基于GA-SVM的数控机床装配质量预测模型

装配质量的好坏直接决定了数控机床的最终性能,为对数控机床装配质量进行事前预测,提高装配合格率,采用基于GA-SVM方法建立数控机床装配质量预测模型.首先,基于功能—运动—动作的结构化分解方法对机床进行元动作分解,将各级元动作内部影响因素作为装配影响因素,并以元动作链中最后一个元动作输出运动参数作为装配质量分析对象....     

基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。     

燃气轮机故障诊断中的基准参数计算

针对燃气轮机故障诊断中难以获取足够可靠的基准参数的问题,提出了利用机器学习中支持向量机理论的新型建模思路对燃气轮机的热力参数进行计算,以获得不同工况下燃气轮机基准性能参数。结合故障诊断中通过可测参数获得性能参数的研究思路,提出了基于支持向量机的基准参数一般模型的计算步骤,并通过Matlab平台进行软件实现。利用已有文献中的实验数据,以某型三轴燃气轮机压气机部分为例,对所提出的方法进行了验证。结果表明,此支持向量机模型计算精度比较高,可用于燃气轮机无故障状态基准参数的计算。     

燃烧器燃烧高效低NOx排放建模与优化

燃烧器控制系统是实现燃烧器节能减排的核心,但由于燃烧器控制对象存在纯延迟、大滞后和多分布参数等特点,给控制过程造成困难.从燃烧器输入量到输出量的非线性关系入手,建立最小二乘支持向量机(LSSVM)燃烧效率和氮氧化物(NOx)排放量的数学模型,并结合遗传算法对反映燃烧状态的烟气O2量、CO量寻优,得到的O2量、CO量可作为燃烧器闭环控制的给定值,参与电子比调系统的优化控制.结果表明,利用LSSVM得到的预测结果的相对误差均小于0.8％,可实现较好燃烧状态预测;通过寻优的烟气O2量、CO量能够在保证燃烧效率略微降低的基础上,实现氮氧化物排放量的明显降低,使燃烧效率和氮氧化物排放量得到平衡,对燃烧器节能减排控制具有参考价值.     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。     

基于EMD与GA-SVM的轴承故障诊断

特征提取与特征选择是实现轴承故障诊断的关键.针对特征提取,首先将轴承振动加速度信号进行经验模态(empirical mode decomposition,简称EMD),得到一组固有模态函数(intrinsic mode function,简称IMF),计算各IMF的能量和IMF矩阵的奇异值分布,采用Shannon熵、Rrnyi熵度量能量和奇异值分布,同时提取原信号的部分统计特征共同构成原始特征子集;针对特征选择,采用遗传算法(genetic algorithm,简称GA)和最小二乘支持向量机(least square support vector machine,简称LS-SVM)的Wrapper方法选择最优特征子集.在实际轴承故障诊断中的应用,表明文中所提方法的有效性.     

基于GA-SVR的采煤机概念设计模型研究

针对传统采煤机概念设计采用类比方法,仅依靠设计者经验进行设计,缺乏科学的推理模型的问题,为充分利用企业积累的设计经验和采煤机设计实例中隐含的大量规则知识,本文将支持向量机回归(Support Vector Regression,SVR)和遗传算法(Genetic Algorithm,GA)相结合,面向采煤机总体参数确定过程,建立了基于GA-SVR的采煤机概念设计模型。利用SVR实现了客户需求到采煤机总体技术参数的映射,利用GA算法对模型参数进行了优化,设计者进行参数调整,得到产品的的最优概念设计方案。该模型实现了产品的创新设计,通过工程实例验证了该模型的有效性和准确性。     

基于小波分析和GA-SVM的金刚石 砂轮磨损的声发射监测研究

针对工程陶瓷磨削中金刚石砂轮磨损状态判别准确度不高的问题,在部分稳定氧化锆陶瓷金刚石砂轮精密磨削的声发射智能监测实验中,在深入研究部分稳定氧化锆陶瓷磨削机理的基础上,对磨削声发射信号进行了5层离散小波分解。研究结果表明:金刚石砂轮磨损后,磨削声发射信号小波分解系数的有效值和方差,以及声发射信号小波能谱系数在低频率段都有所增大;利用部分稳定氧化锆磨削声发射信号的小波能谱系数或小波分解系数的有效值和方差值的组合,作为判别金刚石砂轮磨损状态的特征值,采用基于遗传算法支持向量机对金刚石砂轮的磨损状态判别准确度达100%,判别准确度明显优于BP神经网络方法。     

基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机（GA-SVM）相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）,分解成若干个固有模态函数（Intrinsic Mode Function,IMF）,依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。     

基于支持向量回归机的刀具寿命预测

刀具寿命是制定刀具需求计划、衡量刀具性能和核算成本等的重要依据。针对现有神经网络方法在预测刀具寿命方面存在的不足,提出了一种新的基于支持向量回归机的刀具寿命预测方法。在分析了影响刀具寿命预测主要因素的基础上,建立了基于支持向量回归机的刀具寿命预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的推广能力和较高的预测精度。     

