基于演算优化法的装备维修器材配备系数确定

对装备维修器材的配备标准进行研究时,关键步骤是在确定装备维修器材消耗量的情况下,如何确定装备维修器材的配备系数,使配备的装备维修器材的数量在影响因素作用的情况下,满足基层训练与维护的任务。提出了一种基于演算优化法的装备维修器材配备系数确定的方法,较好地确定了其配备系数。     

装备维修器材多级库存控制优化研究

分析了军队装备维修器材库存控制现状,借鉴供应链管理环境下的多级库存优化控制思想,采用联合库存管理和多级库存优化控制策略,对维修器材库存进行了优化控制.     

基于Flexsim的装备维修系统仿真研究

深入分析了装备维修系统的建模要素,研究了应用Flexsim进行装备维修系统仿真的基本流程和建模方法.通过对某型通信装备维修系统的实例分析,找出了影响该维修系统运行效率的瓶颈环节,并进行了优化设置.仿真结果表明,基于Flexsim的仿真方法能够有效评价和优化装备维修系统的配置,且具有高度可视化的特点.     

基于矩不变量与SVM的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了基于矩不变量和支持向量机的智能诊断方法。该方法采用连续小波变换对滚动轴承信号进行分析,然后提取出小波灰度图的7个矩不变量作为故障特征,最后将特征向量输入到支持向量机中,以实现对不同的滚动轴承故障类型的识别。试验结果表明,该方法能有效地提取故障特征,同时可获得较好的分类效果。     

基于GA优化的SVM涡轮泵故障诊断

针对液体火箭发动机涡轮泵故障诊断中出现的多故障分类问题,为提高支持向量机学习机器的分类性能,提出了一种基于遗传算法的支持向量机参数优化算法,利用遗传算法的全局搜索性能对核参数进行了优化.结果表明,遗传算法能够加速支持向量机参数的优化搜索,所建模型对含有较强的噪音背景的故障样本进行了很好的分类诊断,表现出了很好的抗噪和分类能力.     

基于SVM参数优化的模拟电路故障诊断

目前SVM核参数的选择是SVM实际应用的难点。通过分析SVM分类器原理,提出一种基于数据最大方差-熵准则的SVM核参数选择算法。该算法利用最大方差-熵准则衡量样本在特征空间中的线性可分性,然后结合PSO算法进行参数寻优,并将其用于双二次滤波电路的故障诊断中,优选得到的核参数提高了故障诊断的精度。     

基于烟花算法优化SVM的变压器故障诊断

提出了一种基于烟花算法优化支持向量机的变压器故障诊断模型。标准的支持向量机是二分类,现对其进行非线性处理及多分类变换,使其能适用于变压器故障分类。针对支持向量机参数难以确定的情况,采用烟花算法优化支持向量机,从而搭建烟花算法优化支持向量机的故障诊断模型。实验分析结果表明,所提方法的故障诊断准确率优于其他算法。最后,进一步将算法用于机器学习的其他标准数据集,证明了该算法具有泛化性。     

基于CS-BBO优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于SVM的电火花加工参数优化研究

分析了电火花加工中电参数与加工质量之间的关系,并运用支持向量机(SVM)对电火花加工中电参数进行了优化研究。仿真结果表明:电参数预测精度最高可达96.10%,最低89.20%,平均94.28%,说明SVM算法稳定性及泛化能力优秀。进一步经实验验证,预测精度最高达92.65%,最低81.50%,平均89.38%,同样较高。说明该方法所确定的最优电参数能够很好地保证预期的加工质量,从而可以方便操作者对加工条件的确定。     

基于预计的电子设备可靠性优化方法研究

可靠性预计可以计算出系统的故障率值,但如何对预计数据进行综合分析,找出系统可靠性的优化方向,进而提高系统的可靠性水平,传统的可靠性预计方法并未提供。为了满足可靠性水平或进一步优化,设计人员只能根据经验反复地调整。为此,结合电子设备可靠性软件给出了一套综合的电子设备可靠性预计优化方法,该方法以图形的分析为主,简单直观,适于工程应用。     

基于参数优化SVM的往复压缩机气阀故障诊断

气阀是往复压缩机发生故障最频繁的部件,为了提高气阀故障诊断的准确性,将网格搜索法和支持向量机(SVM)应用到气阀故障诊断中.采用网格搜索法对SVM进行参数寻优,提高故障模式识别的准确率.对气阀历史振动数据样本进行训练和预测,将固有模态分量的能量特征作为支持向量机的输入,对已知的统计样本进行训练,并对未知样本进行预测.结...     

