备状态评估中的应用

通过在线监测诊断系统,对炼油厂量机分类法应用于设备运行状态的评估,定量给出反映设备运行状态的优劣指标.由评估参数的变化,发现机组出现异常.停机检修发现烟机叶片不均匀磨损,为企业设备维修计划提供科学依据.     

基于振动信号排列熵和集成支持向量机的滚动轴承退化状态评估

针对滚动轴承振动监测信号的非平稳、非线性、非高斯等复杂特点,提出一种基于排列熵和集成支持向量机的退化状态评估方法.通过自适应噪声完备集合经验模态分解算法分解得到振动信号的本征模态函数,再以重构相空间分析本征模态函数的排序模式、提取排列熵作为滚动轴承状态特征,最后利用集成支持向量机来实现不同退化状态的智能评估.滚动轴承正...     

基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

基于网格式支持向量机算法的转轴裂纹故障诊断

支持向量机(SVM)是一种对小样本决策具有良好学习性能的机器学习方法。常规SVM算法是从二类分类问题推导得出的,针对于故障诊断这种典型的多类决策问题,研究了一种网格式支持向量机多类算法,每个类别和其他2至4个类别之间采用常规SVM二值分类器进行分类,所需二值分类器总数少,可扩展性强。把转轴上不同位置的裂纹当作不同的故障,运用网格式支持向量机进行转轴裂纹位置故障诊断,结果表明该算法具有计算量小、诊断速度快、故障识别率高、容易扩展等优点,适合于较大规模的多类别故障诊断应用。     

基于蚁狮算法优化支持向量机的站台门设备状态预测

为了降低地铁机电系统的维修成本、提高地铁站台门设备状态的预测精度,该文提出了一种基于蚁狮算法优化支持向量机的站台门设备状态预测方法。该方法采用ALO算法对SVM进行优化,建立ALOSVM站台门设备状态预测模型,采用站台门实际故障数据进行仿真分析,并与BP神经网络、SVM和ELM的预测效果进行对比,该文提出的方法预测结果的正确率为96.25%,预测精度比其他3种方法高,验证了该文提出的方法的正确性和实用性。     

基于支持向量机的变压器碳排放预测模型

目的 解决变压器中主要设计参数影响下的碳排放量预测问题。方法 本文利用随机森林（Random Forest,RF）算法和支持向量机（Support Vector Machine,SVM）算法进行对比,构建一个变压器碳排放预测模型。结果 通过对变压器的全生命周期进行评价,确定铁芯的长宽比为影响碳排放量的主要因素,对给定参数下的碳排放量进行预测,并与实际值进行对比分析得出,3类预测模型中,SVM高斯核模型的平均绝对误差值约为5.37,与碳排放实际值最为接近,故采用高斯核函数的非线性支持向量机预测模型最优。结论 证明支持向量机高斯核函数预测模型更具有预测准确性和有效性,以期能为生产企业进行低碳设计提供参考依据,为电力行业生产设备的可持续设计研究提供一定的借鉴意义。     

基于环境激励的钢管混凝土拱桥工作模态识别及修正

为了对已经运营多年的钢管混凝土拱桥结构的抗震性能进行验算和评估,以一座钢管混凝土拱桥的实际工程为例,建立其用于抗震分析的初始有限元动力模型,利用设置在拱桥上的健康监测系统,在环境激励下,采用FDD法对实际结构的工作模态进行识别,依据识别结果采用零阶近似法对初始有限元模型进行了修正。通过模态识别到模型修正的途径,可以将健康监测系统与抗震分析联系起来,为抗震分析提供一个基于实际状态的更为准确的动力分析模型。结果表明：FDD法可以准确识别出钢管混凝土拱桥的前5阶模态,具有良好的识别效果;主拱肋、稳定拱、吊杆、横撑和主梁所对应的材料特征值在修正前后的变化量为8。77%~10。21%,对结构动力特性有显著的影响;采用零阶近似法对模型进行修正后可以得到满意的结果,计算频率与实测频率的误差可缩小至0。11%~3。76%,修正后的模型能更为准确的体现实际状况,从而可以对已运营多年的桥梁结构做进一步抗震验算和评估。     

基于马尔科夫链模拟的支持向量机可靠性分析方法

针对实际工程中可靠性分析设计的极限状态方程为隐式的情况,提出了一种基于马尔科夫链模拟的支持向量机可靠性分析方法.所提方法采用改进的马尔科夫链来产生极限状态重要区域上的样本点,再采用支持向量机方法求得相应的函数替代模型来进行可靠性分析.由于马尔科夫链能够自适应的模拟极限状态重要失效区域附近的样本,并且由于采用马尔科夫链备...     

