基于加权LS-SVM的闭环控制系统故障诊断研究

针对闭环控制系统故障诊断难的问题,利用加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,Weighted LS-SVM)设计了一个闭环控制系统的故障诊断系统.仿真试验结果表明,加权LS-SVM具有很高的建模精度、较强的泛化能力和很高的故障诊断准确度.并验证了该方法的有效性和先进性.     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

利用BP神经网络预测铜合金挤压力

铬青铜热反挤压过程中，凸模锥角、断面缩减率以及温度是对挤压力产生影响的几个重要因素。本文利用采集到的实验数据建立了BP神经网络模型，对挤压力进行预测。结果表明该方法性能较好，可以作为预测的一种有效手段。     

基于PSO-LSSVM的拉线棒腐蚀预测

根据鄂西某输电线路拉线塔的拉线棒腐蚀数据,通过灰色关联度算法分析了土壤因素与拉线棒腐蚀情况之间的相关性;应用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)的关键参数进行优化;利用灰色关联度权重对有关数据进行处理,建立了PSO-LSSVM和考虑灰色关联度权重的PSO-LSSVM预测模型。实例计算表明,与LSSVM预测模型相比,PSO-LSSVM预测模型训练集所得结果的均方根误差下降了15.3%;预测集的均方根误差下降了35.71%。考虑灰色关联度权重后,PSO-LSSVM预测模型训练集和预测集的均方根误差进一步下降,分别减少了24.59%和20%。PSO-LSSVM用于拉线棒腐蚀预测具有较好的精度,考虑灰色关联度权重的PSO-LSSVM模型的预测精度更高。     

LS-SVM网络在LDF成形过程中的应用

讨论了LDF激光功率、扫描速度与送粉速率对其单道成形精度的影响.结果表明,它们之间存在复杂非线性内在的本质关系.根据这种非线性特点,采用了最小二乘支持向量机(LS-SVM)网络对其成形精度进行预测;通过LDF单道成形试验采集了样本,建立了输入输出的非线性映射关系,并利用测试样本对训练的网络进行了检验,分析了该网络的训练性能与测试性能.结果表明,通过LS-SVM网络预测LDF成形精度,其函数逼近能力、泛化能力与实时性较好,实现了高精度薄壁零件的制造.     

基于GA-LSSVR的铣削加工变形预测

为了解决传统预测方法铣削加工变形预测精度低等问题,文章提出基于遗传算法优化最小二乘支持向量回归法( GA-LSSVR)的铣削加工变形预测方法,首先,提出了基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测原理,其中通过遗传算法优化最小二乘支持向量回归模型参数,以获取高性能的最小二乘支持向量回归模型.实验结果表明,基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测精度高于支持向量机.     

基于支持向量机的铣削力预测

针对小样本、低泛化、过拟合和局部极小等问题,建立基于支持向量机(SVM)的铣削力预测模型,对铣削力进行预测,将其预测结果与试验值、BP神经网络预测值进行对比分析。结果表明:在训练样本较小情况下,得到的预测值与试验值吻合较好,且相对于BP神经网络预测模型的预测精度高。     

基于机器学习的前轴辊锻工艺参数预测

使用基于混合核函数的最小二乘支持向量机算法来进行前轴第1道次辊锻工艺参数的预测,构造混合函数以提高预测模型的预测精度.对工艺参数预测模型进行实验验证,结果表明,与基于单独RBF核的LS-SVM算法相比,混合核函数LS-SVM算法构建的预测模型具有更高的预测精度,由3组不同核函数参数构成的预测模型对最大成形载荷及展宽的平...     

基于PSO-LSSVM算法的表面粗糙度预测模型与应用

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。     

基于最小二乘支持向量机的激光拼焊焊缝识别

激光拼焊焊缝质量结构光视觉检测中,对焊缝的准确识别是实现高精度检测的关键. 针对检测图像中结构光光纹畸变特征不明显,无法准确识别焊缝的问题,依据焊缝纹理特征信息,提出了一种基于最小二乘支持向量机的焊缝识别方法. 首先,分析并提取焊缝区和非焊缝区差异明显的纹理特征. 其次,训练最小二乘支持向量机模型,对焊缝进行粗识别. 最后,采用Laws纹理滤波提取焊缝区域,并通过阈值分割方法精确识别焊缝. 针对不同工艺参数下的激光拼焊焊缝开展焊缝识别试验,结果表明,该方法能够有效地识别焊缝.     

