车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。     

列车行驶时桥梁结构损伤预警的时域方法

根据列车行驶时,铁路桥梁结构的损伤状态与列车荷载的相关性,提出了一种结构损伤预警的时域方法。该方法首先进行结构损伤敏感性分析,确定结构的易损截面;然后根据易损截面的损伤状态,从列车在桥梁上的行驶时间区域中,选择合适的子区域;再以加速度时域数据作为损伤指标,采用模式识别中支持向量机的方法在每个子区域内进行损伤预警研究。对一个三跨连续梁的实例分析表明：该方法具有较好的识别能力和较强的抗噪声能力。     

基于SVM的船舶上层建筑舱室噪声预报方法

摘 要：为对舰船舱室噪声进行精确预测,提出了基于SVM（支持向量机）的舱室噪声预测方法。采用RBF核函数和ERBF核函数,以某集装箱船上层建筑舱室噪声为训练样本,建立了两种集装箱船上层建筑舱室噪声的非线性回归模型;并应用两种模型对母型船及另一艘集装箱船上层建筑舱室噪声进行预测,并将预测结果进行了比较分析;在此基础上,应用效果较好的模型对一艘散装货船上层建筑舱室噪声进行预测。预测结果表明：应用SVM非线性回归模型对船舶上层建筑舱室噪声的预测是可行的,预测效果较为理想。     

基于多输出支持向量回归机的有限元模型修正

为了克服神经网络以及单输出支持向量回归算法在有限元模型修正中的不足,提出了基于多输出支持向量回归算法的有限元模型修正方法。根据5-折交叉验证法选择支持向量回归机的参数,用均匀试验设计法构造样本,联合结构的动力和静力响应数据作为输入,多个设计参数作为输出,以支持向量回归机逼近输入输出二者之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,求解设计参数的目标值。空间网格结构数值模型的分析结果表明,该方法能同时修正多个设计参数,在少量样本的情况下具有较高的修正精度,为有限元模型修正提供了一种新的探索。     

基于核主成分分析及支持向量机的水轮机叶片裂纹源定位

结合核主成分分析(KPCA)以及支持向量机对水轮机转轮叶片裂纹源的声发射信号进行定位。结果表明,利用核主成分分析提取的特征参数进行定位的精度高于原始参数的定位精度,即输入9个特征参数时,支持向量机在叶片区域的识别率为100%,在裂纹源对焊缝距离的支持向量回归分析中的最大误差为20cm。因而结合KPCA和支持向量机对复杂的大尺寸结构进行定位是一种较好的方法,既减少了输入信号的维数,又提高了定位精度。     

基于最小二乘支持向量机的结构地震响应时滞控制算法

针对时滞会导致控制系统效果降低、控制性能恶化甚至系统不稳定,将线性二次型控制（Linear Quadratic Regulator,LQR）与最小二乘支持向量机（Least Squares Support Vector Machines,LSSVM）进行集成,提出时滞LSSVM-LQR智能控制算法。该算法采集结构状态响应数据后,将用LQR算法计算出的结构最优控制力输入到LSSVM中,以训练并回归预测出时滞后时刻的最优控制力;由作动器对结构提供控制。基于MATLAB平台编写计算程序,并用一幢三层框架结构进行数值验证。结果表明,LSSVM-LQR算法能有效降低时滞对结构控制系统的不利影响。     

基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

基于粒子群-向量机的汽车加速噪声评价

以乘用车由50 km/h加速到100 km/h时的噪声信号为评价对象,用成对比较法对车内加速噪声品质偏好性进行主观评价实验,获得每个样本的偏好性评价值。计算各噪声样本的主要心理声学客观参数并进行相关分析。鉴于评价者对非稳态噪声主观评价过程的复杂性,建立支持向量机(Support Vector Machine,SVM)的主客观评价模型,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对模型参数进行优化。为对比优化后预测效果,建立BP神经网络回归模型。结果表明,优化后的粒子群-向量机回归模型用于噪声声品质评价能获得更好的预测效果,可较大程度提高声品质预测精度。     

白噪声激励下的复合材料层合结构损伤检测的内积向量法

利用白噪声激励下结构各测点的动力学响应之间的互相关函数,引入了内积向量（Inner Product Vector,IPV）的概念,提出了应用内积向量进行结构损伤检测的方法,并分析了测试噪声对基于内积向量的损伤检测方法的影响。通过对复合材料层合梁的分层损伤检测仿真算例,验证了该方法检测损伤的有效性以及较高的抗噪能力。     

支持向量回归算法在梁结构损伤诊断中的应用研究

支持向量机算法具有很优秀的回归特性，所以将其应用于梁结构的损伤诊断方面。以模态频率作为特征参数，训练支持向量机实现对损伤的定位和程度标识，并通过对悬臂梁的损伤识别仿真计算进行了验证。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。     

基于遗传支持向量机的柴油机辐射噪声品质预测技术

以一台六缸车用柴油机为例,研究了其在变负荷及转速工况下表面辐射噪声品质情况,为进一步提高整机声品质,开展柴油机结构声学设计奠定了理论基础。研究国内外车用柴油机客观评价特征,并选取响度、尖锐度、粗糙度和波动度来描述辐射噪声的客观评价特征;针对柴油机噪声特点,采用成对比较法开展以专业陪审团人群为目标的满意度评价研究;应用遗传算法优化支持向量机（GA-SVM）建立起该车用柴油机声品质预测模型,并与BP神经网络预测模型进行比较,结果表明,基于遗传算法优化的支持向量机辐射噪声品质预测模型较神经网络建模预测精度更高,能够更准确地反映客观评价参量与主观满意度之间的非线性映射关系。     

