基于支持向量机的航空发动机故障诊断研究

研究利用支持向量机对发动机的两类故障——失速和喘振进行识别。介绍了支持向量机理论,选取适当的学习算法、惩罚因子和核函数,建立了支持向量机,并采用4组已知故障模式的数据对其进行训练和测试,之后对另外两组数据进行仿真识别,仿真结果与实际故障模式一致。     

航空发动机振动故障监控智能化

军用航空发动机振动问题十分突出,是困扰设计、研制、生产和使用新一代发动机的瓶颈。分析论述了高质量数据采集是发动机振动故障监控的关键、基于振动故障机理和数据驱动的智能诊断、人工自愈原理与振动故障自愈调控系统、航空发动机整机动平衡与自动平衡等原理和技术,并对其团队40年从事状态监测诊断的研究成果及工程应用作简要回顾。提出了未来航空发动机振动故障监控智能化的发展目标和建议。     

基于飞参数据和支持向量机的航空发动机建模

为了利用飞参数据进行航空发动机的状态监控,提出采用支持向量回归方法,建立空中飞行阶段发动机的工作模型,通过监控模型输出误差判断发动机工作是否正常。仿真结果表明,建立的模型能正确反映发动机各参数间的关系,适用性强,为发动机的状态监控奠定了基础。     

基于GD-GEP算法的航空发动机振动监控

针对传统基因表达式编程算法(GEP)在进行函数挖掘时易陷入局部最优以及收敛精度不高等问题,提出了一种基于基因多样性的GEP算法,该算法采用基于基因多样性的初始种群生成策略,引入了种群更新策略,使得种群基因多样性增加;仿真试验表明,该算法具有更好的全局搜索能力和更高的解精度;基于某型飞机飞行数据记录器记录的飞行数据,利用GD-GEP算法进行航空发动机模型辨识,将辨识得到的模型用于发动机振动值监控,真实的振动故障数据验证了该方法能够成功监测到振动故障。     

航空发动机高速振动智能检测监控系统设计与实现

设计了一种航空发动机高速振动智能检测监控系统,系统采用CPCI和模块化架构实现;针对航空发动机高速振动信号的特征,设计了基于DSP的信号采集与处理模块,实现同步采集多路振动信号并进行数据处理;利用FPGA和PowerPC设计信号智能检测与数据记录模块;通过多线程DSP软件实现振动数据的智能检测和监控;试验测试和验证结果表明,系统满足飞行安全实时检测监控工程应用的需求。     

基于改进T-S模型的航空发动机振动值监控方法

针对T-S模型在规则库建立过程中存在的重复学习、效率低下等问题,采用模糊关联规则挖掘的方法对T-S模型进行改进;首先采用基于矩阵的模糊关联规则挖掘算法,深入分析和利用频繁项集的性质,减少数据库扫描次数以及挖掘过程中产生的中间结果,提高规则挖掘效率;其次,从挖掘结果中选取模糊规则,对其处理后建立T-S模型规则库;最后,将改进的T-S模型应用于航空发动机振动值监控中;实验结果表明,改进的T-S模型能够有效实现发动机振动监控。     

基于小波包能量熵的航空发动机突发故障诊断

为了提高飞机发动机突发故障的诊断正确率,提出了将混合采样法和SVM相结合的突发故障诊断新方法.首先利用小波包多分辨率分析特性进行故障特征提取;然后采用混合采样法对提取的少数类突发故障样本特征进行优化重构,使少数类突发故障样本数量和其他类样本数量趋于平衡;再利用SVM构造多分类器对正常与多种故障状态进行分类.通过发动机转子试验台所采集的数据,对该故障诊断方法进行了验证研究.结果表明,该方法能有效识别发动机叶片断裂和吸入异物两类突发故障,且算法简单,故障分类识别效果好.     

