基于支持向量机和模态频率的结构损伤诊断

支持向量机（support vector machine，SVM）是一种基于统计学习理论的机器学习算法，能够较好地解决小样本的学习问题。文中介绍支持向量机回归算法，并应用于结构损伤诊断领域；构造基于模态频率的损伤标识量，作为特征参数训练支持向量机实现对结构损伤的定位和程度标识；最后以梁的损伤识别为例进行验证。结果表明，支持向量机在结构损伤诊断领域中具有很好的应用前景。     

基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

基于Levy-ABC优化SVM的水电机组故障诊断方法

水电机组故障诊断实质上是一种典型的小样本机器学习问题,支持向量机作为一种先进的机器学习方法,在解决小样本问题上有着突出的表现,但其参数设置问题一直未能很好的解决。针对此问题,提出了一种基于人工蜜蜂群优化支持向量机的水电机组故障诊断方法,为改进人工蜜蜂群全局搜索能力,引入Levy飞行策略,对原始人工蜜蜂群算法进行改进。实验表明,Levy飞行蜜蜂群优化和支持向量机相结合的水电机组故障诊断算法,对多类故障能够有效地分类,提 高了水电机组故障诊断的准确率,具有一定的工程应用价值。     

应用支持向量机实现转子故障的模式分类

分析了故障检测在机械系统中的重要性,指出应用支持向量机的优点以及它在机械故障检测中的应用.支持向量机是机器学习理论里新的成员,给出了支持向量机的数学概念和定义,将支持向量机引用到机械故障模式的分类中,提出了使用该理论的一般方法.结合着旋转机械的常见故障,应用实验台进行了故障的分类研究.利用旋转机械的频域特征训练支持向量机,并对真实数据进行了分析.从分析结果讨论了改进故障分类效果的手段,指出了支持向量机的应用前景.     

基于烟花算法优化SVM的变压器故障诊断

提出了一种基于烟花算法优化支持向量机的变压器故障诊断模型。标准的支持向量机是二分类,现对其进行非线性处理及多分类变换,使其能适用于变压器故障分类。针对支持向量机参数难以确定的情况,采用烟花算法优化支持向量机,从而搭建烟花算法优化支持向量机的故障诊断模型。实验分析结果表明,所提方法的故障诊断准确率优于其他算法。最后,进一步将算法用于机器学习的其他标准数据集,证明了该算法具有泛化性。     

供应链伙伴关系诊断管理研究

为监控供应链节点企业之间信任的合作状态,提出了供应链伙伴关系诊断管理.应用集成规则推理、案例推理和支持向量机,共同应对供应链伙伴关系诊断管理问题.首先,描述了供应链伙伴关系诊断管理的概念.然后,进行了供应链伙伴关系诊断运作的详细分析.在其基础上,综合规则推理、案例推理和支持向量机的优势,构建了一种新型的混合推理方法,以支撑供应链伙伴关系协同诊断.建立了供应链伙伴关系诊断混合推理的过程与结构.最后,在节点企业意愿信任诊断中应用了该管理过程.     

基于支持向量机的钢淬透性预测研究

支持向量机是建立在统计学理论之上的强有力的机器学习技术。本文提出了基于支持向量机模型预测钢淬透性的方法，并分析了核函数的选择对支持向量机建模的影响。以江阴兴澄钢铁公司的实际数据进行实验，结果表明，支持向量机方法有着良好的泛化能力，优于人工神经网络建模方法。     

基于支持向量机的机床故障诊断研究

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。     

基于SVM的船舶动力定位系统预测控制

支持向量机(SVM)是基于统计学习理论的新一代机器学习技术。基于预测控制思想,利用支持向量机回归进行非线性系统辨识,并将支持向量机模型应用到船舶动力定位(DP)预测控制,提出一种基于支持向量机的非线性系统预测控制策略。仿真实验表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力,预测控制效果良好。     

统计学习和支持向量机的理论与应用

统计学习理论是由Vapnik等人提出的一种专门研究小样本情况下机器学习规律的基本理论和数学构架,是对小样本数据进行统计估计和预测学习的最佳理论,同时也发展了一种新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.本文介绍了统计学习学习和支持向量机的基本理论,并就其应用现状及发展前景进行了讨论.     

基于遗传算法的支持矢量机及其在企业资源计划中的应用

为使支持矢量机的参数确定过程更简单高效,提出了一种基于遗传算法的支持矢量机算法.该算法首先确定误差惩罚因子和核参数,利用遗传算法,通过对训练样本自动进化得出对应最优分类超平面,减少了耗时,完成了对确定过程的智能化和参数结果值的最优化;其余两个参数则由支持矢量机算法确定.该算法在Ratsch标准模式库中进行了实验结果的对比,结果表明具有优势,并在一粮食企业的企业资源规划系统资信评估中成功应用,证明该算法具有更好的识别率和更高的性能.     

