基于模拟退火与LSSVM的轴承故障诊断

运用模拟退火与最小二乘支持向量机(least square support vector machine,简称LSSVM)轴承的故障诊断法,是在得到较优的λ和σ参数的同时进行特征选择获取显著特征子集.为验证所提方法的有效性,将4种运行状态、5种转速、2类载荷条件下测得的轴承振动信号作为研究样本,提取信号的52个特征.试验结果表明,该法对轴承故障分类的准确率较高,可有效用于旋转机械的状态监控.     

LCD—GA—LSSVM集成分类器及其在齿轮故障诊断中的应用研究

针对齿轮故障诊断模式识别问题,在综合局部特征尺度分解、遗传算法及最小二乘支持向量机学习算法各自优点的基础上,提出了一种新的局部特征尺度分解—遗传算法—最小二乘支持向量机(LCD-GA-LSSVM)集成分类器模型。在该模型中,利用局部特征尺度分解算法实现对样本数据的特征选取;最小二乘支持向量机实现样本特征向量与故障模式之间的非线性映射;遗传算法用于实现对最小二乘支持向量机的参数进行优化以使其泛化能力达到最优。经过实验分析与验证,LCD-GA-LSSVM集成分类器对齿轮正常、齿根裂纹、齿面磨损、轮齿折断、局部齿形误差、复合故障等6种运行状态120组测试样本的识别率达到了93.33%。     

核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

基于LSSVM的木材干燥在线建模研究

介绍了最小二乘支持向量机(LSSVM)回归原理,针对木材干燥系统的强耦合、强非线性等特点,提出以LSSVM方法建立木材干燥系统在线模型.模型以干燥实验获取的减速干燥阶段数据为样本,根据实际预测控制需要,建立木材干燥系统的在线预测模型,并进行在线预测.仿真结果表明,基于LSSVM的木材干燥在线模型能够实时反映系统当前状态,在线更新训练样本,滚动优化模型结构并预测系统下一步输出,模型结构简单,泛化能力强,预测精度高,能够满足实际干燥控制的需要.     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法.该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别.将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度.     

局部LSSVM方法在飞灰含碳量软测量中的应用

电站锅炉飞灰含碳量的测量仪表往往精度较差且难以维护,因此对其实施软测量具有现实意义。作为一种新型的机器学习方法,最小二乘支持向量机（LSSVM）已被应用于工业过程软测量研究中,文章将该方法应用于火电锅炉飞灰含碳量建模并引入局部学习思想,利用某电站机组实测工况参数进行飞灰舍碳量建模仿真实验,结果表明局部学习方法相比全局学习具有更高的模型预测精度。     

改进的局部LSSVM算法在明胶浓度软测量中的应用

在明胶生产的提胶工艺中,胶液浓度是一个很重要的质量和控制参数,但是目前对明胶浓度的检测手段多为离线人工检测,不能实现在线实时测量.该文提出使用软测量的方法对明胶浓度进行在线测量,采用局部LSSVM建模方法进行软测量建模,并用PSO算法对模型参数进行优化.Matlab仿真结果表明,基于PSO优化的局部LSSVM的软测量方...     

改进LSSVM迁移学习方法的轴承故障诊断

机械系统存在的外部环境干扰、变工况条件以及无法直接测量等因素,导致获取的数据常常不满足传统机器学习的两个前提:训练与测试数据分布相同以及目标诊断数据量充足,从而影响诊断模型的泛化能力。针对上述问题,提出一种基于辅助数据的增强型最小二乘支持向量机(LSSVM)迁移学习策略,用于数据量不足时的轴承故障诊断。其中利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合以提高诊断精度。诊断分类器通过改进传统LSSVM模型,在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件,最终得到加入辅助集的函数估计,从而将该算法推广至迁移学习。此外,类内类间距离指标用于描述特征区分性,并提出4种辅助数据集的使用方法,从而构建迁移学习为框架的诊断模型。球形轴承的振动信号试验结果表明,相比传统机器学习,在目标振动数据较少条件下所提模型在轴承故障诊断时性能提升显著。     

基于SVM的可靠性评估方法研究

利用蒙特卡罗方法评估系统可靠性因需要大量的系统函数值，故存在所需运算量大、评估效率低等不足。首先尝试利用支持向量机建立一经验模型，以加速蒙特卡罗法，然后将其应用于对某一网络系统的可靠性评估，取得了良好的效果。     

