发动机系统可靠性最小二乘支持向量机分析

准确分析系统可靠性,对于评估产品性能和制定维修策略起着至关重要的作用.采用单步前向预测方式,提出了基于最小二乘支持向量机分析发动机系统可靠性的方法.通过对比最小二乘支持向量机和三种神经网络方法的预测效果,验证了算法的有效性,实验结果表明最小二乘支持向量机能够提供较好的预测精度.在可靠性寿命分析中,为了提高分析的准确性和效率,通过程序化的方法绘制了威布尔概率纸,自动获取相关参数,并对比分析了最小二乘支持向量机预测结果与实际数据对发动机系统可靠性指标的影响,结果显示最小二乘支持向量机能够提供较准确的结果,可以作为系统可靠性分析的一种新方法.     

基于最小二乘支持向量机退化数据的可靠性评估

传统的可靠性评估依赖于产品的失效数据,需要大量的统计数据和试验样本,试验周期长、费用高。针对这一问题,提出了在不需要失效数据的前提下,通过性能退化数据进行可靠性评估的方法。方法建立了基于最小二乘支持向量机的性能退化模型,并用改进的NSGA-Ⅱ算法对模型参数进行了寻优,给出了优化结果和可靠性评估过程。最后通过实例验证了该方法的有效性和可行性。     

支持向量机在液压支架可靠性预测中的应用

为了提升国产高端液压支架的竞争力,急需开展可靠性工程,对于在役液压支架进行可靠性评估可以有效地为后续得的产品研发、改进提供参考,也可为新研制架型的可靠性试验提供参考。基于支持向量机对小样本数据处理具有很大的优势,提出了对在役液压支架维修情况调研获得的数据为小子样的情况下,采用支持向量回归机对液压支架故障时间的两参数威布尔分布进行了参数估计,比较了不同经验公式下所得结果的精度,选取最高精度参数评估并预测了该架型的可靠性。结果表明:支持向量机可以很好的用于液压支架小样本维修数据的可靠性评估;液压支架故障时间服从威布尔分布,某常用液压支架无故障工作时间威布尔分形状参数β=3.015 7,尺度参数η=61 728。     

基于最小二乘支持向量机的振动传感器故障诊断

针对目前机械故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法——最小二乘支持向量机（LS—SVM）,它能够得到现有信息下,不仅是样本数趋于无穷大时的最优解,因此,在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。本文介绍了LS-SVM的基本原理和分类方法,并利用其对振动传感器的常见故障进行诊断,结果表明了LS—SVM对设备故障具有良好的分类效果。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于最小二乘支持向量机的磨损预测

针对机器设备磨损产生的因素多,而且磨损量的多少与产生的因素具有高度非线性,磨损难以预测的问题。同时考虑到监测得到的数据为小样本事件也是磨损难以预测的原因,在齿轮箱实验数据的基础上,利用最小二乘支持向量机,给出预测步骤,提出一种以载荷、温度、振动信号特征、速度和时间为输入量,机器设备的磨损量为输出量的预测方法。用齿轮箱的实验数据验证了所提出的方法的有效性。     

基于最小二乘支持向量机的锂离子电池的SOC估算

由于储能系统是微电网中必不可少的一部分,锂离子电池因其寿命长、使用效率高和储能密度大等优点,成为微电网中较为理想的储能装置。在电池的使用过程中,由于要求对电池的容量有精确的判断,因此应检测电池的SOC。本文在分析了不同的SOC估算方法的基础上,针对微电网中储能使用的锂离子电池,提出了使用最小二乘支持向量机的方法估算其SOC,并进行了具体的试验验证。试验显示,预测数据与实际数据的最大误差约为6%,充分证明了该方法是可行和有效的。     

传感器动态建模的最小二乘支持向量机方法

提出了应用最小二乘支持向量机（LSISVMs）建立传感器动态模型的方法。LS-SVMs的训练过程遵循的是结构风险最小化原则，而不是通常神经网络的经验误差最小化原则，遵循该原则可获得更好的泛化性能，且不易发生局部最优及过拟合现象，因此可以克服应用人工神经网络建立传感器动态模型的缺陷。通过实例验证了该方法的实用性及可靠性。实验结果表明，即使传感器动态模型存在严重非线性，该方法也仍然有效。     

最小二乘支持向量机模型的简化结构研究

针对LS-SVM模型复杂度高的问题．本文提出了一种简化模型的思路。在保证LS-SVM模型性能不变的前提下,通过该模型的少量输入输出样本,利用LS-SVM建模进一步拟合该模型。使得到的新模型的复杂度降低。仿真试验表明。本文给出的模型简化方法是有效的。     

基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

为提高基于最小二乘支持向量机（LSSVM）的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化（PSO）的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。     

