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。     

SVM多类分类算法及其在故障诊断中的应用

支持向量机理论最初是针对两类问题线性可分的模式识别提出来的.在故障诊断领域,多类故障诊断是经常出现的问题.介绍了几种基于支持向量机的多类分类算法的原理,在此基础上提出一种权重二叉树多类分类算法,考虑故障状态和正常状态、重要故障和次要故障、常见故障和不常见故障之间的权重不同,适当把最佳分类面往远离重要的或常见的类别一方偏离一定的距离.在小样本情况下对转子模拟试验台典型的多类故障进行诊断,结果表明它比较符合实际工程要求.     

球结构支持向量机在转轴碰摩位置识别中的应用

摘要：碰摩是旋转机械中常见的故障,碰摩故障位置识别是一个有待深入研究的故障诊断问题。对球结构支持向量机进行改进,充分考虑分类球的大小对分类的影响,经过理论分析和仿真实验得到新的分类规则。把转轴上不同位置的碰摩当作不同的故障,转轴碰摩故障位置识别就是个较大规模的多类别故障诊断问题,运用改进的球结构支持向量机进行转轴碰摩故障位置识别。实验结果表明,和其他同类算法相比,改进的球结构支持向量机具有识别率高、速度快、计算量少、数据处理容量大等优点,适合于较大规模的多类别故障诊断。
     

基于多输出支持向量回归机的有限元模型修正

为了克服神经网络以及单输出支持向量回归算法在有限元模型修正中的不足,提出了基于多输出支持向量回归算法的有限元模型修正方法。根据5-折交叉验证法选择支持向量回归机的参数,用均匀试验设计法构造样本,联合结构的动力和静力响应数据作为输入,多个设计参数作为输出,以支持向量回归机逼近输入输出二者之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,求解设计参数的目标值。空间网格结构数值模型的分析结果表明,该方法能同时修正多个设计参数,在少量样本的情况下具有较高的修正精度,为有限元模型修正提供了一种新的探索。     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

基于一类超球面支持向量机的机械故障诊断研究

针对机械故障诊断中故障类样本不易获取以及样本分布不均的问题,提出了基于一类超球面支持向量机(SVM)的故障诊断方法,该方法只需要对正常类样本进行训练.试验分析了异常类样本缺失对一类超球面支持向量机性能的影响,并提出模型参数优化选择方法,以提高分类模型的推广能力.分析了不同训练结果的分类能力,并对一类超球面支持向量机与一类超平面支持向量机的分类结果进行比较,验证了前者的正确性和有效性.     

基于随机RF的集成SVM故障诊断改进算法

针对工业系统监控数据不均衡导致的故障状态难以被识别问题,提出一种基于随机旋转森林的集成支持向量机(RRFESVM)故障诊断算法,通过将监控数据进行属性随机分割、组合、PCA变换和样本有放回重采样,组建多个新训练子集并使用支持向量机算法进行训练,得到多个支持向量机故障诊断基分类器,集成得到强分类器,由此既保证基分类器之间的差异性,又保证故障诊断精度和分类器性能稳定性,从而解决故障诊断易偏置问题,提高作为少数类的故障状态实时诊断准确率。亚轨道飞行器再入过程实验与TE化工过程实验都表明RRFESVM故障诊断算法能够有效提升不均衡数据情况下的实时故障诊断性能。     

免疫支持向量机复合故障诊断方法及试验研究

研究了传统分类算法在故障诊断中的不足,融合人工免疫系统中的实值否定选择(RNS)算法和支持向量机(SVM)算法提出了一种复合的故障诊断方法。在新方法中使用RNS算法产生检测器(非己集合)当作故障样本,这些样本再作为SVM算法的输入进行训练,这样就能解决分类算法所面临的训练样本不足的难题。轴向柱塞泵发生故障时,由于滑靴对斜盘冲击产生的振动信号被高频谐振信号调制,通过小波簇包络解调方法将调制信号解调出来,然后对包络信号用小波包分解子带特征能量法进行特征提取。最后用轴向柱塞泵多松靴和配流盘磨损多故障模式样本进行诊断测试,正确率可达90%以上,验证了复合诊断方法的有效性。     

基于核主元分析与纠错输出编码SVM的齿轮故障诊断

摘要：为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。
     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于支持向量机的汽车发动机故障诊断研究

研究在汽车发动机不解体的情况下获取发动机缸盖表面的振动信号和上止点信号,按曲轴转角的周期对振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值。建立发动机各缸不同故障状态的训练集,用支持向量机的方法实现发动机故障模式的诊断与识别。研究结果表明,该方法对汽车发动机故障类型、故障位置的诊断识别具有重要工程意义。     