核极化优化多参数高斯核的特征选择算法

为了解决支持向量机中多特征样本的特征选择问题,鉴于多参数高斯核中的多参数的不同取值可以区分和体现样本中各个特征的重要性差异,在深入分析核极化的几何意义和多参数高斯核特点的基础上,提出了基于核极化梯度优化多参数高斯核的特征选择算法。首先,利用核极化的梯度迭代算法来寻求多参数高斯核的最优多参数值,然后,以优化的多参数大小为基准,进行样本特征的重要性程度强弱标定,进而,采用特征重要性指标来执行SVM的特征选择。最后,将选择出的样本特征子集应用于SVM分类器中。UCI数据的实验结果表明,相较于PCA-SVM、KPCA-SVM和经典SVM方法,所提出算法的分类正确率更高,验证了核极化与多参数模型特征选择算法的有效性。     

Application of Least Squares-Support Vector Machine in system-level temperature compensation of ring laser gyroscope

The bias of Ring Laser Gyroscope (RLG) exhibits a non-ignorable characteristic of drift when its temperature changes, which is an important factor of reducing the navigation precision in inertial navigation systems. The limitations of least-squares fitting and neural network are pointed out and a new scheme of system-level temperature compensation of RLG bias based on Least Squares-Support Vector Machine (LS-SVM) is proposed. Temperature experiment of RLG bias is designed and carried out to validate the effectiveness of the proposed method. The traditional modeling method of least-squares fitting is also investigated to provide a comparison with the LS-SVM based method. Allan variance is used to analyze the error terms of RLG before and after compensation. The results show that: the bias instability of RLG output after it has been compensated by LS-SVM model is 1.32 × 10⁻³ °/h, which has decreased 8.57 × 10⁻³ °/h from that before compensation. It indicates that this method has reduced the influence of temperature variation on the RLG bias effectively and improved the gyro’s accuracy.     

基于支持向量机的机械故障多类分类研究

对基于支持向量机的多类分类故障诊断方法进行了研究.采用9频段幅值谱作为分类器的特征输入.比较了现有常用的几种支持向量机多分类方法:一对一法、一对多法、导向无环图法.试验结果表明导向无环图法耗时短、分类精度更高,更适合应用于机械多分类故障诊断研究.     

核极化的核参数选择算法

对支持向量机中核函数的核参数选择问题进行了研究,在深入分析核极化这一核函数度量标准的前提下,提出了一种直接最大化核极化的Gaussian核和Polynomial核的核参数选择算法。首先,设置核参数的搜寻范围,然后,计算在特定核参数下的核极化值,最后,选择出最佳的核参数值进行训练和测试。相比于传统经典的10折交叉验证,该算法无须反复训练和测试分类器,能高效地实现核参数的选择。UCI数据集的实验结果表明了所提出的最大化核极化与核参数选择算法在多分类中具有较好的泛化性能和预测精度,验证了该方法的有效性。     

基于支持向量机的齿轮故障诊断方法

对齿轮故障诊断的特点进行了阐述，指出由于环境噪声的干扰，在齿轮故障诊断中往往不能获得理想的诊断结果。为此在对齿轮运行状况进行有效特征提取的基础上，采用支持向量机的方法对齿轮进行故障诊断。研究结果表明采用该方法可以获得比神经网络和线性判别方法等更准确的诊断结果。     

一种基于支持向量机的烟叶异物检测方法

为解决基于颜色空间的检测方法难以剔除与烟叶颜色相同或相近异物的难题,提出了基于支持向量机的检测方法。首先采用Laws算子,对烟叶图像进行预处理,初步分离出目标与背景;然后,根据纹理特征明显与否将待处理区域分为2类;最后,使用支持向量机分别对2个预分类的结果在频域做细分类。试验结果表明,所提方法可以准确地检测出烟叶中的各种异物,误检率较低,满足实际使用要求。     

一种基于支持向量机的烟叶异物检测方法

为解决基于颜色空间的检测方法难以剔除与烟叶颜色相同或相近异物的难题,提出了基于支持向量机的检测方法。首先采用Laws算子,对烟叶图像进行预处理,初步分离出目标与背景;然后,根据纹理特征明显与否将待处理区域分为2类;最后,使用支持向量机分别对2个预分类的结果在频域做细分类。试验结果表明,所提方法可以准确地检测出烟叶中的各种异物,误检率较低,满足实际使用要求。     

最小二乘支向量机在焊缝跟踪中的应用

为了克服传统焊缝跟踪方法精度低等问题,采用最小二乘支持向量回归机( LSSVM)进行焊缝跟踪.最小二乘支持向量机通过构造回归函数解决焊缝跟踪问题.与支持向量机不同的是,最小二乘支持向量机通过构造一个新二次损失函数,将支持向量回归机的二次规划问题转变为求解线性方程,从而改进了原支持向量机的跟踪精度.为验证所设计控制器的有效性,进行了焊缝的跟踪实验,并设计了实验条件;实验结果表明基于LSSVM的焊缝跟踪误差小于径向基(RBF)神经网络,可见采用LSSVM的控制更能够适应实际焊接过程的变化.