基于SVM回归柔性机构的动态可靠性研究

在柔性机构(Flexibility Mechanism,FM)动态可靠性分析中,为了提高其计算精度和计算效率,通过融合蒙特卡洛和支持向量机回归理论,提出了一种新的SVM回归极值法(SVM Regression Extremum Method,SREM)。该方法借助ADAMS软件抽取FM动态响应极值的小样本,基于支持向量机回归理论建立FM动态响应极值的代理模型,使用此代理模型进行FM动态响应可靠性分析。最后,利用蒙特卡洛法、SVM回归极值法和另外两种方法对柔性曲柄摇杆机构的摇杆最大摆角可靠度进行分析。结果显示：在小样本情况下,SVM回归极值法的计算精度与MC相当,精度明显高于另外两种方法;SVM回归极值法的计算效率比MC大幅度提高,与另外两种方法计算效率相当。验证了在小样本情况下,SREM在FM动态可靠性分析中高效率和高精度。     

基于支持向量机和蒙特卡洛法的结构随机灵敏度分析方法

该文利用具有良好小样本学习能力的支持向量机回归拟合结构响应的显式函数, 计算随机变量的灵敏度系数, 并结合蒙特卡洛法对结构响应的随机性进行分析。采用自适应混合粒子群法优化支持向量机相关参数取值, 提高了计算效率。通过两个工程算例验证了该方法的可行性, 并对比了训练样本抽样方法对计算精度的影响。算例结果表明：利用补充抽样方法抽取训练样本计算结构随机性得到的结果精度高, 拟合的概率密度分布曲线可以更好的反映真实情况;同时利用灵敏度系数研究了算例中不同随机变量对结构响应的敏感性。     

几个机械状态监测特征量的特性研究

本文深入分析了机械状态监测中常用的几个特征量：峭度系数、重心频率、均方频率和频率方差的特性,指出峭度系数虽然对信号中的突变成分很敏感,但当突变发生的频度增加时,峭度系数值反而下降;而重心频率、均方频率和频率方差近似由自相关系数决定,也即它们的信息都包含在自相关系数中,可用时域公式快速计算。     

基于加权线性响应面法的支持向量机可靠性分析方法

针对估算非线性隐式极限状态函数的失效概率问题,提出了一种基于加权线性响应面法的支持向量机可靠性分析方法。首先采用加权线性响应面确定设计点,在线性响应面迭代的同时获得一定数量的样本,然后在这些样本和设计点附近补充抽取样本的基础上,采用具有良好小样本学习能力的支持向量机方法来训练样本,保证了在设计点周围获得更好的非线性极限状态函数的替代。这种方法既保证了对设计点的精确近似,又保证了对设计点附近非线性极限状态函数的良好近似,大大提高了失效概率的计算精度,为非线性隐式极限状态的可靠性分析提供了一种合理可行的方法。     

基于小波包和进化支持向量机的齿轮早期诊断研究

针对齿轮早期故障的特征不明显，提出了一种基于小波包和进化支持向量机的齿轮故障诊断方法，该方法既充分利用了小波包优良的时频局部化特性，又利用了支持向量机在小样本情况下出色的学习性能和良好的推广特性，以及遗传算法的全局优化能力。在齿轮试验台上的应用结果表明，经过特征提取和参数优化后，提高了支持向量机的分类能力。     

基于局部主频率的子结构损伤识别研究与试验

针对大型复杂结构的整体监测常常面临测量信息不足等困难,提出只利用局部动态响应进行子结构损伤识别的局部主频率方法.子结构的局部主频率指：如果整体模态中含有以局部子结构位移为主的模态,即等价于在局部激励作用下,整体结构的振动主要体现为子结构的振动,并且主要以这阶局部模态振动为主,那么对应的该阶频率即定义为子结构的局部主频率.局部主频率主要反映子结构的局部特性,对子结构损伤的灵敏度高,所以只利用局部主频率就可以识别子结构.当子结构特征不明显时,提出通过附加质量使子结构具有局部主频率的有效方法.该文进行了大型空间桁架的局部动力测试试验,试验中通过附加质量使杆件子结构具有局部主频率,并能准确地识别出杆件损伤的位置和程度.     

基于小波分析的桥梁健康监测方法

通过分析桥梁健康监测中的几个关键性问题,阐述了测试数据分析处理的重要性。针对小波分析技术在信号处理和数据分析领域的优势,举例说明了小波分析在桥梁健康监测中的应用,包括可实现结构振动测试数据的信号去噪、信号检测、特征提取和数据压缩,显示出以小波分析为工具能非常有效地完成桥梁结构健康监测中的特定目标。并基于小波分析提出了结构损伤识别四阶段方法,可分阶段实现大型桥梁健康监测中的损伤预警、确认、定位及定量。较全面地展示了小波分析在桥梁健康监测中的广泛应用前景。