基于支持向量机的船用柴油机装配质量预测

针对船用柴油机整机装配工序复杂、零部件种类多、多工序并行作业难度大,导致装配质量稳定性与一致性差等问题。基于粒子群-支持向量机建模原理,提出一种船用柴油机装配质量预测方法,以提高船用柴油机装配质量。通过对船用柴油机装配质量特性影响因素分析,结合灰色关联和主成分分析原理,筛选出关键装配质量参数作为支持向量机输入变量,利用粒子群优化算法对支持向量机预测模型关键参数进行优化,并结合实际装配参数,对预测模型进行了验证。结果表明,基于粒子群优化支持向量机的装配质量预测方法能够提高预测精度,缩短预测时间,为装配过程控制和异常诊断提供技术支持。     

基于LS-SVM的铜铬合金挤压加工挤压力预测

提出一种最小二乘支持向量机的Cu-0.75Cr铜合金反挤压力预测新模型.以断面缩减率、凸模锥角和挤压温度这3个主要工艺参数作为影响因素,以反挤压过程的挤压力为影响对象,通过最小二乘支持向量机模型建立影响因素和影响对象之间的复杂非线性关系.以正交实验数据为样本对模型进行训练,用训练好的模型预测在一定反挤压条件下Cu-0.75Cr铜合金的挤压力.结果表明:该模型不仅预测精度和处理速度大大高于人工神经网络预测模型,而且建模速度也比标准支持向量机快,实际预测误差小于3%.     

无缝钢管斜轧穿孔管形多目标预测北大核心CSCD

针对无缝钢管斜轧穿孔生产中工艺参数对毛管尺寸精度的影响问题,考虑生产工艺以及生产需求优化等因素,建立了基于最小二乘支持向量回归的多目标预测模型。通过灰色关联分析法对影响因素进行分析筛选,以前伸量、轧辊间距、导板间距、顶头直径、坯料直径5个工艺参数作为预测模型的输入,以毛管壁厚和外径2个管形参数作为预测模型的输出;考虑到数据样本小且输入和输出参数之间的交叉相关性问题,构建了多输入多输出最小二乘支持向量回归模型对毛管管形进行预测。将实际采集的数据作为训练样本,通过仿真实验证明了模型的有效性,研究结果可为无缝钢管斜轧穿孔生产过程中所需的工艺参数调整与优化提供参考。     

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。     

基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测

目的 构建海洋管线外腐蚀速率预测模型,提高海底油气管线外腐蚀速率预测的准确性.方法 建立基于套索(LASSO)回归和鲸鱼优化算法(WOA)的最小二乘支持向量机(LSSVM)腐蚀速率预测模型,采用LASSO回归方法对指标进行筛选,提取海洋管线腐蚀的主要影响因素.应用最小二乘支持向量机算法建立海洋管线外腐蚀速率预测模型,并使用鲸鱼优化算法对模型参数进行优化,避免了参数取值对模型回归性能的影响.以海洋挂片实验为例,通过MATLAB进行模拟仿真,分析验证模型预测结果,并将预测结果与其他模型进行对比分析.结果 LASSO回归算法筛选得到影响腐蚀速率的主要因素为:温度、溶解氧含量、pH值.采用WOA-LSSVM模型所预测的结果与实际值较为吻合,其平均相对误差为2.23％,均方根误差(RMSE)为0.3248,决定系数R2达到0.9708,均优于其他两种模型.结论 基于LASSO回归和鲸鱼优化算法的最小二乘支持向量机预测模型具有更优的泛化能力和预测精度,为海底管道腐蚀研究工作提供了新思路,也为海洋油气输送系统的结构安全与风险防范提供了参考.     

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。     

基于支持向量机的远程磨加工报警系统的研究

针对磨削加工中对加工尺寸误差超出预设值范围时报警的需求,基于交叉验证参数寻优与支持向量机(SVM)算法结合组态软件提出了一种远程磨加工报警系统,该系统对工件尺寸实时预测,并且当工件尺寸超出预设值范围时通过组态软件将报警信息传输到监控界面,防止由于进给速度不均匀而影响工件的磨削质量或导致工件最终加工尺寸受到影响。通过实验验证经过交叉参数寻优优化参数后的模型预测平均误差小于2mm,MRE=0.0070,MSE=0.0020,实验证明基于支持向量机模型的合理性与可行性,为建立报警系统提供了理论基础。     

基于主成分和粒子群优化支持向量机的管道内腐蚀预测

目的研究输油金属管道内腐蚀预测模型,以改善管道维修策略和提高使用期限。方法分析输油管道内腐蚀原因,归纳腐蚀因素,采用主成分分析法对腐蚀因素进行优选,摒弃相关联但腐蚀贡献率较低的因素,以最大化表征腐蚀原因及减少不必要的处理过程。将贡献率较大的腐蚀因素作为支持向量机预测模型的输入变量,以腐蚀率作为目标输出,建立管道腐蚀预测模型。针对支持向量机参数选取问题,应用鲶鱼粒子群算法进行寻优,以提高预测精度。以20#钢管为例进行了模型验证,并与其他预测模型进行了对比和分析。结果主成分分析筛选得到的管道内腐蚀的主要因素有:H_2S、CO_2、Cl~-、酸碱值、压力、介质温度、流速。通过鲶鱼粒子群算法改进的支持向量机模型的预测与实际值的平均相对误差为2.82%,相关性系数值为0.9955,均优于其他三种预测模型。结论金属管道的内腐蚀由多个腐蚀因素共同作用形成,采用主成分和粒子群优化的支持向量机模型能够精确预测内腐蚀率,对金属管道维修和管理的借鉴性高。     

利用最小二乘支持向量机预测铝熔体氢含量

提出了一种最小二乘支持向量机的铝熔体在不同温度和保温时间下的氩含量预测新模型.以2个主要影响因素加热温度、保温时间为输入,铝熔体中氢含量为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性映射关系.以铝熔炼实验数据为样本对模型进行学习训练,用训练好模型预测在一定影响因素下铝熔体中氢的含量.仿真实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

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。     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.     