Optimisation of turning parameters by integrating genetic algorithm with support vector regression and artificial neural networks

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.     

一种残差注意力迁移学习方法及其在滚动轴承故障诊断中的应用

提出了一种基于残差注意力卷积神经网络(CSRA-CNN)的迁移学习算法,用于提高滚动轴承的故障诊断精度。在卷积神经网络模型中加入残差注意力机制,使模型在训练过程中更加注重故障特征的提取,从而有效提高迁移准确率。为了测评基于残差注意力卷积神经网络的性能,将其与传统卷积神经网络在不同迁移学习策略下的结果进行对比。用动力传动故障诊断综合实验台和高速列车综合实验台对所提算法进行了验证,该方法可以完成变转速以及变转速变载荷下轴承不同健康状态的迁移学习,且迁移效果均优于传统的卷积神经网络。     

拉曼光谱结合深度学习算法的塑料分类的研究

拉曼光谱法能识别塑料制品光谱特征峰,但操作流程繁琐且准确率有待提升,对此提出了基于一维卷积神经网络 (one-dimensional convolution neural network, 1-D CNN) 的塑料制品分类算法,首先建立以聚乙烯 (polyethylene, PE) 、聚丙烯 (polypropylene, PP) 、聚对苯二甲酸乙二醇酯 (polyethylene terephthalate, PET) 和聚苯乙烯 (polystyrene, PS) 为原材料的40种塑料包装样本数据集;然后设计1-D CNN、K近邻 (KNN) 、决策树 (DT) 和支持向量机 (SVM) 4种算法模型进行训练,并在光谱分类流程、模型准确率和鲁棒性等方面进行对比。实验结果表明,1-D CNN在不经过预处理条件下分类准确率达到98.62%,且在60 dB噪声下仍有96.42%的准确率,优于另外3种传统机器学习算法模型。该结果证实,拉曼光谱融合神经网络的多分类方法可提升塑料制品检测性能。     

基于AdaBoost_SVM的轧机的状态评估

为了解决大型轧机设备的早期状态评估难的问题,针对样本数量较少和质量不佳时ANN表现出的过学习和欠学习的现象,及传统的SVM多用于二分类的问题,提出了一种基于AdaBoost_SVM算法的轧机状态评估方法。通过AdaBoost算法连接多个SVM弱分类器,从而得到分类准确率更高的强分类器AdaBoost SVM模型。该算法在轧机数据集上进行了测试,并且与传统的ANN算法、SVM算法进行了比较,实验结果表明AdaBoost_SVM算法具有更好的分类精度。     

基于模拟退火-粒子群算法优化支持向量机参数的连铸漏钢预报

针对连铸漏钢预报神经网络模型在小样本训练数据情况下难以获得较高预报准确率的问题,提出了一种基于模拟退火-粒子群（SA-PSO）算法优化支持向量机（SVM）参数的连铸漏钢预报算法。将粒子群优化算法引入支持向量机的训练过程中,利用其调整参数少、寻优速度快的优点,有效地提高了漏钢预报模型的寻优速度;利用模拟退火算法对粒子群算法迭代更新后粒子的新位置加以评价,来决定新位置是否被接受,避免了粒子群算法在迭代寻优过程中陷入局部极值的问题。结合某钢厂连铸现场历史数据对提出的连铸漏钢预报算法进行了测试,测试结果表明,所提算法的连铸漏钢预报准确率可达98.8%。     

一种改进BP算法及其在滚动轴承故障诊断中的应用

分析了前向型神经网络动力系统模型。根据该模型的特点提出了能够克服传统BP算法学习速度慢、容易陷入局部极小的新算法，改进后的算法用于滚动轴承故障诊断，试验结果表明，该算法可以有效缩短网络在训练过程中滞留于局部极小区域的时间，大大提高网络的学习速度。     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

Smart health evaluation of slewing bearing based on multiple-characteristic parameters

A rotational connection between two substructures generally consists of a slewing bearing which is very often used for heavy loads at low speeds. Slewing bearing condition monitoring is a good method to identify the inception and propagation of structural defects at an early stage for timely remedy, and ultimately, enable condition-based “intelligent” maintenance instead of schedule-based. The traditional health evaluation accuracy is not high based on single vibrating signal. We present a new strategy for health evaluation of slewing bearing based on multiple characteristic parameters and the artificial neural networks, and we applied the genetic algorithm to model multiparameters health evaluation. Seventy days fatigue life test was carried out using a special slewing bearing test table and 70 sets data was chosen to input the networks evaluation model for training and evaluation. Test results show that the ANN (Artificial neural network) with GA (Genetic algorithm) optimization converges more easily, takes fewer iterations and shorter training time, and has higher precision and good stability. And the output of multi-parameters health evaluation network model shows a better agreement with the target. The evaluation results were in accordance with the experiment. Therefore, this methodology can be used to evaluate the health state of slewing bearing.     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.