基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。  

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。  

基于支持向量机的机械系统状态组合预测模型研究

提出了一种新的支持向量机（Support Vector Machines，SVM）机械系统状态组合预测模型。应用FPE（Final Principle Error）准则优化样本的维数，采用时域内的振动烈度和频域内的特征频率分量作为预测机械系统状态的敏感因子，构建了预测模型。支持向量机采用新型的结构风险最优化准则，预测能力强、鲁棒性好。采用径向基函数和ε损失函数，将该模型应用于实验台和旋转注水机组的状态预测，取得了较好的效果。这表明利用支持向量机的组合预测模型，可以降低设备维修代价，提高设备的安全性和可靠性。  

基于频域系统辨识和支持向量机的桥梁状态监测方法

随着大跨度悬索、斜拉桥的增加,保障桥梁安全、降低维护费用成为交通管理以及政府部门关注的问题。针对损伤样本难以获得的实际情况,将桥梁状态监测问题作为模式识别中的“一类学习”问题处理。桥梁模式特征获取过程是“只有输出响应”的系统辨识问题,考虑到监测系统需要在线工作的特点,提出运用概念直观、结果可靠且便于自动实现的CMIF系统辨识方法作为获取模式特征的工具。为了获得足够敏感的异常报警判别函数,采用了基于支持向量机的一类学习算法,这种方法在得到很高灵敏性的同时,可以方便地权衡敏感性和泛化性能之间的矛盾。用香港汀九桥794小时实测数据对所采用的算法进行验证,证明了算法的有效性和实用性,其结果可供设计类似监测系统时参考。  

基于支持向量机的转子振动信号故障分类研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明：该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。  

序贯最小二乘支持向量机的结构系统识别

提出一种用于结构系统识别的序贯最小二乘支持向量机（SLS-SVM）方法,通过对训练数据的序列进入和数据缩减,分别采用增量算法和减缩修剪算法有效地改进了LS-SVM.这种方法克服了标准LS-SVM算法的稀疏性缺失的缺点,并使LS-SVM的序贯训练成为可能.对非线性滞迟结构的在线参数识别显示了所提出方法的鲁棒性和高效率,同时也表明SLS-SVM算法的速度比批处理SVM算法要快.  

红外序列图像的支持向量机分割方法

红外序列图像的准确分割是自动目标识别的关键,而当图像背景复杂时,传统的图像分割技术往往难以满足要求,为此,提出了基于支持向量机的红外序列图像分割方法。序列图像中的部分帧被作为训练样本,通过选择适合的模型参数,运用支持向量机方法建立学习机器,将后续图像帧中的目标从复杂的背景中识别出来,从而实现红外图像分割。实际红外序列图像分割表明,基于支持向量机的图像分割方法不需要复杂的预处理和后处理工作,分割效果理想,对于小目标的图像,识别正确率可达 99%。  

振动信号中的HHT/EMD端点延拓方法研究

针对振动信号中Hilbert-Huang变换的端点效应问题，结合端点效应产生机理和现有研究成果，提出基于时间尺度的LS-SVM端点延拓的抑制端点效应新方法。首先利用LS-SVM回归特性和一种自适应预测法分别对信号极值点的幅值和时间点进行预测延拓，然后对预测的极值信息进行埃尔米特插值，完成对原信号的延拓。利用仿真信号和实测航空发动机振动信号进行分析验证，表明该方法可同时有效抑制两种端点效应，并具有预测精度高、有效延拓距离长、速度快的特点。  

基于支持向量机的油封缺陷图像检测方法

提出一种基于支持向量机分类的油封缺陷图像检测方法,把油封外观中的有无缺陷看作两种不同的类别模式,应用支持向量机对两类不同的样本采样学习,然后进行分类判断。采集油封各部位图像并进行预处理,利用算法切割出各个检测区域图像,根据油封主要部位的各类缺陷特点,选取不同特征参数。应用径向基核函数建立支持向量机识别模型,并通过实验实现核函数参数寻优。实验结果表明,该方法具有检测成本低、可靠性高、泛化能力强、容易在线实施等特点,具有实用推广价值。  

基于DT-CWT和SVM的纹理分类算法

提出了一种基于双树复数小波变换(DT-CWT)和支持向量机(SVM)的纹理分类算法.双树复数小波变换不仅具有实数小波的诸多优点,而且还具有近似平移不变性、良好的方向选择性和低冗余度,并且能对图像进行完全重构,能够更好地刻画纹理的特性;支持向量机算法是近年发展起来的性能优越的分类算法,比传统分类器有很大的优越性:避免了局部最优解和"维数灾"问题,其最优分类超平面的思想能够提高分类准确度.该方法用双树复数小波对纹理图像进行滤波并在各方向子带上进行重构,再计算其局部能量函数得到每个像素的特征向量,最后利用支持向量机算法实现对纹理图像像素的分类.将本方法与其它的分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率.