基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别

针对货车运行故障动态图像中车辆挡键、集尘器和安全链锁紧螺栓的故障检测,提出一种基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析定义编码后的特征对故障识别准确率的贡献值,并据此对编码特征进行降维;然后利用编码降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对挡键、集尘器和安全链锁紧螺栓的故障进行识别。实验结果表明,本文提出的算法能较好的应用于3种不同类型的故障识别,识别率分别为97.25%、99.00%和97.50%,同时对噪声和光照变化具有一定的鲁棒性,能满足车辆故障的实际检测需求。     

一种基于LabVIEW的车用NOx传感器测试系统设计

应用图形化编程语言LabVIEW设计一种NO_x传感器测试系统,能够实现NO_x传感器陶瓷芯片加热性能和电极材料浓差电势与极限电流灵敏度的自动化测试,并通过CAN总线将测试数据传送给计算机测控及数据分析平台,完成数据的自动化处理、分析、存储、显示、记录和统计。该系统结构简单,操作方便,稳定性好,数据处理快速方便,能够准确测试NO_x传感器各氧泵的工作性能,从而判断NO_x传感器陶瓷芯片的实际性能,特别适合研发阶段传感器的测试用途。     

基于LSTM的燃煤锅炉NOx排放预测研究

采用传统机器学习算法对电站锅炉建模时会有数据特征选择要求和稳态提取要求,为解决这一问题,采用一种长短时记忆(LSTM)递归神经网络对电站锅炉的NO_x排放进行了预测建模研究。模型训练和测试的数据为机组7天左右的历史运行数据,共10 000条,54个维度。结果表明,LSTM具有优秀的预测能力和泛化能力:对于训练集数据,所有样本的相对误差均小于5%,烟道A、B两侧NO_x浓度预测的平均相对误差分别为0.43%和0.44%;对于测试集数据,分别有97.49%和97.22%的样本相对误差小于10%,平均相对误差分别为2.08%和2.51%。同时,研究发现,相对于传统机器学习算法,LSTM对于机组变工况过度状态也有很好的预测能力。     

基于IAGA-LSSVM的切削加工表面粗糙度的智能预测

提出了一种基于改进自适应遗传算法与最小二乘支持向量机(IAGA-LSSVM)的切削加工表面粗糙度的智能预测方法。通过设定LS-SVM模型主要参数的取值范围,采用IAGA进行寻优,提高了LS-SVM预测模型的精度。最后采用平均相对预测误差作为检验指标,比较了多元线性回归模型、BP神经网络模型、AGA-LSSVM模型及IAGA-LSSVM模型对表面粗糙度的预测能力。结果表明:IAGA-LSSVM预测模型的建模时间更短,平均相对预测误差更小,对切削加工表面粗糙度的预测具有一定的参考意义。     

基于SVR-GA算法的广义加工空间机床切削稳定性预测与优化研究

针对机床零件加工位置和进给方向不确定造成刀尖频响函数变化,导致切削稳定性叶瓣图与无颤振工艺参数预测具有不确定性问题,提出一种耦合支持向量回归机(SVR)与遗传算法(GA)的切削稳定性预测与优化方法。该方法采用锤击法模态实验和空间坐标变换,获取样本空间不同加工位置与进给方向的刀尖频响函数;进而结合传统切削稳定性预测方法构建以各向运动部件位移、进给角度、主轴转速、切削宽度、每齿进给量为输入的极限切削深度SVR预测模型;采用该SVR模型作为切削稳定性约束建立材料切除率优化模型,通过遗传算法求解各运动轴位移、进给角度与切削参数的最优配置。以某型加工中心展开实例研究,实验结果表明获取的优化配置能实现稳定切削,验证了该方法的有效性。     

基于支持向量机回归算法的疲劳寿命预测研究

根据材料疲劳损伤的特点,提出了基于支持向量机回归算法的材料疲劳寿命预测方法。收集材料疲劳性能数据构建训练样本集,建立基于支持向量机回归算法的疲劳寿命预测模型,对疲劳载荷预处理后就可以计算出疲劳寿命。预测结果表明,该方法可利用较少的材料疲劳性能数据,实现疲劳寿命的预测。     

遗传算法和支持向量机在机械故障诊断中的应用研究

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别.既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题.诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度.     

基于FSVM的起重机臂筒焊接变形测量研究

为解决获取起重机臂筒固有焊接变形的不便利及复杂性问题,应用支持向量机模糊理论融合技术对起重机臂筒焊接变形测量方法进行研究,并采用遗传算法对支持向量机的核参数及惩罚因子进行寻优,以误差函数为评价指标,最终确定了核参数σ=1.8和惩罚因子c=26。将该测量模型应用于焊接变形的预测,同时采用智能图像检测法对相同预测点进行测量对比,结果显示所建立的融合模型对起重机臂筒焊接变形的测量和智能图像检测法的误差在5%以内,验证了该测量方法的准确性。     

基于遗传算法的支持向量机分类器模型参数优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善。本文运用支持向量机建立模式识别分类器模型,研究影响模型分类能力的相关参数,在分析参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机分类器模型的参数自适应优化算法。最后,用算例表明了本文算法的正确有效性。