首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 109 毫秒
1.
介绍了机械故障诊断的历史、意义及研究现状,分析了现有故障诊断理论方法的优点及不足之处;简要介绍了统计学习理论和支持向量杌,探讨了适合故障诊断的支持向量机结构;研究了支持向量杌的训练方法,目前支持向量机的训练算法是以序贯最小最优化(SMO)为代表的,其中工作集的选择是实现SMO算法的关键;在对实验结果全面分析的基础上,总结出支持向量机在机械故障诊断领域中应用的若干结论。  相似文献   

2.
基于不同损伤理论,利用人工智能技术来预测岸桥金属结构疲劳寿命的智能算法已经成为岸桥领域新的热点。为提高寿命预测精度,分别利用神经网络算法和支持向量机算法进行仿真实验,估算在两级载荷下的疲劳寿命。根据前人给出的实验数据,分别运用基于遗传算法优化的神经网络和基于粒子群优化的支持向量机算法对正火35#钢和调质45#钢进行疲劳仿真,描述应力与累积损伤之间的非线性关系,以及应力加载顺序对疲劳寿命的影响;并对海洋平台中最为常见的焊接管接头结构进行疲劳参数的预测,以验证经过优化的智能算法的实用性。同时与优化过的BP神经网络和支持向量机预测结果进行比较,表明优化方法对于提高智能算法的预测精度有较大作用。  相似文献   

3.
小波支持向量机在结构损伤识别中的应用研究   总被引:2,自引:1,他引:1  
基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机(SVM)的核函数.得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。  相似文献   

4.
为克服支持向量机在故障诊断应用中存在的不足,设计了基于聚类分析的选择性支持向量机集成学习算法,并应用于模拟电路故障诊断.该方法采用K-means聚类算法去除相似冗余个体,提高剩余个体学习机的差异性,增强了支持向量机集成模型的泛化能力.以ITC 97标准电路中的Leap-Frog滤波电路为诊断实例进行了仿真实验.  相似文献   

5.
重轨标识自动识别对于企业的质量控制至关重要,针对目前主要依靠人工检测法来观察重轨字符的现状,提出利用机器视觉获得图像进行标识识别的思想:在对图像的字符区域进行定位之后,利用基于粒子群算法的支持向量机参数选择方法对重轨标识进行分类。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的分类精度与检测效率,其训练集的字符识别准确率达到了99%,测试集的准确率达到了83%,训练时间为62.195s,各项指标高于遗传算法优化的支持向量机回归模型。能够用于重轨标识的在线检测。  相似文献   

6.
为了实现齿轮箱典型故障的自适应准确辨识,提出一种遗传退火算法优化多核支持向量机的齿轮箱故障诊断模型。首先,将齿轮箱故障振动信号经验模式分解为多个内禀模态分量并提取其幅值能量特征;然后,再基于高斯核和多项式核构建多核支持向量机;最后,将表征齿轮箱故障特征的内禀模态分量能量输入到遗传退火算法优化的多核支持向量机进行故障模式辨识。理论分析表明,多核支持向量机能够逼近任意多元连续函数,遗传退火参数优化可快速准确得到多核支持向量机的全局最优参数向量。通过齿轮箱的故障模拟实验验证了该方法的有效性,结果表明,相比于传统的故障诊断模型,该方法显著提高了齿轮箱典型故障的诊断精度和泛化推广能力。  相似文献   

7.
张烨  黄伟 《机电工程》2022,39(3):411-418
在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO)算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法。首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互信息方法对故障特征进行了筛选,结合某电厂实测数据,利用改进的算法对支持向量机核函数参数和惩罚因子进行了优化;最后,分别使用天牛群算法优化支持向量机模型(BSO-SVM)、粒子群算法优化支持向量机模型(PSO-SVM)、遗传算法优化支持向量机(GA-SVM)模型和支持向量机模型对磨煤机进行了故障诊断,并将其与实际故障类型进行了对比;对4个模型分别添加了不同级别的噪声干扰,并测试了模型的稳定性。研究结果表明:BSO-SVM模型的分类准确率最高,达到了96.88%;在5个级别的噪声干扰下,BSO-SVM模型的评价指标F1ave均能够保持最高水平;与SVM、PSO-SVM、GA-SVM模型相比,BSO-SVM可以更稳定、更准确地识别故障,为磨煤机故障诊断提供...  相似文献   

8.
针对两个目标的交叉重叠,一般分割算法会将其分割为同一个目标的问题,提出了基于支持向量机的分类分割算法。通过分析支持向量机线性可分与线性不可分的分类原理,研究了两个交叉重叠目标的特征属性,提出了提取目标的边缘点坐标作为输入空间的特征向量;分析了支持向量机的训练样本、核函数等对分割的影响,设计了基于支持向量机的分类分割算法。通过实验表明,该算法有效地解决了交叉重叠目标的分割问题。  相似文献   

9.
为了提高纳米加工刀具磨损状态在线监测的精度与泛化能力,提出一种基于增量自适应支持向量机的基于原子力显微镜(AFM)尖端磨损识别方法。该方法以横向力的峰-峰值和方差作为特征变量,通过移动视窗获取增量数据;以维持Kuhn-Tucher定理所要求的最优化条件为准则,在当前支持向量机解结构基础上自适应修改正则化参数C和核参数σ,以获得更新支持向量机结构,并对增量数据及受其扰动的原数据进行分类;根据尖端失效点数量走势,判定尖端磨损程度。实验证明该算法在识别精度与时间上可满足在线检测要求。与定向非循环图支持向量分类器对比,该算法具有更强的鲁棒性与更高的泛化能力。  相似文献   

