基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

基于支持向量机的旋转机械非线性故障诊断研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 ,支持向量机(SVM)是一种基于统计学习理论 (SLT)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机分类算法 ,探讨了该算法在故障诊断领域中的应用 ,并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明 ,SVM方法在小样本情况下的分类效果优于BP神经网络。     

基于球结构支持向量机的液压泵故障诊断研究

针对目前故障诊断中难以获得大量故障数据样本的不足,提出球结构支持向量机故障分类算法,并运用其构成多故障分类器进行YB-6叶片泵的故障识别。试验表明该方法只需要少量的时域故障数据样本来训练分类器,不必进行信号预处理便可实现多故障的识别和诊断,在少样本情况下比BP神经网络具有故障分类能力强的优点。     

基于PSO-SVM模型的旋转机械故障诊断研究

将支持向量机理论引入振动机械故障诊断中,提出了新的故障诊断模型—PSO-SVM模型,并采用粒子群优化算法对支持向量机的参数进行优化,使得故障诊断结果更加准确。通过实例中的样本数据进行新模型的训练与测试,将其结果与传统神经网络相比,证明其模型具有更高的准确性。     

基于粗集-支持向量机的采空区自然发火预测

将粗集和支持向量机两种算法有机结合起来,建立了基于粗集与支持向量机的采空区自然发火预测模型。通过粗集对采空区自然发火影响因子进行预处理,将约简属性作为输入向量,利用支持向量机进行分类处理,选择了支持向量机核函数,利用变步长搜索法对支持向量机参数进行了优化。在对粗集-支持向量机方法的实验中,通过与支持向量机方法和神经网络方法的比较,发现在样本有限的情况下,基于粗集-支持向量机的采空区自然发火预测方法预测精度更高,训练速度更快,为采空区自然发火预测提供了一种新的方法。     

基于支持向量机的液压泵故障诊断

支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,用ν-支持向量机构造"一对一"多分类算法,应用于ZB40液压泵的故障诊断,取得了较好效果,较神经网络方法,它不必预先提取信号的特征量,只需要少量的故障样本训练分类器,实用性好。     

基于支持向量机的机械多故障智能分类方法研究

典型故障数据样本的严重不足是制约机械故障智能诊断技术发展的主要原因之一。提出了一种基于支持向量机的机械故障诊断新方法,综合了单值和多值支持向量机分类算法,在此基础上,建立了多故障分类器。采用该方法对转子实验台典型的多故障数据进行分类,结果表明:只需少量的时域数据样本来训练分类器,即可实现多故障的识别与诊断,克服了已有方法需要对原始数据进行预处理的困难,可更方便地应用于机械设备多分类故障诊断领域。     

矿山地质环境评价模型的改进SVM算法

经典SVM（Support vector machine）算法使用的对象样本较大、运算速度较慢,难以对矿山地质环境进行有效评价,故对其进行了改进,提出了一种改进SVM算法的矿山地质环境评价模型。该算法利用比特压缩原理,首先将样本数据进行比特压缩;然后用加权支持向量机训练分类器实现样本压缩,提高收敛速率。采用江西某矿区的实测数据分别对BP神经网络算法、经典SVM算法与改进SVM算法构建的评价模型进行对比分析,结果表明：①改进SMV算法构建的评价模型输出误差、收敛速率均优于BP神经网络算法建立的模型,经典SVM算法与改进SVM算法建立的评价模型的输出误差相近,但改进SVM算法构建的模型的收敛速率较高;②改进SMV算法随着比特压缩位数的增大,训练样本缩减率逐渐增大,即在样本数量减少、训练时间缩短、收敛速率提高的情况下,模型输出误差可基本保持不变。可见,采用改进SMV算法构建的评价模型,不仅提高了模型的训练速率,而且降低了样本数据量,可对矿山地质环境进行有效评价。     

基于SMO-SVM算法的变压器故障诊断

支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果。针对变压器的特性,提出了以RBF为核函数的非线性支持向量机的二叉树多分类变压器故障诊断模型,利用序贯最优化算法(SMO)对样本进行训练,准确率较高。试验结果表明,SMO-SVM在变压器故障诊断中具有很大的应用潜力。     

