基于RVM的多功能自确认水质检测传感器

提出了一种多功能自确认水质检测传感器功能模型,可以同时测量水的温度、盐度和pH值,并可对自身工作状态进行自确认.提出了一种基于相关向量机的多功能自确认传感器故障诊断和数据恢复方法,在二分类机基础上利用层次扩展方法得到基于相关向量机的多分类机,对传感器进行故障诊断;利用水质检测过程中多个参数之间的相关信息,解决了非线性、小样本条件下的传感器故障数据恢复问题.构建了多功能自确认水质检测传感器实验平台,实验结果表明故障诊断识别率达到98％,数据恢复相对误差在士4％以内,提高了传感器的可靠性.     

自适应多分类相关向量机的滚动轴承故障识别

提出了一种基于自适应相关向量机(Adaptive multiclass relevance vector machines, A-MRVM)的滚动轴承故障识别方法,该方法利用遗传算法对多分类相关向量机核函数参数进行优化,依据故障样本自身特性自适应地选取最优核参数,克服核参数人为选取的不确定性,从而构建基于自适应多分类相关向量机的故障识别模型。将该故障识别模型应用于滚动轴承故障识别中,分别提取滚动轴承振动信号小波包能量及EEMD(Ensemble empirical mode decomposition)能量作为故障特征进行故障识别,并与其它方法进行实验对比研究。实验结果表明,所提方法不仅能有效识别出故障类型,且具有较高的故障识别模型构建效率,验证了所提方法的可行性及优越性。同时,该方法也能对故障类型发生的可能性进行评估,为分析滚动轴承故障类型提供更多的参考信息。     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

基于灰色支持向量机的汽车制动系统故障诊断与预测

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型-灰色支持向量机预测模型。为了提高预测精度,用粒子群算法对灰色支持向量机的相关初始化参数进行优化,用优化后的模型对汽车制动系统故障进行预测与诊断。实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径。     

基于超球面支持向量机的丝杠故障诊断技术

针对高档数控机床丝杠故障样本不易获取以及样本分布不均的问题,提出了一种用小波包分解和超球面支持向量机进行分类的丝杠故障智能诊断技术.该方法将振动信号小波包分解后的频带能量作为特征向量,输入到超球面支持向量机分类器进行故障识别.通过改变相关参数,研究了模型参数选择在构造超球面支持向量机中的重要作用.试验结果表明,建立的超球面支持向量机模型能够有效地对机床丝杠故障进行诊断.     

一种基于SVR的发动机多模式故障诊断方法

针对传统基于支持向量分类机(SVC)的发动机多模式故障诊断方法需要多个二类分类器的问题,提出了一种基于支持向量回归机(SVR)的多模式故障诊断方法。该方法首先应用归一化的故障数据样本和一个支持向量回归机构建一个发动机故障诊断回归模型,再对支持向量回归机的输出结果进行基于距离的聚类操作得到发动机的故障模式,诊断模型的参数向量采用一种基于Tent混沌映射的量子粒子群优化算法及样本测试集的均方根误差与平均相对误差同时最小的准则进行整定。实验结果表明,所提出的方法能够克服常规支持向量分类机多模式故障诊断方法需要多个二类分类器的缺陷,降低了建模的时间复杂度,有效地提高了发动机的故障诊断性能。     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于最小二乘支持向量机预测器的传感器故障检测与数据恢复

本文介绍了最小二乘支持向量机（LS-SVM）回归的基本原理，提出了一种基于LS-SVM回归的时间序列预测器，并将其用于传感器的故障检测和数据恢复。论述了LS-SVM预测器的实现方法和步骤，并且将其应用于压力传感器的故障检测和数据恢复，同线性神经网络预测器、RBF神经网络预测器和BP神经网络预测器的比较结果表明，LS-SVM预测器具有更高的预测精度，更好的外推能力，计算效率最高，因此，LS-SVM预测器是传感器故障检测和短期数据恢复的一种有效方法。     

基于SVM和遗传算法的装甲车齿轮箱故障模式识别

装甲车齿轮箱故障会严重影响装甲车的稳定运行,对故障进行模式识别是实现智能诊断的关键。基于支持向量机的齿轮箱故障诊断模型中参数C和σ对齿轮箱模型分类识别性能有很大的影响,利用遗传算法对这2个重要参数进行优化可明显提高模型的分类识别性能。试验信号和实测信号应用结果表明,采用该参数优化模型提高了支持向量机的分类的正确率。该方法的应用为实现齿轮箱轴承故障的模式识别和智能诊断提供了帮助。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