最小二乘支持向量机弯曲回弹元模型技术研究

影响大尺寸高强度U型折弯件回弹的变量众多,使得其弯曲回弹难以控制。提出一种基于约束的高斯过程潜变量(RGPLVM)筛选技术来进行最优变量的筛选和降维。将筛选出的变量作为决策变量,并以最小二乘支持向量机(LSSVM)为基础,构建了大尺寸高强度U型折弯件的最小二乘支持向量机(LSSVM)元模型。分别以支持向量机(SVM),LSSVM和BP神经网络为模型进行预测,并将预测结果与实际工程零件进行对比。结果表明LSSVM模型的预测结果更为接近实际零件的回弹情况,从而验证了所提方法的可行性。     

铝合金挤压机挤压力计算方法研究

挤压力的确定对挤压机吨位设计至关重要。但影响挤压力因素众多,极易造成计算结果不准确,且计算过程公式繁琐,重复计算工作量大。在现有挤压力通用计算公式的基础上,考虑挤压机工程实际运行状况,从工程角度推导出变形抗力确定方法及挤压力计算公式;基于Matlab的GUI人机交互软件开发工具包,依据推导出的计算公式,自主开发了挤压力计算软件,最后以计算某规格6061铝合金型材挤压力为计算实例,说明软件计算过程及结果。     

Tool wear model based on least squares support vector machines and Kalman filter

In this study, the least squares support vector machines (LS-SVM) and Kalman filter (KF) technique are used to establish the tool wear estimation model. Tool wear prediction model, based on LS-SVM, is given to describe the mapping relationship between input–output factors. The cutting conditions (feed rate, cutting speed, and depth of cut), cutting time, and wear position constitute the input factors and tool wear is the output parameter of the model. In order to improve the accuracy of the LS-SVM results, the KF technique is used to update the tool wear estimated results of LS-SVM-based model, which is called the LS-KF model, according to the measured tool wear values. Experiment work is performed on machining center for cemented carbide ball-end cutter cutting stainless steel. Those two models (LS-SVM model and LS-KF model) are applied to the actual milling machining to verify their performance. Results show that predicted tool wear based on the proposed LS-KF model has more precision than that of LS-SVM model.     

基于支持向量回归的二次冷轧轧制力预报模型

为提高二次冷轧兼平整机组在二次冷轧模式下轧制力的预报精度,建立了一种基于摩擦系数自学习的轧制力预报模型。考虑到摩擦系数自学习模型的不足,为进一步提高轧制力的预报精度,提出了一种支持向量回归预测轧制力的计算误差与摩擦系数自学习相结合的轧制力预报方法。结果表明,该模型的计算值与实际值吻合较好,误差控制在±7%以内,满足现场生产要求,具有较高的工程应用价值。     

基于人工神经网络的QCr0.5热反挤压力预测模型

以铬青铜热反挤压过程中凸模锥角、断面缩减率以及温度和挤压力的关系为研究对象，在Matlab语言环境下，以高温反挤压试验数据作为训练和预测样本，用2、3节点的双隐层BP型神经网络对钢材单位挤压力进行了预测。结果表明此方法预测铬青铜反挤压力是有效和可行的。     

基于支持向量机的铝合金点焊多类缺陷识别

利用从铝合金点焊过程工艺参数曲线上提取出的特征向量,建立了铝合金点焊过程喷溅缺陷和未熔合及未完全熔合缺陷的支持向量机识别模型.根据所建立的识别模型,用采集的样本数据进行了训练,并用独立的测试数据对训练的结果进行了测试.结果表明,所建立的支持向量机识别模型在给定的样本集的情况下,识别喷溅缺陷的准确率为96.7%,识别未熔合及未完全熔合缺陷的准确率为100%,利用支持向量机方法实现铝合金点焊多类缺陷的自动识别是可靠的.     

基于支持向量机的齿轮故障分类

齿轮是旋转机械中的关键元件。提出了一个基于支持向量机的齿轮多故障分类方法。齿轮状态被划分为正常、齿轮磨损和断齿状态。振动信号的均方根和小波包能量被选作为分类器的特征参数。分类器选用支持向量机（SVM）。SVM具有良好的实用性及多分类能力。实验结果表明：提出的方法能很好地区分齿轮故障。     

显微缩松对Ag-28Cu-0.75Ni合金性能影响研究

分别采用水冷铜模铸造、石墨模铸造两种工艺获得具有不同显微缩松的Ag-28Cu-0.75Ni合金铸锭,通过模锻开坯、旋锻减径、热处理及拉拔等工艺对两种铸锭进行超细丝加工。研究不同铸造工艺下显微缩松对Ag-28Cu-0.75Ni合金超细丝加工、电学及力学性能的影响。结果表明,直径30mm的Ag-28Cu-0.75Ni合金铸锭芯部分布有显微缩松,且水冷铜模铸造铸锭的显微缩松含量更高、尺寸更大;经过锻造加工后显微缩松呈现出“愈合”的趋势,但无法完全消除显微缩松;显微缩松含量高、尺寸大的Ag-28Cu-0.75Ni合金铸锭加工得到的丝材电阻率较高、抗拉强度较低。通过合理的热处理,能有效消除加工硬化、残余应力,两种铸锭均可拉拔加工至直径0.05 mm的超细丝。     

基于支持向量机的端面磨削淬硬效果预测

提出了一种基于支持向量机(SVM)的磨削淬硬效果预测方法,利用试验测得的淬硬硬度和淬硬层深度数据建立SVM预测模型,并将预测结果和模糊神经网络法结果进行对比分析。结果表明,采用SVM方法进行磨削淬硬效果预测是可行的,与试验值相比,其预测误差均在5%以内,精度较高,且预测效果优于BP神经网络的预测效果。