非线性特征提取和LSSVM在化工过程故障诊断中应用

提出利用非线性特征提取（核主成分分析（KPCA）和核独立成分分析）消除数据的不相关性,降低维数。核主成分分析利用核函数把输入数据映射到特征空间,进行线性主成分分析计算提取特征;核独立成分分析在KPCA白化空间进行线性独立成分分析（ICA）变换提取独立成分。提取的特征作为最小二乘支持向量机分类器的输入,构建融合非线性特征提取和最小二乘支持向量机的智能故障分类方法。研究了该方法应用到某石化企业润滑油生产过程的故障诊断中的有效性和可行性。     

用KPCA-LSSVM预测变压器油击穿电压

击穿电压是变压器油品质的重要参数,针对变压器油击穿电压难测试问题,提出基于核主元分析和最小二乘支持向量机的预测方法。为了提高变压器油击穿电压的软测量预测精度,本文选取与击穿电压关联性强的4个参量建立核主元分析模型进行特征提取,消除数据的相关性,得到的4个主成分的方差累计贡献率达96.84%,以此4个主成分作为最小二乘支持向量机软测量模型的输入;采用交叉验证法选取最小二乘支持向量机的惩罚参数和径向基核函数参数,建立核主元分析的最小二乘支持向量机变压器油击穿电压的预测模型,与BP神经网络和最小二乘支持向量机方法进行比较,采用平均相对误差和均方根误差来评价模型的性能指标。实验结果表明,本文提出的预测模型预测精度高、泛化能力好,能够满足变压器油击穿电压的测量需求。     

基于最小二乘支持向量机的复杂装备故障预测模型研究

针对复杂装备故障信息不足、故障预测困难等问题,应用支持向量机建立了故障预测模型;在对支持向量机回归算法分析的基础上,利用最小二乘支持向量机建立故障预测模型;最小二乘支持向量机通过对相空间重构,有效地降低了模型的复杂度;最后,本文利用某导弹发射装置液压泵的故障数据进行了验证,通过选取合适的参数,该模型能够较好地对故障数据进行预测,预测精度较高;事实证明,基于最小二乘支持向量机建立故障预测模型能够较好地对复杂装备故障的趋势进行预测。     

基于KPLS和LS-SVM的过程参数预测及其应用

针对有色冶炼净化过程流程长、影响因素多以及非线性强等特点,提出了一种结合最小二乘支持向量机和核偏最小二乘回归的过程参数预测方法。考虑到过程参数时间序列具有高噪声和非平稳等特性,首先基于小波多分辨率分析方法将参数时间序列分解成具有不同频率特征的子序列,然后根据分解后各自序列的特点,利用最小二乘支持向量机和核偏最小二乘回归法对各子序列进行建模,最后对各分量预测信号重构合成得到最终的预测结果。将该建模方法应用于锌湿法冶炼净化除钴过程钴离子浓度的预测,并应用工业现场的数据进行了实验验证,结果表明,该预测模型性能优于最小二乘支持向量机模型,具有较好的泛化能力和较强的鲁棒性。     

KPCA-LSSVM建模方法及在钢材淬透性中的应用研究

通过等式约束条件修改普通的支持向量机可以得到最小二乘支持向量机,不需要再次求解复杂的二次规划问题,提出了利用核主元分析进行特征提取,在高维特征空间中计算主元,降低样本的维数,然后用最小二乘支持向量机进行建模．仿真结果表明了该方法的有效性和优越性．     

基于改进多输出支持向量机的声发射源定位研究

为了提高根据声发射(AE)现象预报煤与瓦斯突出位置的精度,结合核主成分分析(KPCA),提出了一种改进的多输出最小二乘支持向量机(LSSVM)的目标定位方法.对于采集的声发射参数信号,采用核主成分分析提取重要定位特征;采用多输出最小二乘支持向量机建立定位模型,采用文化基因算法对多输出最小二乘支持向量机参数进行优化.试验测试定位性能,结果表明:算法提高了试验平台声发射定位的精度且定位时间少于其他定位算法,具有很高的实际应用价值.     

一种模拟电路的支持向量机故障诊断方法

系统地提出了模拟电路的最小二乘小波支持向量机故障诊断方法。从测试点得到各种故障状态下的输出电压信号，对输出电压信号进行小波去噪，对信号进行小波分解获取多尺度的低频系数和高频系数，并对小波系数进行处理从而提取出故障特征量，以此作为学习样本来训练最小二乘小波支持向量机，确定其模拟电路故障诊断的模型。雷达系统电路仿真结果表明了模拟电路的小波变换和最小二乘小波支持向量机故障诊断方法取得了较好的效果。     

基于深度去噪核映射的长期预测模型

针对最小二乘支持向量机核函数结构较浅对其长期预测模型精度的限制,采用深度学习中逐层特征提取的思想,提出基于深度去噪核映射的最小二乘支持向量机长期预测模型.该模型通过深度核网络的逐层变换,将样本数据映射到深度特征空间,从而有效提高其长期预测的精度.此外,为了提高模型对含高噪声数据的拟合性能,将去噪算法融入深度核网络的训练过程中,并通过反向传播算法对核网络参数进行整体微调.标准数据集及实际工业数据的仿真实验结果表明,所提方法能够有效提取数据中蕴含的特征信息,提高预测模型的精度.     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

一种改进的再生核支持向量机回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数进行改进,给出一种新的支持向量机核函数,并提出一种改进的最小二乘再生核支持向量机的回归模型,该回归模型的参数被减少,且仿真实验结果表明：最小二乘支持向量机的核函数采用改进的再生核函数是可行的,改进后的再生核函数不仅具有核函数的非线性映射特征,而且也继承了该再生核函数对非线性逐级精细逼近的特征,回归的效果比一般的核函数更为细腻。