基于MLMW和CWT灰度矩向量的滚动轴承故障诊断

提出了基于极大提升形态小波(MLMW)降噪的CWT灰度矩向量-LSSVM的轴承故障诊断方法。先利用MLMW对信号进行降噪处理,再将降噪信号的CWT灰度图划分为若干区域,计算各分区的灰度矩组成灰度矩向量,将其作为LSSVM的输入进行故障分类。试验结果表明:相对于原始信号的灰度图,MLMW降噪后的灰度图特征突出、区分显著,相应的灰度矩向量可有效刻画轴承状态;随着分区数增加,诊断准确率升高;相对于原始灰度矩向量-LSSVM方法和小波降噪的灰度矩向量-LSSVM方法,所提出方法准确率高、泛化性好、所需训练样本少,可准确识别轴承故障类型。     

基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究

针对硅锰合金熔炼过程中炉渣碱度在线检测困难、离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法。该方法通过KPCA去除样本数据的噪声,提取输入数据空间中的非线性主元,然后利用LSSVM回归算法建立硅锰合金熔炼炉炉渣碱度预测模型,工业生产过程数据仿真结果表明,与SVM或LSSVM建模方法相比,KPCA-LSSVM预测模型的测量精度高、跟踪性能好,能满足炉渣碱度的在线测量要求。     

基于威布尔模型的数控机床可靠性分析

针对数控机床的运行可靠性规律进行了研究。根据采集的国产机床运行数据,对其无故障运行间隔时间进行统计分析,确定其分布类型服从威布尔分布。利用威布尔分布的参数评估方法,确定出三参数威布尔分布的各个特征量,并与两参数威布尔分布相比较。运用威布尔分布模型及可靠性评定方法确定出数控机床的平均无故障时间和使用可靠性规律。     

基于SK和LSSVM的飞机空气制冷机寿命趋势分析

针对工程上所获取的飞机空气制冷机信息本身具有的不确定性等特点,提出了谱峭度(spectral kurtosis,简称SK)和最小二乘支持向量机(least squares support vector machine,简称LSSVM)相结合的寿命趋势分析方法。首先,将寿命表征参量通过经验模态分解(empirical mode decomposition,简称EMD)分解为多个固有模态分量(intrinsic mode function,简称IMF),分别对多个IMF分量进行傅里叶变换,得到多个频谱,计算每根谱线的谱峭度;其次,通过谱峭度寻找到影响飞机空气制冷机失效的主要IMF分量,对其进行信号重构;最后,提取重构后信号的能量特征,创建最小二乘支持向量机寿命趋势模型,对飞机空气制冷机寿命趋势进行预测。通过对实际监测数据的分析和验证结果表明,该方法可以实现飞机空气制冷机寿命趋势分析效能,具有很好的工程应用价值。     

结构可靠性分析的支持向量机分类迭代算法

针对结构隐式极限状态函数的可靠性分析，提出了一种支持向量机分类迭代算法。该算法以分类支持向量机来替代隐式极限状态方程，通过构造合理的迭代格式，使得分类支持向量机在对失效概率贡献大的区域收敛于真实的极限状态方程，从而提高了可靠性分析的精度。给出了所提算法的详细步骤，并且用多个算例验证了所提算法的可行性及效率。     

基于S变换的高速列车小幅蛇行识别方法

针对现有的高速列车监测方法没有考虑高速列车振动信号的非平稳特性,从而使得列车出现蛇形失稳现象的问题,提出一种采用S变换的方法对高速列车转向架信号进行处理,进而提取高速列车运行特征。采用最小二乘支持向量机（LS-SVM）对特征进行训练和识别,结果证明,基于S变换的特征提取方法的识别准确率达到了100%,优于基于小波变换的特征提取方法,从而可以及时预测高速列车的运行状态,保障列车的运行安全。     

改进粒子群优化的LSSVM结构损伤评定

为改善结构动力损伤的识别效果,提出了刚度变化指标构架下改进粒子群算法优化的最小二乘支持向量机的结构损伤评估方法。首先,通过由试验技术修正的有限元模型来计算刚度变化指标(stiffness variation index,简称SVI),并进行损伤定位;然后,在SVI基础上,利用改进粒子群算法优化最小二乘支持向量机的超参数,建立结构损伤评估优化模型,计算损伤大小。将该方法用于起重机主梁的损伤评定,研究结果表明,该方法具有较高的精度和效率,能准确地判断结构的实际性态,是一种有效的评估手段。     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

基于SVM实现虚拟协作伙伴的选择

随着经济全球化和网络进程的加快，企业只有开展协作与合作伙伴关系才能更好地生存和发展，因此确定伙伴选择的数学模型和优化非常必要。本文在介绍支持向量机(SVM-suppor tvector machine)基本原理和实现算法的基础上，探讨了支持向量机方法在实现虚拟协作伙伴选择中的应用。通过此模型，能为决策者提供一种有利的支持。