基于RF-SVM的发动机缸体孔组加工质量分级监控

为实时动态监控发动机缸体顶面孔组的加工质量,提出基于随机森林(random forest,RF)和支持向量机(support vector machine,SVM)相结合的工序节点处加工质量分级监控模型。设计在工序间快速获取发动机缸体孔组图像的机器视觉系统,提取单缸孔7个特征参数及3个相邻孔间距;用主成分分析法对特征参数进行降维处理,建立样本集合训练孔组整体加工质量RF分级监控模型及单孔加工质量SVM分级监控模型。应用该模型对某发动机缸体顶面孔组加工质量进行在线监控,结果表明,与决策树模型、RF模型和SVM模型相比,所提模型对孔组整体加工质量分级精度可达97.778%,单孔分级精度可达99.167%,能快速响应发动机缸体制造过程质量反馈控制,可有效解决相关工程实际问题。     

基于多任务CNN的监控视频中异常行人快速检测

在近年来社会公共安全受到广泛关注的情况下,如何利用监控视频对异常行人进行监督,预防危险事件的发生成为了一个热门课题.异常行人是指与普通行人在外观上有明显异常性区别的人,例如用头盔大面积遮挡面部或低头躲避摄像头,考虑到异常行人的特征主要集中在头面部,本文提出一种基于多任务卷积神经网络和单类支持向量机的针对头面部特征的异常行人快速检测方法.首先进行头面部区域的检测,然后使用多任务卷积神经网络提取头面部区域的特征,之后使用单类支持向量机判断是正常行人还是异常行人.此外,本文还针对卷积神经网络设计了一种卷积核拆分方法,加快了特征提取的速度,最终实验表明,本文提出的算法能够快速有效的检测出监控视频中的异常行人.     

基于支持向量机的航空发动机振动预测模型研究

提出了一种基于支持向量机的航空发动机振动参数预测方法.分析了支持向量机用于时间序列预测的基本理论,对时间序列进行了相空间重构,采用互信息法计算了延迟时间,运用平均一步绝对误差选取了嵌入维数,在此基础上建立了基于支持向量机的时间序列一步预测模型.应用某发动机飞参记录数据对发动机振动参数进行预测,预测精度比RBF神经网络更高.研究结果验证了应用支持向量机模型进行发动机参数预测的正确性和可行性.     

一种基于属性加权的代价敏感支持向量机算法

针对实际中存在的各类别样本错分造成不同危害程度的分类问题,提出了一种基于属性加权的代价敏感支持向量机分类算法,即在计算各个样本特征属性对分类的重要度之后,对相应的属性进行重要度加权,所得的数据用于训练和测试代价敏感支持向量机。数值实验的结果表明,该方法提高了误分代价高的类别的分类精度,同时属性重要度的引入提高了分类器的整体分类性能。该方法对错分代价不对称的数据分类问题具有重要的现实意义。     

基于特征加权的支持向量回归机研究

基于统计学习理论的支持向量回归机有比较好的泛化能力,然而当样本含有与该问题不完全相关甚至完全无关的特征时,会使得各个特征对问题的相关程度差异很大,从而使得支持向量回归机的效果受到影响。为了解决这个问题,提出了一种基于特征加权的支持向量回归机。模拟的计算结果显示出此方法的有效性。     

基于加权支持向量机的凸轮升程误差拟合方法

针对凸轮磨削加工过程中存在局部升程误差严重超差的问题,提出了加权支持向量机的凸轮升程误差补偿方法。首先根据圆率的符号判断凸轮升程误差值是否连续,然后建立了不连续点与相邻点之间夹角与加权值的关系。通过加权支持向量机对凸轮升程误差值进行拟合。然后将原始凸轮升程值减去经拟合后的凸轮升程误差值,获得新的凸轮升程值。再根据圆率自动调整加权值的系数,使凸轮升程值光滑点数最大,即获得最优的凸轮升程值。对上述算法进行仿真和编程,经YTM8336-16数控凸轮轴磨床进行磨削验证。实验表明,凸轮升程误差由原来的±0.059 mm降至±0.011 mm,表面粗糙度由Ra0.32μm降至Ra0.25μm,获得良好的效果。     

基于加权支持向量机的网络入侵检测研究

在网络入侵检测中,数据类别不均衡训练集的使用将产生分类偏差,主要原因在于对每个训练样本的错误分类的惩罚系数是相等的.加权支持向量机对每个错误分类样本的惩罚系数是不一样的,这对小样本来说提高了分类精度,克服了常规SVM算法不能灵活处理样本的缺陷.但这是以大样本分类精度的降低以及总分类精度的下降为代价的.实验结果证明,将加权支持向量机用于网络入侵检测中是可行的、高效的.     