基于支持向量机钛合金铣削力预测分析

钛合金材料广泛应用于各个领域,其材料在加工过程中受铣削力影响易于产生变形而影响加工质量,为此需对铣削力进行预测分析。针对实际加工工程中铣削力函数不能显式表示的问题,提出一种基于支持向量机铣削力模型预测的方法。利用正交试验设计选取合适的设计参数样本点建立铣削力预测模型,并获得预测值与实验值的拟合曲线,试验值通过有限元建模获得,分别对预测值与试验值结果进行误差率及显著性检验分析。为验证支持向量机方法的有效性,建立BP神经网络模型对试验值预测。与BP神经网络模型预测比较,结果显示支持向量机模型预测的结果更能精确预测。     

基于支持向量回归机的精密数控平台热误差建模与补偿研究

为了提高数控机床的加工精度,文章以精密四轴数控平台为研究对象,采用PT100、激光干涉仪等仪器对X、Z轴的温度、定位误差进行测量与分析,研究精密四轴数控平台定位误差与温度之间的变化规律。运用支持向量回归机建立X、Z轴的热误差模型,利用网格搜索法对支持向量回归机热误差模型进行参数寻优,确定惩罚参数c和核函数参数g的最优参数值。在热平衡状态下,根据BP神经网络、支持向量回归机热误差模型分别计算出X、Z轴定位误差的预测值与测量值对比曲线,对比曲线和数据分析表明支持向量回归机的预测精度较高,其X、Z轴拟合偏差带宽均不超过0.6μm。依据支持向量回归机热误差模型的预测数据进行补偿实验,数控平台X轴的定位误差降低了89.55%,Z轴定位误差降低了85.67%。实验结果证明支持向量回归机建模方法具有较高的预测精度、泛化能力、补偿精度和鲁棒性。     

基于WASVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WASVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

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...     

混沌-支持向量机在加工误差预测中的应用

提出将混沌-支持向量机模型方法应用于加工误差数据预测。利用互信息法和曹氏方法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对加工误差时间序列进行混沌识别。通过最小二乘支持向量机对历史样本的学习建立预测模型,并将其预测结果与RBF神经网络预测结果进行仿真对比。结果表明,在较少的加工误差数据条件下,该模型能够有效地描述和预测加工误差的变化,具有较高的预测精度。     

基于小波时间序列模型的磨加工尺寸预测技术研究

磨削加工是高精密零件的重要加工环节,且影响磨削工件尺寸精度的因素复杂。针对传统预测模型无法准确预测其趋势变化或预测效果较差,且预测精度不高这一问题,通过对磨加工过程进行分析,对尺寸预测技术的适用性进行研究,提出将小波变换与时间序列分析相结合的预测模型。通过实验验证小波时间序列模型预测平均误差不超过1μm,平均绝对误差MAE=0.105,均方根误差RMSE=0.185,平均绝对百分比误差MAPE=0.159,证明了基于小波时间序列模型的磨加工尺寸预测技术的精确性与可行性。     

基于最小二乘支持向量机的精密数控机床热误差建模与补偿研究

为了减小热误差对数控机床加工精度的影响,以自主研制的五轴精密数控机床为研究对象,得出定位误差与温度之间的变化规律。运用最小二乘支持向量机(LS-SVM)建立Y轴的热误差模型,并对LS-SVM模型进行参数寻优。根据LS-SVM模型计算出移动轴热平衡状态下定位误差的预测值与测量值对比曲线,通过分析发现LS-SVM热误差模型性能较好,其拟合偏差带宽较窄,均方差较小。依据LS-SVM模型进行定位误差补偿实验,误差降低了87. 3%。实验结果证明最小二乘支持向量机建模方法具有较高的预测精度、补偿精度。     

复合材料层板冲击损伤检出概率预测研究

针对航空领域复合材料层板冲击损伤检出概率的影响因素复杂、不确定性难以进行准确预测的问题,将BP神经网络和模糊推理系统相结合,提出了一种基于自适应神经模糊推理系统(Adaptive Neuron Fuzzy Inference System,ANFIS)的冲击损伤目视检测检出概率预测方法。首先利用仿真函数验证预测模型的有效性,然后以实验数据为例进行仿真分析,与传统的BP神经网络和支持向量机预测模型进行比较。仿真和实验结果表明,自适应神经模糊推理系统预测模型在目视检测损伤检出概率预测中具有更高的精度。     

基于粒子群算法的支持向量回归机优化算法在铣刀磨损量建模中的应用

为了准确预测铣刀在加工过程中的磨损量,提出一种基于粒子群算法的支持向量回归机的优化算法用于对铣刀磨损量的建模与预测。通过粒子群算法,优化输入不同维度的特征向量的支持向量回归机的建模,得到特征向量维度的最优解和对应的支持向量回归机训练参数,建立了铣刀磨损量的预测模型。通过随机选取的真实样本,验证了该模型的准确性