改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点，使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段，建立平均绝对百分比误差（MAPE）作为蝙蝠算法（BA）的目标函数，以优化变分模态分解（VMD）、最小二乘支持向量机（LSSVM）及输入数据点数。在测试阶段，应用设置最优参数的VMD分解负荷数据，并使用LSSVM处理各分量，以完成对电力负荷的高精度预测。数据分析结果表明，使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。     

一种基于改进最小二乘支持向量机的变压器故障诊断方法研究

变压器是整个电力系统稳定、安全、可靠运行的关键设备,变压器的故障诊断对提高电力系统供电可靠性具有重要的意义。为及时发现变压器的潜在故障风险,提出了一种基于模拟退火算法(SA)优化的最小二乘支持向量机(LSSVM)电力变压器故障诊断方法。利用SA算法对LSSVM诊断模型的正规则参数和核宽度参数进行优化,提高模型的分析精度。对比试验结果表明,提出的SA-LSSVM诊断方法可以准确有效地对变压器进行故障分析诊断,与传统的SVM和BP神经网络诊断方法相比,该方法具有更高的准确率。     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。      

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

为提高基于最小二乘支持向量机（LSSVM）的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化（PSO）的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。     

基于CSO-LSSVM模型的选择性激光烧结成型工艺参数优化

成型收缩是影响选择性激光烧结技术（selective laser sintering,SLS）制件精度的关键因素,而工艺参数对材料烧结情况和收缩变形程度有着明显影响,因此选择合理的参数组合对减小精度误差和改善成型性能质量有着重要意义。为降低SLS成型件工艺参数优化试验成本,文章开发了一种名为CSO-LSSVM成型精度预测模型用于工艺参数的预测。该模型的设计思路是：首先,通过Sine映射、非线性切换因子和针孔成像反向学习等3种改进策略全方面协调增强了蛇优化器（snake optimizer,SO）的收敛精度和寻优速度,接着,将改进后的蛇优化器（chaotic multi-strategy enhanced snake optimizer,CSO）与最小二乘支持向量机（least square support vector machine,LSSVM）结合,整定关键核函数参数,提高模型预测精度和泛化能力。为验证CSO-LSSVM模型的有效性和优越性,利用Matlab软件在真实数据集基础上将其与LSSVM、BP(back propagation)神经网络以及极限学习机（extreme lea...     

基于AWOA算法与LSSVM的主蒸汽流量软测量模型

汽轮机主蒸汽流量是分析机组运行效率的重要参数。针对大型机组主蒸汽流量计算模型复杂繁琐、计算精度不高的现状,提出一种基于自适应鲸鱼优化算法(AWOA)与最小二乘支持向量机(LSSVM)结合的主蒸汽流量软测量模型。针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了自适应鲸鱼优化算法,在鲸鱼个体位置更新公式中引入自适应惯性权值,通过平衡算法的开发和探索能力改善算法的优化性能。在此基础上,提出了基于AWOA优化LSSVM的主蒸汽流量的软测量模型,引入AWOA算法来提高LSSVM的学习效率、逼近精度和泛化能力。主蒸汽流量软测量的仿真结果表明:优化后的AWOA-LSSVM主蒸汽流量软测量模型具有良好的训练精度与泛化能力,可有效地用于主蒸汽流量的软测量。     

5通道铁磁探测仪的研发与锅炉管堵塞检测

为了提高航空发动机轴承故障诊断的准确率,提出基于改进遗传算法优化（back propagation,简称BP）网络(modified genetic algorithm to optimize BP,简称MGA-BP)的故障诊断模型。针对传统遗传算法易早熟、易陷于局部最优解等缺陷,利用固定个体选择概率、引入三角函数和高斯变异操作对遗传算法进行改进,并用改进遗传算法优化BP网络的权值和阈值。利用优化的BP网络对滚动轴承正常、内圈故障、外圈故障和钢球故障4种工况进行诊断,并考虑到网络输出模式、诊断样本比例等对诊断精度的影响。为了验证MGA-BP在轴承故障诊断中的有效性,将其他改进遗传算法优化BP网络作为对比算法。分析表明：MGA-BP能够较好地适应网络不同的输出模式、不同的样本比例,其抗噪能力、诊断准确率、误差收敛速度和误差收敛值均优于文中其他对比算法。     