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

基于天牛群算法优化SVM的磨煤机故障诊断

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO)算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法.首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互...     

基于Levy-ABC优化SVM的水电机组故障诊断方法

水电机组故障诊断实质上是一种典型的小样本机器学习问题,支持向量机作为一种先进的机器学习方法,在解决小样本问题上有着突出的表现,但其参数设置问题一直未能很好的解决。针对此问题,提出了一种基于人工蜜蜂群优化支持向量机的水电机组故障诊断方法,为改进人工蜜蜂群全局搜索能力,引入Levy飞行策略,对原始人工蜜蜂群算法进行改进。实验表明,Levy飞行蜜蜂群优化和支持向量机相结合的水电机组故障诊断算法,对多类故障能够有效地分类,提 高了水电机组故障诊断的准确率,具有一定的工程应用价值。     

基于人工化学反应优化的SVM及旋转机械故障诊断

针对支持向量机(SVM)的参数优化问题,结合人工化学反应优化算法的优点,提出了基于人工化学反应优化算法的支持向量机(ACROA_SVM)方法;然后利用标准数据验证了ACROA_SVM方法的有效性和优越性;最后,结合局部均值分解信号分析和能量矩特征提取,将ACROA_SVM方法应用于旋转机械故障诊断中。分析结果表明,ACROA_SVM方法不但具有较高的故障诊断精度和较好的泛化能力,而且时间消耗短,故障诊断效率高,有利于实现在线智能故障诊断。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

基于振动信号特征量SVM分类的配变故障识别方法

配变油箱表面的振动信号富含绕组和铁芯的各类状态信息,是绕组和铁芯工作状况的最直接体现。采用希尔伯特黄(Hilbert-Huang Transform,HHT)带通滤波提取配电变压器振动信号主成分,获得表征绕组状态的100Hz分量及表征铁芯状态的150~1000Hz分量;利用负载电流拟合法提取绕组振动信号的特征量,通过测到的已知振动信号估计指定负载下的绕组100Hz振动幅值,构成绕组振动的特征向量;利用具有良好泛化能力及鲁棒性的双谱奇异值表征铁芯振动的特征。提取实验室试验测得的绕组松动、绕组变形、铁芯松动、铁芯两点接地以及铁芯接地不良等故障振动信号的特征向量,用基于信息融合的支持向量机(Support Vector Machine,SVM)实现绕组和铁芯状态的识别,结果验证了本文方法的有效性和准确性。     

基于改进FOA优化的SVM在故障诊断中的应用

针对支持向量机(SVM)的分类性能受本身参数选择影响较大的问题,提出了基于改进果蝇优化算法(LFOA)的SVM参数优化方法。给出了基于改进果蝇算法的SVM参数优化步骤,并用标准数据集进行了仿真实验,验证了算法在收敛速度和收敛精度上均好于其他几种方法。以滚动轴承为实验对象,应用LFOA-SVM进行了常见故障的诊断,与FOA、GA和PSO等方法相比,LFOA算法改善了SVM的分类性能,提高了故障诊断准确率,可有效应用于故障诊断。     

基于改进ABC算法优化SVM的汽车发动机故障诊断

汽车发动机系统运行机理复杂,发动机故障成因与故障现象往往呈现出不确定的对应关系。为此,提出一种尾气成分分析基础上的支持向量机的汽车发动机故障诊断方法。首先,提取典型状态下的特征气体含量,规一化处理作为训练样本,然后采用改进的人工蜂群算法(ABC)优化SVM参数,构造SVM发动机故障分类器,实现对发动机故障的准确诊断。仿真结果表明,此方法能够对发动机故障进行快速识别,且故障诊断精度较高。     

基于改进乌鸦搜索算法优化SVM的电机轴承故障诊断

针对乌鸦搜索算法(CSA)优化支持向量机(SVM)参数时存在陷入局部最优、后期收敛精度不高的问题,对CSA算法进行了改进,提出一种改进乌鸦搜索算法(ICSA)。ICSA在CSA基础上,融入了动态感知概率、Levy飞行策略、柯西变异机制等步骤,提高了算法的寻优能力。以ICSA为SVM参数优化方法,建立了电机轴承故障诊断模型,并进行了实验验证。结果表明：相比于CSA,ICSA优化SVM的诊断精度比提升了4.53%;相比于另外3种改进型CSA方法,诊断精度也更高;相比于其它4种类型优化算法,在诊断精度提升的同时耗时缩更短。