An efficient weighted Lagrangian twin support vector machine for imbalanced data classification

In this paper, we propose an efficient weighted Lagrangian twin support vector machine (WLTSVM) for the imbalanced data classification based on using different training points for constructing the two proximal hyperplanes. The main contributions of our WLTSVM are: (1) a graph based under-sampling strategy is introduced to keep the proximity information, which is robustness to outliers, (2) the weight biases are embedded in the Lagrangian TWSVM formulations, which overcomes the bias phenomenon in the original TWSVM for the imbalanced data classification, (3) the convergence of the training procedure of Lagrangian functions is proven and (4) it is tested and compared with some other TWSVMs on synthetic and real datasets to show its feasibility and efficiency for the imbalanced data classification.     

聚类加权和CS-LSSVM的文本分类

文本特征提取和分类器优化是文本分类的两个关键问题,为了提高文本分类正确率,提出一种聚类加权（CW）和布谷鸟（CS）算法优化最小二乘支持向量机（LSSVM）的文本分类模型。采用TF-IDF算法计算特征词的权重,根据特征词的位置进行加权,经过特征聚类处理降低特征冗余度,采用LSSVM建立文本分类器,采用CS算法对LSSVM参数进行优化。采用复旦大学语料库对模型性能进行仿真测试,仿真结果表明,模型不仅提高了文本分类的正确率,而且提高了文本分类的效率。     

加权间隔结构化支持向量机目标跟踪算法

目的 目标在跟踪过程中,各种因素的干扰使得跟踪结果存在不确定性。因此,将跟踪过程中所提取样本的可靠性融入跟踪模型中,有助于克服低可靠性样本对跟踪算法的影响。为此,基于最近的结构化支持向量机（SSVM）跟踪算法,提出一种包含样本置信度的加权间隔结构化支持向量机跟踪模型（WMSSVM）,以增强SSVM跟踪算法性能。方法 首先,基于打分和位置重合率估计样本可靠性;其次,建立WMSSVM模型处理具有不同置信度的跟踪样本训练问题,并采用对偶坐标下降优化算法求解跟踪模型。结果 在包含100个视频的OTB100跟踪数据集上进行测试,提出的WMSSVM跟踪器与基准跟踪器Scale-DLSSVM相比,在精准度和成功率两个指标上分别提高了1%和2%。与最近的跟踪算法相比,提出的方法也表现出更好的性能。结论 本文首次将样本的可靠性融入结构化支持向量机跟踪模型,并提出一种基于加权间隔的结构化支持向量机跟踪模型及其优化求解方法,在包含100个视频序列的跟踪数据集上验证了提出方法的有效性,本文提出的算法能够适应复杂场景下的跟踪任务,并在背景混杂、目标形变、遮挡、运动模糊、目标出界、快速位移等类别的视频中表现出优异的性能。     

面向不均衡分类的隶属度加权模糊支持向量机

针对不均衡分类问题,提出了一种基于隶属度加权的模糊支持向量机模型。使用传统支持向量机对样本进行训练,并通过样本点与所得分类超平面之间的距离构造模糊隶属度,这不仅能够消除噪点和野值点的影响,而且可以在一定程度上约减样本;利用正负类的平均隶属度和样本数量求得平衡调节因子,消除数据不平衡时造成的分类超平面的偏移现象;通过实验结果验证了该算法的可行性和有效性。实验结果表明,该算法能有效提高分类精度,特别是对不平衡数据效果更加明显,在训练速度和分类性能上比传统支持向量机和模糊支持向量机有进一步的提升。     

支持向量机在化学主题爬虫中的应用

爬虫是搜索引擎的重要组成部分,它沿着网页中的超链接自动爬行,搜集各种资源。为了提高对特定主题资源的采集效率,文本分类技术被用来指导爬虫的爬行。本文把基于支持向量机的文本自动分类技术应用到化学主题爬虫中,通过SVM 分类器对爬行的网页进行打分,用于指导它爬行化学相关网页。通过与基于广度优先算法的非主题爬虫和基于关键词匹配算法的主题爬虫的比较,表明基于SVM分类器的主题爬虫能有效地提高针对化学Web资源的采集效率。     

基于类内超平面的模糊支持向量机

分析基于样本与类中心距离设计模糊支持向量机隶属度函数的缺点,使用类内超平面代替类中心,提出基于样本到超平面距离的隶属度函数设计方法.该方法降低隶属度函数对样本集几何形状的依赖,提高模糊支持向量机的泛化能力.最后数值实验表明,与传统的支持向量机和现有的3种不同隶属度函数的模糊支持向量机相比,新隶属度函数可达到最好的分类效果而且速度快.