柔性关节复杂迟滞特性的改进WLSSVM建模方法

针对协作机器人柔性关节传动过程中固有复杂迟滞特性影响执行精度的问题,提出基于中间变量的非线性自回归移动平均（NARMAX）结构的改进加权最小二乘支持向量机（WLSSVM）迟滞模型。引入PI算子产生中间变量,将迟滞的多值映射转换为单值映射,引入输出力矩和扭转角历史值,使模型具有动态特性;LSSVM求解问题时易受模型输出误差大的数据点影响,在目标优化函数中增加具有自适应调整因子的模型输出误差构成的正则项,达到进一步提高模型精度和抗干扰能力目的。以FRANKA协作机器人关节为对象进行建模与验证,实验结果表明,相比LSSVM迟滞模型和NARMAX迟滞模型,改进WLSSVM迟滞模型具有较高的模型精度。     

一种改进PSO-LSSVM算法在锅炉燃烧优化中的应用

为了实现锅炉高效低NOX排放,提出一种LSSVM建模和改进PSO算法结合的方法实现锅炉燃烧多目标优化。首先采用LSSVM算法建立了锅炉效率和NOX排放等相关特性模型,并针对PSO算法在飞行后期易失去粒子多样性的不足及过早收敛于局部最优值的问题,采用一种改进的PSO算法。优化结果表明,改进的PSO算法与LSSVM结合可有效的实现多目标寻优,在保证锅炉效率的同时降低NOX排放,找到最佳的送风调节系统的设定值,给出一种可行的各风门开度等操作量的优化调整方案。     

基于优化支持向量机的发动机故障预诊断

为实现车用发动机故障预诊断功能,预测发动机可能出现的故障类型,保证车辆安全运行,提出一种基于灰色关联分析和优化支持向量机的发动机故障预诊断方法。通过台架试验获取发动机故障样本数据,应用灰色关联分析确定样本数据与发动机故障的对应关系,选取经过改进蝙蝠算法优化的支持向量机建立故障预测模型对样本数据进行分析处理,实现发动机机械故障的预测分类。对四缸柴油机活塞环断裂等故障的实际验证结果表明,该方法能够预测发动机的机械结构故障,故障预测准确率达到97.5%,且运算时间较其他算法有所缩短。     

基于IFOA-TCA的跨工况轴承故障诊断

为解决不同工况下轴承振动数据分布不一致且目标工况轴承诊断数据不足的难题，提出一种采用改进果蝇优化算法(IFOA)优化主题相关性分析(TCA)的跨工况轴承故障诊断方法。首先，通过联合混合模型挖掘源域与目标域轴承故障样本数据中的共有主题与领域独有主题；其次，以共有主题为桥梁，映射领域独有主题并共同构建一个新的特征空间；然后，选用逻辑回归模型，在新的特征空间里利用源域轴承故障样本数据训练模型，并通过训练好的模型输出对目标轴承的故障诊断结果；最后，调整果蝇优化算法中味道浓度判定值的取值方式并采用多种策略改进果蝇优化算法，将改进果蝇优化算法用于优化主题相关性分析中的超参数，提高对目标工况轴承的故障诊断精度。     

基于FFT和神经网络的APF故障诊断方法

针对有源电力滤波器APF（active power filter）逆变器中IGBT易发生故障的问题,对APF中IGBT开路故障的仿真、故障分类、特征提取、故障诊断等方面进行了研究.对IGBT开路故障与故障特征进行了分析,提出了一种基于快速傅里叶变换（FFT）和神经网络的APF故障诊断方法,用FFT提取的故障特征向量来训练神经网络,并将训练好的神经网络诊断系统对IGBT开路故障进行了测试.实验结果表明,该诊断方法能用于APF运行状态监测,并可快速有效地识别IGBT故障位置.     