基于LS-SVR岩石爆破块度预测

为了准确预测小样本条件下露天矿山岩石的爆破块度,并得到小样本条件下预测露天矿山爆破块度的有效方法,借助最小二乘支持向量机工具(LS-SVMlab)构建基于最小二乘支持向量机回归(LS-SVR)预测模型并合理优化模型参数。分别使用15组露天矿山爆破数据和35组爆破数据作为小样本容量和正常样本容量,对模型的预测精度进行检验。结果表明:两种样本容量下LS-SVR预测模型的预测结果精度都比同样本容量下人工神经网络(ANN)回归预测的结果精度更高,说明所提出的LS-SVR模型适用于预测露天矿山爆破块度,并且在小样本条件下更具优势。     

预测型数据挖掘中的优化方法

数据挖掘是一个多学科相互交叉融合所形成的具有广泛应用前景的新兴研究领域。本文从最优化的观点出发,论述了预测型数据挖掘中的优化问题,介绍了支持向量机优化模型与算法在模式分类和回归问题中的应用。最后指出从海量数据中进行数据挖掘为优化理论与方法带来的机遇和挑战。     

ESVR算法及支撑向量机算法中参数的确定

支撑向量机是基于有限数据的机器学习算法,主要研究如何从一些给定的观测数据获得目前尚不能通过原理分析得出的规律,利用这些规律去分析客观现象并对无法观测的数据进行预测。本文在已有的支撑向量机算法的基础上,提出了一种新的算法——ESVR算法,它是基于支撑向量回归机的改进算法,利用原有用于回归问题的SVM算法消除了孤立点对已知问题的影响。针对支撑向量机算法中核参数取值对推广性的影响较明显的特点,本文给出了一种核函数中参数的确定方法——渐进搜索法,它可以得到支撑向量机算法中核参数的取值范围,并具有推广误差较小的特点。数值实验表明它们具有较好的效果。     

A particle swarm‐optimized support vector machine for reliability prediction

System reliability depends on inherent mechanical and structural aging factors as well as on operational and environmental conditions, which could enhance (or smoothen) such factors. In practice, the involved dependences may burden the modeling of the reliability behavior over time, in which traditional stochastic modeling approaches may likely fail. Empirical prediction methods, such as support vector machines (SVMs), become a valid alternative whenever reliable time series data are available. However, the prediction performance of SVMs depends on the setting of a number of parameters that influence the effectiveness of the training stage during which the SVMs are constructed based on the available data set. The problem of choosing the most suitable values for the SVM parameters can be framed in terms of an optimization problem aimed at minimizing a prediction error. In this work, this problem is solved by particle swarm optimization (PSO), a probabilistic approach based on an analogy with the collective motion of biological organisms. SVM in liaison with PSO is then applied to tackle reliability prediction problems based on time series data of engineered components. Comparisons of the obtained results with those given by other time series techniques indicate that the PSO + SVM model is able to provide reliability predictions with comparable or great accuracy. Copyright © 2011 John Wiley & Sons, Ltd.     

面向电子商务的客户关系管理数据挖掘模型研究

客户资源是企业竞争力的归宿,客户关系需要进行科学管理,这已成为现代企业的共识。电子化的客户关系管理要求企业建立客户资源数据库,并基于客户资源数据库通过网络实现客户需求分析、挖掘客户资源、实现个性化客户服务等。本文对支持向量机理论进行了研究,在介绍SVM原理的基础上,给出了基于支持向量机理论的高维空间数据挖掘方法,并结合实例研究给出了面向电子商务的智能客户关系管理模型。     

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上，探讨了一种利用LS-SVM进行传感器动态误差补偿的方法，并给出了相应的过程和算法。与标准SVM补偿方法比较，该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束，将求解二次规划问题转化为直接求解线性矩阵方程，在相同样本条件下，使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明，在噪声条件下，LS-SVM方法的补偿误差约为SVM的40％。因此，LS-SVM补偿方法学习速度快，抗噪声干扰能力强，更适合传感器动态补偿。     

步态特征精密提取与身份认证

为更有效地检测人体目标,弥补单一模型在步态特征提取中的不足,提出了基于双模型的步态特征精密提取方法,且构建了基于步态特征进行身份认证的门禁监控实验平台.首先从摄像机捕获步态视频输入计算机,发现人体目标后对其进行检测与跟踪;然后分割人体轮廓并将其规格化叠加处理获取步态特征图;为精确提取步态特征,将人体整体模型与简化模型相结合,提取步态参数作为识别参量输入支持向量机（SVM）进行分类识别,正确识别率（PCR）为77%～80%.结果表明该方法有助于步态特征的精密提取,且实验平台能较好地自动监控人体目标并进行身份认证.