10.
支持向量机用于变压器故障诊断时,其参数的选择会影响到诊断的准确度。为了提高支持向量机的精确度和效率,将粒子群算法和支持向量机相结合,提出了基于粒子群优化支持向量机的故障诊断方法。用粒子群算法实现对支持向量机惩罚因子及径向基核函数的寻优,从而提高支持向量机的分类性能。仿真结果表明,此方法能够有效提高变压器故障诊断的准确率。  相似文献   

11.
一种T-S模糊模型的自组织辨识算法及应用   总被引:3,自引:1,他引:2  
提出了一种新的具有自适应学习能力的T-S模糊模型辨识算法.该算法通过使同一条规则的高斯函数的宽度参数彼此相等建立与支持向量机等效的T-S模糊模型,在此基础上,利用模糊聚类算法和支持向量机分别建立前后件辨识模型,并利用一种改进粒子群优化算法优化输出误差函数使前后件参数联合辨识,从而获得T-S模糊模型的结构和参数.仿真结果表明,相比其它方法,文中方法具有较高的逼近精度和较好的泛化能力,由此算法获得的直拉单晶炉热场模型具有0.1171的均方差,完全符合均方差小于0.5的要求.  相似文献   

12.
基于GMKL-SVM的模拟电路故障诊断方法   总被引:2,自引:0,他引:2       下载免费PDF全文
提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。  相似文献   

13.
为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO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,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。  相似文献   

14.
This paper focuses on optimisation of process parameters of the turning operation, using artificial intelligence techniques such as support vector regression (SVR) and artificial neural networks (ANN) integrated with genetic algorithm (GA). The model is trained using the turning parameters as the input and corresponding surface roughness, tool wear and power required as the output. Data, obtained from conducting experiments is analysed using support vector machine (SVM) and artificial neural network. SVM, a nonlinear model, is learned by linear learning machine by mapping into high-dimensional kernel-induced feature space. The genetic algorithm is integrated with these to find the optimum from the response surface generated. The results are compared with those obtained by integrating GA with traditional models like response surface methodology (RSM) and regression analysis (RA). This paper illustrates the impact that techniques based on artificial intelligence have on optimising processes.  相似文献   

15.
A quality monitoring method by means of support vector machines (SVM) for robotized gasmetal arc welding (GMAW) is introduced. Through the feature extraction of the welding process signal,a SVM classifier is constructed to establish the relationship between the feature of process parametersand the quality of weld penertration. Under the samples obtained from auto parts welding productionline, the learning machine with a radial basis function kernel shows good performance. And thismethod can be feasible to identify defect online in welding production.  相似文献   

16.
基于SVM的传感器非线性特性校正新方法   总被引:5,自引:0,他引:5  
介绍了一种基于支持向量机的解决传感器系统非线性特性问题的新方法。支持向量机是Vapnik教授提出的基于统计学习理论的新一代机器学习技术,它有效地解决了小样本学习问题,因此该方法对样本数量没有特殊的要求。实验证明该方法有效,同时研究表明该方法也能用于其他系统的非线性校正。  相似文献   

17.
A piezoelectric sensor-based health monitoring technique using a two-step support vector machine (SVM) classifier is developed for railroad track damage identification. Abuilt-in active sensing system composed of two PZT patches was investigated in conjunction with both impedance and guided wave propagation methods to detect two kinds of damage in a railroad track (hole-damage 0.5cm in diameter at the web section and transverse cut damage 7.5cm in length and 0.5cm in depth at the head section). Two damage-sensitive features were separately extracted from each method: a) feature I: root mean square deviations (RMSD) of impedance signatures, and b) feature II: sum of square of wavelet coefficients for maximum energy mode of guided waves. By defining damage indices from these two damagesensitive features, a two-dimensional damage feature (2-D DF) space was made. In order to enhance the damage identification capability of the current active sensing system, a two-step SVM classifier was applied to the 2-D DF space. As a result, optimal separable hyper-planes (OSH) were successfully established by the two-step SVM classifier: Damage detection was accomplished by the first step-SVM, and damage classification was carried out by the second step-SVM. Finally, the applicability of the proposed two-step SVM classifier has been verified by thirty test patterns prepared in advance from the intact state and two damage states.  相似文献   

18.
基于遗传算法的支持向量机分类器模型参数优化   总被引:13,自引:0,他引:13  
建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善。本文运用支持向量机建立模式识别分类器模型,研究影响模型分类能力的相关参数,在分析参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机分类器模型的参数自适应优化算法。最后,用算例表明了本文算法的正确有效性。  相似文献   

19.
为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。  相似文献   

20.
本文提出了一种基于独立分量分析(ICA)和支持向量机(SVM)的混合通信信号调制方式识别的方法,针对接收的信号多为混叠信号、先验知识少、分离困难等特点,采用独立分量分析的方法,将这些独立的信号分离开来。然后引入基于SVM的信号调制方式识别方法,从通信信号的瞬时幅度、相位、频率等特性中提取了6个特征参数,并用SVM调制识别器进行识别。仿真结果证明,在信噪比不低于10dB时,算法的识别率可以达到95%以上,证明了此方法的可行性。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号