基于IWOA-SVM的滚动轴承故障诊断

针对滚动轴承振动信号故障难以识别的问题，创建一种应用改进鲸鱼优化算法（IWOA）优化支持向量机（SVM）的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取；其次，为改进鲸鱼优化算法，采取精英反向学习策略增强种群的广泛性，选用非线性因子并加入随机扰动策略增强探索能力；通过4组基准测试函数，将IWOA与4种优化算法对照分析，验证了此改进算法的优越性；最后，将SVM的惩罚参数和核函数参数放入IWOA中，构建IWOA-SVM故障分类模型。故障诊断的结果表明，用IWOA-SVM分类模型在故障诊断中拥有更好的效果，准确率达到100%。     

多核LSSVM算法在轴承故障识别中的应用

针对最小二乘支持向量机(LSSVM)实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。     

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解（EEMD）、特征选择与t-分布邻域嵌入（t-SNE）的诊断方法。采用EEMD分解故障信号获得若干本征模态函数（IMF）,采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机（LSSVM）中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。     

基于DBN和BES-LSSVM的矿用压风机异常状态识别方法

针对矿用压风机这类分布式系统的异常类别复杂、识别精度低等问题,提出了一种基于深度置信网络（DBN）和最小二乘支持向量机（LSSVM）的异常状态识别方法。首先,分析压风机组成系统及其运行机理,确定常见的异常状态类型;其次,采用DBN无监督学习方式充分挖掘监测数据中异常特征并快速提取;然后,利用秃鹰搜索算法（BES）优化LSSVM的超参数,构建最优的BES-LSSVM分类模型;最后,将DBN提取的异常特征作为BES-LSSVM模型的输入,对矿用压风机异常状态进行识别。试验验证与对比分析结果表明,相较于GA,PSO,GWO算法,BES算法的求解精度和收敛速度均有所提高,同时DBN-BES-LSSVM模型在测试集上平均识别精度达到94.65%,较PCA-LSSVM模型、DBN模型和DBN-LSSVM模型的识别精度分别提高了10.53%,5.84%和3.76%,验证了DBN-BES-LSSVM模型在矿用压风机异常特征提取以及特征识别方面的优越性。     

基于改进LSSVM的集成电路运行故障检测方法研究

为实现对电路运行故障的精准诊断，提高集成电路运行的安全性、稳定性，引进改进LSSVM，以某集成电路为例，开展电路运行故障检测方法的设计。将集成电路接入终端计算机，在电子通信网的弱信号捕捉中进行集成电路运行信号采集；引进改进LSSVM，提取集成电路运行非线性特征；引进粒子群算法，设置主粒子群规模、粒子群最大迭代次数、惯性矩阵等参数条件，进行集成电路运行故障全局检索与检测。以某微电子科研单位为例，设计对比实验，实验结果表明：设计方法的检测结果更具可靠性，该方法可以精准识别到集成电路中是否存在故障，以此种方式实现对集成电路运行故障的精准检测。     

基于改进神经网络的多重化可控整流电路的故障诊断

提出了一种改进神经网络的多重化可控整流电路故障诊断方法。针对BP算法收敛速度慢、容易陷入局部极小的缺点,采用了改进的BP算法,利用附加动量学习速率可变梯度法改进神经网络学习速率,从而达到了加快网络的收敛速度与提高网络的诊断精度。文中给出了基于改进BP网络的模型训练和测试数据的诊断。测试结果表明所提出的方法正确可行,该诊断方法对多重化可控整流电路故障的识别可达到较高的精度。