高维小样本数据环境下基于SOA-SVM的机械故障分类研究

针对现有SVM分类算法在高维小样本故障特征分类、适应度函数选择及核心参数优化方面存在的不足，提出一种基于SOA-SVM的机械故障分类算法。利用小波阈值函数对原始故障信号做降噪预处理，基于SOA算法模拟人群的几种随机行为，选择故障数据点最优的移动方向和移动步长，最后寻找到距离SVM分类器超平面几何距离最佳的位置，提升经典SVM分类器的故障数据分类性能。仿真结果表明：提出的故障分类算法具有更强的参数优化性能，在对多个高维小样本数据集的分类中可以获得更高的分类精度。     

Artificial immune system based on adaptive clonal selection for feature selection and parameters optimisation of support vector machines

Artificial immune system (AIS) algorithm based on clonal selection method can be defined as a soft computing method inspired by theoretical immune system in order to solve science and engineering problems. Support vector machine (SVM) is a popular pattern classification method with many diverse applications. Kernel parameter setting in the SVM training procedure along with the feature selection significantly impacts on the classification accuracy rate. In this study, AIS based on Adaptive Clonal Selection (AISACS) algorithm has been used to optimise the SVM parameters and feature subset selection without degrading the SVM classification accuracy. Several public datasets of University of California Irvine machine learning (UCI) repository are employed to calculate the classification accuracy rate in order to evaluate the AISACS approach then it was compared with grid search algorithm and Genetic Algorithm (GA) approach. The experimental results show that the feature reduction rate and running time of the AISACS approach are better than the GA approach.     

基于线性可分SVM的自动化机床在线故障监测系统设计

针对自动化机床在线故障监测存在的问题，设计一种基于线性可分SVM的故障监测系统。在线监测系统的硬件结构由STM32F103ZET6型单片机、传感器模块、存储器模块、通信模块和显示模块等部分组成；在软件算法流程上，利用线性可分SVM分类器，可以确保数据集到最优超平面的几何间隔最大，同时提升距离最优超平面最近数据点的可信度及对故障样本的分类精度。测试结果显示:设计的系统数据训练收敛速度快，故障数据分类精度高，相对于传统监测系统具有性能上的优势。     

A weighted pattern matching approach for classification of imbalanced data with a fireworks-based algorithm for feature selection

ABSTRACT

Learning a classifier from imbalanced data is a challenging problem in Machine learning. A dataset is said to be imbalanced when the number of instances belonging to one class is much less than the number of instances belonging to the other class. Classifiers that proves efficient on standard data fail when the data is imbalanced as they are over trained by the majority class instances. Since class imbalance is a common characteristic of real-world data, the need for better classifiers becomes essential. This paper proposes a novel instance-based classification algorithm called Weighted Pattern Matching based Classification (PMC+) for classifying imbalanced data. PMC+ classifies unlabelled instances by computing the absolute difference between the feature values of the instances in the dataset and the unlabelled instance. PMC+ employs a simple classification procedure with weights and shows reasonably good performance. To improve the performance of PMC+, Fireworks based Feature and Weight Selection algorithm based on the idea of PMC+ has been proposed. PMC+ is evaluated on 44 binary imbalanced datasets and 15 multiclass imbalanced datasets. Although PMC+ does not employ a resampling or cost-sensitive method, experiments show that PMC+ is effective for classification of imbalanced data. The results of the experiments were validated using various non-parametric statistical tests.     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于多类支持向量机的板形识别方法

提出一种基于多类支持向量机理论的板形识别分类器,通过对冷轧工序中板形仪测得的数据进行预处理,获取所需样本数据。采用“一对多”方法训练多类支持向量机分类器,最后用测试样本对训练出的分类器进行性能测试。仿真结果表明该方法在处理小样本数据时识别率非常高,泛化能力更强,为板形识别提供了新的研究方法。     

台阶爆破岩石破碎平均粒径预测的支持向量机方法(英文)

