基于IGA和LS-SVM的航空发动机磨粒识别

针对磨粒识别中的LS-SVM分类器性能参数难以选择的问题,提出一种改进的遗传算法(IGA)对其进行优化选择。该算法将轮盘赌选择法与最优保留法相结合,采用一种随世代数增加而不断自动调整的交叉概率和变异概率,既提高了收敛速度,又易得到全局最优解。基于IGA的LS-SVM分类器磨粒识别方法为,利用主成分分析法(PCA)优选磨粒特征参数,并将结果作为样本训练LS-SVM分类器;通过改进遗传算法优化分类器参数,并通过测试样本测试分类器性能。仿真实验结果表明,此分类器的分类精度高,分类速度快。     

基于改进LS-SVM的变压器油中气体浓度预测

目前变压器油中气体浓度预测普遍采用灰色模型,但灰色模型的使用存在一定局限性.为提高预测的精度和可靠性,应用改进的最小二乘支持向量机的鲁棒性及稀疏性理论建立了同时预测变压器油中氢气的浓度预测模型.该模型既综合考虑了气体之间的相互影响,又充分发挥了LS-SVM解决有限样本问题的优势,具有较高的预测精度和泛化能力.并且通过实例分析验证了该模型的有效性.     

基于泡沫特征与LS-SVM的浮选回收率预测

针对矿物浮选过程中回收率难以在线检测的问题,提出了一种回收率预测方法.采用最小二乘支持向量机构造预测模型,以图像特征作为模型输入,通过交叉验证实现模型参数优化.为提取泡沫特征,通过计算图像相对红色分量提取颜色特征,结合聚类与分水岭方法分割泡沫图像并提取尺寸特征,利用像素分析方法提取承载量特征,采用网像对的相关性分析方法提取泡沫速度、破碎率等动态特征,并对泡沫特征与回收率进行了相关性分析.实验结果表明,该方法能有效预测回收率.     

基于LS-SVM的汽轮机叶片高速铣削表面质量预测建模

针对汽轮机叶片高速铣削加工中存在的表面质量不易控制问题,借助最小二乘支持向量机原理,建立了被加工不锈钢叶片表面的粗糙度预测模型。实验结果表明,该模型能方便地预测切削速度、主轴转速、进给量、铣削宽度等铣削参数对铣削加工工件表面粗糙度的影响,并能利用有限的实验数据得出整个工作范围内的表面粗糙度预测值,模型适合于表面粗糙度预测,回归预测精度高。     

基于LS-SVM的机床加工误差预测模型探讨

提出一种基于最小二乘支持向量机(LS-SVM)的机床加工误差回归模型和预测方法,给出了相应的步骤和算法.通过与BP神经网络和RBF神经网络预测方法比较,仿真结果表明,在较少的误差数据条件下,该模型能够有效的描述和预测加工误差的变化,且模型预测误差比神经网络模型小60%左右;应用该预测模型预测机床加工误差有更高的预测精度,对其实施补偿和控制,将有效提高机床的加工精度.     

基于LS-SVM的挖掘机磨损状态监控

为了减少挖掘机磨损,延长内部机件的使用寿命,需要对挖掘机采用润滑措施.因此对液压油进行油液监控显得格外重要.通过对液压油本身的分析与液压油携带的磨损颗粒分析,可达到对挖掘机工作状况的实时监控,从而及时地对挖掘机潜在故障进行预报并及时排除.考虑到时间与金属磨损量的关系,我们需要研究润滑油中金属含量的变化趋势,该文提出了一种基于LS-SVM预测模型对挖掘机液压油中铁元素含量值的时间序列变化趋势进行分析预测,通过与时间序列预测模型进行比较,能够很好地确定铁元素在磨损过程中的变化趋势,从而准确地监控挖掘机工作状态.     