支持向量回归粒子滤波器的故障预测方法

为了对系统进行故障预测,针对粒子滤波在故障预测中出现的样本贫化与退化问题,提出了一种支持向量回归粒子滤波器。采用支持向量回归方法建立粒子状态与其权值的非线性函数来估计粒子的连续后验概率密度模型。基于该模型进行重采样获得新的粒子集并更新各粒子的权重,增加样本的多样性与有效性,提高对故障的监控与预测能力。仿真结果表明,该方法是可行的,能够准确预报系统故障。     

电力变压器故障自动化实时检测技术

电力变压器故障高精度检测是保障电力系统稳定运行的基本条件。现结合最小二乘法与支持向量机,构建了最小二乘支持向量机分类模型,通过参数优化与样本分类的方式,实时检测变压器运行故障。首先设计了油色谱在线监测系统,获取变压器故障特征样本信息;然后采用粒子群算法优化分类模型的两个参数,粒子群算法优化参数过程中将分类误差作为适应度值,直到其符合迭代终止条件,输出参数优化结果;最后将优化后的参数带入分类模型,将油色谱在线监测数据作为测试样本,模型输出结果即为变压器故障类型,以此实现电力变压器故障检测的目的。     

支持少样本的高速滚齿工艺参数优化

针对少量历史加工案例支撑下的工艺参数优化问题,提出一种融合支持向量回归和多目标蜻蜓算法的高速滚齿工艺参数优化方法。建立高速滚齿加工效果评价模型,设定ε-支持向量回归参数:核函数类型、惩罚因子和松弛变量,利用多目标蜻蜓算法生成支持向量回归参数组,利用支持向量回归生成包括主轴转速、进给量在内的工艺参数组,计算包括加工质量、加工时间、加工成本、环境影响在内的目标值,运用多目标蜻蜓算法中的Pareto最优方法寻找非支配解,循环上述过程,满足终止条件得到支持向量回归参数和工艺参数非支配解集,即优化支持向量回归参数组和工艺参数组。通过与实际滚齿加工比较验证了所提方法的可行性,并通过与单独支持向量回归等算法的对比说明了该方法在少样本的情况下具备一定优势。     

基于信息熵和GA-SVM的自动机故障诊断

提出了一种运用信息熵和遗传算法优化的支持向量机(GA-SVM)对小口径火炮自动机进行故障诊断的方法。针对自动机工作时的短时冲击信号特征,首先运用具有自适应特性的局域波对信号进行分解得到IMF分量,并对各IMF分量进行Hilbert变换。接着利用信息熵理论提取局域波特征空间谱熵、边际谱熵和时频熵作为故障特征。最后将特征向量输入遗传算法优化的支持向量机进行故障分类识别。利用遗传算法的全局搜索能力对支持向量机的参数进行优化,摆脱了对求解模型的依赖。结果表明,相对于空间穷尽搜索寻找最优参数的支持向量机模型可提高诊断正确率。同时证明将信息熵和GA-SVM方法相结合在自动机故障诊断中的有效性。     

遗传算法和支持向量机在机械故障诊断中的应用研究

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别.既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题.诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度.     

基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

基于MED-SVM的齿轮箱故障诊断方法

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。     

基于遗传退火优化MSVM的齿轮箱故障诊断

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。     

改进ABC-SVM的参数优化及应用

支持向量机算法(SVM)的回归预测性能在很大程度上取决于模型参数的选择,提出一种基于改进人工蜂群算法的SVM参数优化方法并将其应用于铆接件铆接力的回归预测。针对ABC算法存在难以有效确定参数搜索范围的问题,基于支持向量机的渐近性能确定了ABC算法搜索SVM参数的"好区",再引入线性核函数进一步缩小搜索范围,有效地帮助了ABC算法更快搜索到全局最优参数。在此基础上建立改进的人工蜂群支持向量机(I-ABC-SVM)模型,将其应用于铆接力的回归预测。最后,采用仿真对比实验测试模型性能。仿真实验结果表明,相对于参比模型,I-ABC-SVM不仅表现出很强的泛化能力和较快地搜索速度,而且能够很好地解决SVM参数优化和ABC算法初始化参数设置的难题,同时保证了很好的预测性能。