基于Littlewood-Paley小波支持向量机的故障诊断

提出一种基于Littlewood-Paley小波支持向量机(LPWSVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值Shannon熵作为故障特征矢量输入到LPWSVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值Shannon熵矢量的不同拉大了各类故障的互异性;Littlewood-Paley小波核是一种具有平移正交性的多维允许支持向量核函数,可以其正交性逼近二次可积空间上的任意函数,具有良好的非线性映射能力,因而LPWSVM在同等条件下比一般最小二乘支持向量机的学习精度和自适应识别能力要高,更适用于故障诊断等复杂模式识别问题。一个滚动轴承故障诊断实例说明该模型的有效性。     

基于核主元分析与纠错输出编码SVM的齿轮故障诊断

摘要：为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。
     

基于时间序列分析的结构损伤识别

针对如何从结构响应信息中提取结构损伤指标的问题,提出了一种基于时间序列分析的结构损伤识别方法。对结构响应数据进行预处理,利用完好工况下的结构响应数据作为参考数据,建立自回归(Auto regression-AR)预测参考模型。利用已建立的AR预测参考模型计算待识别工况的残差,将待识别工况的残差与AR预测参考模型的残差的方差之比作为损伤指标,对结构损伤进行识别;通过算例表明:该损伤指标不仅可以判断结构是否发生损伤,而且可以识别结构的损伤位置。     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

球结构支持向量机在转轴碰摩位置识别中的应用

摘要：碰摩是旋转机械中常见的故障,碰摩故障位置识别是一个有待深入研究的故障诊断问题。对球结构支持向量机进行改进,充分考虑分类球的大小对分类的影响,经过理论分析和仿真实验得到新的分类规则。把转轴上不同位置的碰摩当作不同的故障,转轴碰摩故障位置识别就是个较大规模的多类别故障诊断问题,运用改进的球结构支持向量机进行转轴碰摩故障位置识别。实验结果表明,和其他同类算法相比,改进的球结构支持向量机具有识别率高、速度快、计算量少、数据处理容量大等优点,适合于较大规模的多类别故障诊断。
     

基于LSSVR-AR模型的电解电容状态预测方法

针对传统的状态预测方法预测精度不高的问题,提出了一种基于最小二乘支持向量回归机(LSSVR)和AR模型相结合的非平稳时间序列建模的方法(LSSVR-AR),并应用于Buck电路的电解电容等效串联的状态预测中.对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;用组合模型对电解电容的等效串联电阻进行状态预测.用本文所提出的方法对其预测的平均绝对百分比误差为6.57%,低于单一的LSSVR模型.实例证明:本文所提出的模型能对电解电容的状态进行准确预测.     

有限观测绝对加速度响应下剪切框架在未知地震作用下损伤诊断

针对框架结构的绝对加速度响应部分观测、地震作用未观测的情况,提出一种多层剪切框架结构诊断的方法。该方法先依次采用扩展卡尔曼估计和递推最小二乘对一层以上结构的扩展状态向量和未知作用力进行递推;然后利用结构频率特征方程,对第一层的结构参数进行估计;最后基于数值求解一阶微分方程,识别未观测的地震荷载。算例表明, 该方法能够很好识别出结构参数和地震输入,通过跟踪结构刚度参数的退化,对未知地震作用下结构损伤进行诊断。     

一种基于瞬时能量分布特征的汽轮发电机组转子故障诊断新方法

提出了一种新颖的基于希尔伯特-黄变换（Hilbert-Huang transformation,HHT）的瞬时能量分布特征抽取方法,用于识别汽轮发电机组转子系统的不同运行状态（如正常及油膜涡动故障等）。理论上分析了瞬时能量与系统结构状态变化的物理联系,借助HHT方法,获取非平稳振动信号的瞬时能量分布特征,并根据瞬时能量相对贡献的量化方法消除噪声等干扰因素,采用相关系数法对瞬时能量分布特征的典型性进行论证分析,给出了基于瞬时能量分布特征的汽轮发电机组转子系统故障诊断的新方法。实验结果证明了该方法的有效性。     

基于OVMD与SVR的水电机组振动趋势预测

为更好地预测水电机组振动趋势,研究提出了一种基于最优变分模态分解（OVMD）与支持向量回归（SVR）的水电机组振动趋势预测模型。首先基于中心频率观察法与残差指标最小化准则确定OVMD的分解参数,采用OVMD将非平稳振动序列分解为一系列模态函数,并对各模态函数分别进行相空间重构,构建状态矩阵,进而得到SVR回归预测模型的输入、输出,再采用交叉验证的网格搜索策略优化各SVR模型的参数,并分别进行回归预测,最后对所有SVR预测结果进行求和,得到原始振动趋势的预测值。研究对某大型混流式水电机组的振动监测数据进行预测试验,并进行对比分析,结果表明该模型可有效预测水电机组振动趋势。