针对传统的岩石台阶爆破破碎评估问题,运用统计学理论,建立预测不同矿山岩石爆破破碎后的平均粒径(X50)的支持向量机(SVMs)回归模型。爆破参数包括爆破设计参数、炸药参数、弹性模量及现场块度大小。SVMs模型选用7个参量作为预测岩石爆破破碎的平均粒径X50输入自变量:台阶高度与钻孔荷载比(H/B),间距与荷载比(S/B),荷载与孔径比(B/D),炮泥与荷载比(T/B),粉因数(PF),弹性模量(E)和现场块度大小(XB)。利用世界各地不同矿山和岩层测量的90组数据来训练和测试SVMs模型,其他12组爆破数据来验证该模型的有效性,并将SVR的预测结果与人工神经网络(ANN)、多元回归分析(MVRA)、传统的Kuznetsov方法及X50实测值进行比较。该方法显现出很好的效果,其预测精度是可以接受的。     

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,进而对轴承剩余使用寿命进行预测。基于ANN和SVM融合模型方法是结合了ANN基于数据的强大特征学习能力和SVM处理小数据集的优势。运用多组轴承衰退振动信号对模型进行验证,比较实验结果表明,相比于随机森林(RFR)模型、LASSO模型、SVM模型和ANN模型,基于ANN和SVM的轴承剩余使用寿命预测方法具有更高的预测精度。     

基于信号分形与支持向量机的点焊检测方法

鉴于分形维数对数据样本集复杂程度的定量描述特点及支持向量机在小样本集合分类和回归方面所具有的显著优势，采用信号数据序列的分形维数作为特征值，提出一种基于信号分形维数及支持向量机的点焊信号检测方法。分别对点焊飞溅缺陷和熔核尺寸缺陷建立两类支持向量机检测模型，构成支持向量机阵列，利用该阵列模型进行点焊飞溅和小尺寸熔核两种缺陷的综合检测。结果表明，该阵列对点焊缺陷的无损检测是比较精确的，能较好地无损检测到点焊过程中飞溅及小尺寸熔核两种缺陷。为点焊的无损检测提供了一种新的方法。     

基于PSO-LS-SVM的漏磁信号二维轮廓重构

漏磁检测技术被广泛应用于铁磁材料的无损评估中,用漏磁信号描述缺陷的几何特征一直是漏磁检测的难点。提出应用最小二乘支持向量机对缺陷轮廓重构的方法,并利用粒子群算法来优化LS-SVM的参数及核函数参数。支持向量机输入是漏磁信号,输出是缺陷轮廓数据,建立了由缺陷的漏磁信号到缺陷二维轮廓的映射关系。训练样本由试验数据与仿真数据组成,测试样本为人工裂纹缺陷。该方法实现了人工裂纹缺陷的二维轮廓的重构,并与BP神经网络、GA-LS-SVM两种方法进行了比较。试验结果表明,该方法具有速度快、精度高和很好的泛化能力,为漏磁检测定量化提供了一种可行的方法。     

基于组合矩和随机森林的转子轴心轨迹识别

针对大型旋转机械难以获得大量故障样本和不变矩识别率低的问题，提出基于组合矩和随机森林模型的转子轴心轨迹识别方法。采用实测的轴心轨迹作为样本，采用Sobel算子提取轴心轨迹的轮廓，基于轮廓的形状几何特征和不变矩构造组合矩。将不变矩和组合矩作为随机森林模型的输入进行分类，证明了组合矩的分类准确率最高。对随机森林、支持向量机和BP神经网络的分类效果进行了对比，结果表明：随机森林的分类准确率要高于支持向量机和BP神经网络，并且识别时间较短，是诊断旋转机械故障的一种新方法     

Improving feature ranking for biomarker discovery in proteomics mass spectrometry data using genetic programming

Feature selection on mass spectrometry (MS) data is essential for improving classification performance and biomarker discovery. The number of MS samples is typically very small compared with the high dimensionality of the samples, which makes the problem of biomarker discovery very hard. In this paper, we propose the use of genetic programming for biomarker detection and classification of MS data. The proposed approach is composed of two phases: in the first phase, feature selection and ranking are performed. In the second phase, classification is performed. The results show that the proposed method can achieve better classification performance and biomarker detection rate than the information gain- (IG) based and the RELIEF feature selection methods. Meanwhile, four classifiers, Naive Bayes, J48 decision tree, random forest and support vector machines, are also used to further test the performance of the top ranked features. The results show that the four classifiers using the top ranked features from the proposed method achieve better performance than the IG and the RELIEF methods. Furthermore, GP also outperforms a genetic algorithm approach on most of the used data sets.     