BP神经网络在矿产资源分类识别中的应用

利用BP神经网络对矿产资源进行分类识别,以铁矿石和铜矿石2种矿石的颜色、条痕、光泽、解理、断口、比重和硬度7种样本数据作为BP神经网络对矿产资源分类的影响因素。通过对神经网络的训练、测试,其有效识别率达90%以上。实现了矿产资源分类的快速、准确识别的目的。     

BP神经网络在爆破振动中的研究与应用

为准确地预测爆破结果、减少爆破振动对建筑的损伤和保障工人的安全,利用具有处理非线性问题能力的BP神经网络预测爆破结果。选取合格的爆破结果作为网络模型的学习样本,经过一定次数的训练学习后通过神经网络的前馈特性确定各层阈值和误差,完成对BP神经网络的建立,发现预测结果与真实结果相比的误差在10%以内。再结合PAC算法、POS算法或者MATLAB软件等优化网络后甚至可以将误差控制在5%以内。通过建立BP神经网络预测可以减少爆破作业带来的危害,降低安全成本,指导爆破作业的施工。     

神经网络在矿井水源判别中的应用

矿井突水是威胁煤矿安全生产的最大隐患之一,准确判别矿井水源是矿井防治水的前提。介绍了BP神经网络模型及其具体算法,并将其运用到矿井水源判别中。利用BP算法对训练样本进行学习,确定判别模型,根据已训练好的神经网络对样本进行判别。结果表明,采用人工神经网络对矿井水源进行判别,能得到较好的结果。因此,BP神经网络是判别矿井水源的一种有效方法,从而为矿井水源判别开辟了一条新途径,具有广泛的应用前景。     

基于GA-BP混合算法的电力变压器故障诊断方法

为解决BP神经网络在变压器故障诊断中存在的收敛速度慢,容易陷入局部最优点等缺点,采用了将BP网络和遗传算法相结合的方式,利用遗传算法的全局收敛性,优化BP网络的初始权值和阈值,再由BP网络进行调整搜索,同时采用了LM优化方法训练神经网络以提高网络精度,缩短训练时间,最后将训练好的网络应用到油中溶解气体分析技术中。     

BP神经网络在顶煤冒放性评估中的应用

 文章依据顶煤冒放性的自然影响因素,应用人工神经网络的理论与方法,建立了顶煤冒放性的BP神经网络评价模型,以文献[1、2]中的29个放顶煤工作面的顶煤冒放性评价结果作为网络模型的学习训练样本,对网络进行训练。最后应用训练后的神经网络,对6个不同煤矿的顶煤冒放性进行评价并将评价结果与实际开采情况相比较,验证了该评价方法的正确性和可行性。     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

基于BP神经网络的矿石非计划贫化预测

为了消除等效线性超挖（Equivalent Linear Overbreak Slough,ELOS）经验图表法估算矿石非计划贫化的局限性,采用BP神经网络算法,以采场稳定指数、水力半径、钻孔平均偏斜量和炸药单耗为输入变量,以量化矿石非计划贫化的等效线性超挖深度为输出变量,建立了隐含层神经元节点数为6的3层BP神经网络预测模型。经过120组样本数据模型训练和样本测试,BP神经网络预测模型的拟合度为0.987 42、均方误差为9×10-5,预测的相对误差约6%,形成了矿石非计划贫化预测方法。应用BP神经网络非计划贫化模型对三道桥铅锌矿试验采场进行了矿石非计划贫化计算。结果表明：基于BP神经网络的矿石非计划贫化计算值为0.717 m,与现场实测值（0.7 m）相比,其相对误差为2.4%,优于经验图表法和数值模拟分析法的计算结果（0.80 m和0.55 m）,可用于实际矿山的矿石非计划贫化预测。     

基于BP模型的煤矿安全管理投入经济分析

为了合理利用有限资源,通过集成AHP与BP神经网络,建立煤矿安全投入综合评价模型,优化赋权,避免了局部最小点误差,使预测结果更加准确。同时考虑到煤矿系统安全投入不平衡的实际情况,结合西方经济学原理,调整生产函数中各要素投入量,利用已验证的BP网络进行二次预测。经验证优化投入会带来更高的经济效益,是未来发展的新方向。     

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全。本文提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为：首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。通过仿真实验研究表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超于WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。