LS-SVM技术在曳引机故障预测中的应用

利用支持向量机采用的结构风险最优化准则、预测能力强、鲁棒性好等优点,研究了最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)回归算法在曳引机故障预测中的应用。提出了一种自动搜寻最优参数方法,对参数和进行寻优,避免了人工选择的盲目性,提高了算法的效率。通过将LS-SVM和RBF神经网络进行对比实验,得出在相同训练样本条件下,LS-SVM可以取得比RBF更好的预测精度和预测速度,更加适合于现场实际应用。最后将LS-SVM模型用于曳引机振动信号的时域分量预测中,预测的平均相对误差小于5%,取得了较高的预测精度。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于递归神经网络的LS-SVM硬件实现与实验研究

在标准支持向量机(SVM)学习神经网络的基础上,将最小二乘支持向量机(LS-SVM)与递归神经网络相结合, 提出一种新的最小二乘支持向量机学习神经网络.该网络直接采用Lagrange乘子进行训练,消除了标准SVM神经网络中的线性部分,可用于进行分类和回归学习.并且其拓扑结构更适合于用简单的硬件模拟电路实现.对两种网络的稳定性进行了证明,并设计了相应的硬件电路,最后通过Simulink、Pspice仿真和硬件电路实验证明了所提出的方法是有效的.     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

基于最小二乘支持向量机的磨损预测

针对机器设备磨损产生的因素多,而且磨损量的多少与产生的因素具有高度非线性,磨损难以预测的问题。同时考虑到监测得到的数据为小样本事件也是磨损难以预测的原因,在齿轮箱实验数据的基础上,利用最小二乘支持向量机,给出预测步骤,提出一种以载荷、温度、振动信号特征、速度和时间为输入量,机器设备的磨损量为输出量的预测方法。用齿轮箱的实验数据验证了所提出的方法的有效性。     

基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于最小二乘支持向量机的锂离子电池的SOC估算

由于储能系统是微电网中必不可少的一部分,锂离子电池因其寿命长、使用效率高和储能密度大等优点,成为微电网中较为理想的储能装置。在电池的使用过程中,由于要求对电池的容量有精确的判断,因此应检测电池的SOC。本文在分析了不同的SOC估算方法的基础上,针对微电网中储能使用的锂离子电池,提出了使用最小二乘支持向量机的方法估算其SOC,并进行了具体的试验验证。试验显示,预测数据与实际数据的最大误差约为6%,充分证明了该方法是可行和有效的。     

基于十折法的最小二乘支持向量机参数选取方法

针对最小二乘支持向量机参数选取的问题,提出一种基于十折法的参数选取方法.将数据平均分成十组,采用一组作为训练特征,其它作为测试组,规定参数的可能范围,然后选取平方差最小的作为参数的取值.经实验证明结果令人满意,提出的方法是可行的.     

基于最小二乘支持矢量机的成形磨削表面粗糙度预测及磨削用量优化设计

在分析和比较目前常用的预测方法基础上,提出一种基于最小二乘支持矢量机的成形磨削表面粗糙度预测方法。一方面,该方法能较好地解决小样本学习问题,避免人工神经网络等智能方法在对粗糙度进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,用等式约束代替传统支持矢量机的不等式约束,减小了模型的复杂度,加快了求解速度。试验表明,该模型具有预测精度高、速度快、容易实现等优点,适合对磨削表面粗糙度的预测。在成功建立预测模型的基础上,还提出磨削参数优化设计的可行性方案,建立表面粗糙度与磨削用量之间的关系图,对于优化设计磨削用量、提高加工零件表面质量具有一定的指导意义。     

基于最小二乘支持向量机的铣削加工表面粗糙度预测模型

在分析以往所建立的表面粗糙度预测模型方法不足的基础上，将一种基于最小二乘支持向量机的预测模型引入铣削加工领域，并给出了相应的步骤和算法。该模型能方便地预测铣削加工参数对加工表面粗糙度的影响，并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值，有助于准确认识已加工表面质量随铣削参数的变化规律。通过具体实例及与其他几种预测方法的对比表明，在相同样本条件下，其模型构造速度比标准支持向量机方法高1～2个数量级，模型预测误差约为支持向量机方法的40％，预测精度比常规BP模型高1个数量级。因此，基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。     

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。     

基于模拟退火与LSSVM的轴承故障诊断

运用模拟退火与最小二乘支持向量机(least square support vector machine,简称LSSVM)轴承的故障诊断法,是在得到较优的λ和σ参数的同时进行特征选择获取显著特征子集.为验证所提方法的有效性,将4种运行状态、5种转速、2类载荷条件下测得的轴承振动信号作为研究样本,提取信号的52个特征.试验结果表明,该法对轴承故障分类的准确率较高,可有效用于旋转机械的状态监控.