基于DAG-SVM的煤矿井下输送装置故障在线检测

针对现有故障在线检测方法分类性能差、检测率低的不足,提出一种基于DAG-SVM的煤矿井下输送装置多故障在线检测方法。提取井下输送装置各构成零部件的原始故障信息,对故障信号进行降噪和归一化处理,得到高频特征向量;利用DAG-SVM故障分类方法,根据故障特征向量的种类和数量构造多个分类器,通过两两比对准确识别出故障类别,并预估出故障样本的演化趋势。数据仿真结果表明：利用所提出方法确定的超平面更为合理,该方法分类精度高,多故障综合在线检测准确率达到99.47%,显著优于现有检测方法。     

电压近似熵-SVM铝合金双丝PMIG焊过程稳定性评价

提出了弧压信号近似熵-支持向量机（support vector machine，SVM）算法来评价铝合金双丝脉冲熔化极惰性气体保护（pulse metal insert gas，PMIG）焊焊接过程稳定性，并经试验验证该方法具有可行性和一定的可靠性.铝合金双丝PMIG焊电流、电压信号近似熵值越大对应焊接过程越不稳定，且相比于电流近似熵值，电压近似熵值能更加明确的表现焊接过程稳定性的差异，所以选取电压近似熵值进行SVM分类.结果表明，文中数据情况下，训练数据集在20%以上时分类准确率均在90%以上，且训练数据越充足分类结果越准确.     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

支持向量机在拉深筋设计中的应用

支持向量机(SVM)以统计学习理论为基础,广泛应用于回归预测。文章根据零件特点,针对拉深筋几何参数和板料拉延阻力间复杂的非线性关系,以拉深筋流入量作为衡量板料拉延阻力的参数,利用支持向量机建立其与嵌入程度、弯曲程度之间的映射关系,分别基于小样本、大样本两组数据预测。结果表明该方法与神经网络模型相比具有更优良的性能,为筋参数基准值的确定提供了很好的指导,并解决了神经网络在小样本预测和泛化能力上的问题。     

On-line chatter detection and identification based on wavelet and support vector machine

Chatter is very harmful to precision machining process. To avoid cutting chatter effectively, a method based on wavelet and support vector machine is presented for chatter identification before it has fully developed. Wavelet transform, which can image the information in both the time and frequency domain, is applied as an amplification for the chatter premonition. Each wavelet packet's energy regularly changes during the development of the chatter, which has a time advantage for the identification. Therefore, a two-dimensional feature vector is constructed for chatter detection based on the standard deviation of wavelet transform and the wavelet packet energy ratio in the chatter-emerging frequency band. A support vector machine (SVM) is designed for pattern classification based on the feature vector. The intelligent recognition system, composed of the feature extraction and the SVM, has an accuracy rate of 95% for the identification of stable, transition and chatter state after being trained by the experiment data. The method can be applied in different machining processes.     

基于GMDH与SVM的信号缺失情景下轴承故障诊断

针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。     

基于LBP-KPCA特征提取的焊缝超声检测缺陷分类方法

焊缝缺陷影响结构安全,缺陷定性是实现结构安全评价的重要基础.研究了一种基于一维局部二元模式（one-dimensional local binary pattern,1-D LBP）算法结合核主成分分析（kernel principal component analysis,KPCA）提取焊缝缺陷回波信号特征的方法.采用1-D LBP算法提取缺陷回波信号的LBP特征,通过KPCA对此LBP特征集进行主成分分析,选取贡献率之和超过90%的前N个主成分作为缺陷分类的特征向量,利用基于径向基核函数的支持向量机（support vector machine,SVM）实现了缺陷类型的自动分类.以夹渣、气孔和未焊透三类焊缝缺陷为对象,开展了缺陷特征提取及分类试验.结果表明,使用LBP-KPCA特征进行缺陷分类时,准确率达到96.7%,优于常规特征,为焊缝缺陷分类及无损评价提供了重要参考.     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。