基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断

滚动轴承故障诊断是提高设备利用率、降低运行及维护成本关键。最小二乘支持向量回归机为有效的故障诊断方法,为解决其参数选取受限于主观经验问题,将萤火虫群算法用于惩罚系数C与核参数σ寻优,提出基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断方法。实验结果表明,该方法能对滚动轴承故障位置及程度进行准确诊断,与常规最小二乘支持向量回归机、BP神经网络相比精度更高,由此验证该方法的可靠性。     

基于模糊粗糙集和鲸鱼优化支持向量机的化工过程故障诊断

针对化工过程复杂,故障数据量大、属性多,难以保证故障诊断准确率和速度的问题,提出了一种基于模糊粗糙集(fuzzy rough sets,FRS)和鲸鱼优化的支持向量机(support vector machine,SVM)的化工过程故障诊断方法.通过对化工过程历史数据分析,判别故障类型.首先,利用模糊粗糙集对离散化后的...     

基于支持向量机和改进蚁群算法的移动机器人路径规划

针对传统蚁群算法(ACO)收敛速度慢、全局搜索能力不佳、易陷入局部最优、路径不光滑及不安全等缺点,本文提出一种将改进的蚁群算法和非线性支持向量机(SVM)结合的移动机器人路径规划算法。对传统蚁群算法引入两个角度信息,增加算法的朝向性,克服局部最优问题;信息素挥发因子随迭代次数自适应调整,加快全局搜索能力和收敛速度。在此基础上结合高斯径向基核最小二乘支持向量机,采用提出的改进蚁群算法获得支持向量机的惩罚系数和核函数宽度,利用径向基核函数和决策函数在改进蚁群算法的路径转向位置处训练优化,得到平滑及安全的路径。仿真结果表明,提出的算法不但可以有效提高收敛速度和精度,而且使得路径光滑且安全。     

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法.首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类.为了提高诊断性能,本文利用集合...     

基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

基于小波包和进化支持向量机的齿轮早期诊断研究

针对齿轮早期故障的特征不明显，提出了一种基于小波包和进化支持向量机的齿轮故障诊断方法，该方法既充分利用了小波包优良的时频局部化特性，又利用了支持向量机在小样本情况下出色的学习性能和良好的推广特性，以及遗传算法的全局优化能力。在齿轮试验台上的应用结果表明，经过特征提取和参数优化后，提高了支持向量机的分类能力。     

基于混沌理论和支持向量机的人脸识别方法

针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力.     

基于多物理场信号相关分析与支持向量机的离心泵故障诊断方法EI北大核心CSCD

为解决传统离心泵故障诊断仅使用单一振动信号而无法综合利用多物理场相关性信息等问题,该研究提出一种基于多物理场信号相关分析与支持向量机(SVM)相结合的故障诊断方法。首先对采集到的离心泵在不同状态下的多物理场信号进行归一化操作;其次计算任意两个归一化后的多物理场信号的相关度并组成相关度矩阵;最后,以相关度矩阵作为特征使用SVM进行诊断。为验证该方法的有效性,使用离心泵故障数据对所提方法进行了验证。结果表明,相比仅使用单一信号的故障诊断方法,该方法能充分提取离心泵多物理场相关度信息,特征提取更充分,有效提高离心泵故障诊断正确率。     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法.利用改进多尺度加权排列熵(improved multiscale weighted permutation e...     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

使用支持向量机的微处理器验证向量优化方法

为了解决微处理器仿真验证中随机验证向量质量不高的问题,提出了一种基于支持向量机(SVM)的验证向量优化方法。该方法将已仿真运行的验证向量及其覆盖率信息作为支持向量机的样本进行有监督学习,得到验证向量关于功能覆盖点的分类器。利用训练后的分类器对于新产生的验证向量进行预测,并丢弃预测中不能提高覆盖率的冗余验证向量。实验数据表明该方法能准确地过滤冗余验证向量,提高仿真运行的验证向量的质量。和完全随机的验证向量生成方法相比,该方法达到相同的功能覆盖率仅需要前者1/3的验证向量。     

基于支持向量机的人手姿态肌电模式识别与力检测

针对多自由度假手的肌电控制难题进行了人手多种姿态的模式分类以及握力检测的研究。基于支持向量机(SVM)算法,首先从6通道表面肌肤电信号中提取模式信息,对人手18种姿态进行了分类,然后验证了在3种抓取模式下从肌电信号中回归人手握力的方法的性能。实验结果表明,使用支持向量机能有效地识别出入手所处的姿态模式及施力的大小。结合肌电的模式识别以及握力回归算法,可以实现多自由度假手的随动及力控制,因此可大大提升假手控制的灵活性及功能性。     

基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。     

基于支持向量机的地震预警震级快速估算研究

以更准确的估算地震预警(earthquake early warning,EEW)震级为目标,利用P波触发后3 s内的日本K-net强震数据,选取幅值参数、周期参数、能量参数、衍生参数这4大类共12个P波特征参数作为输入,构建基于支持向量机震级预测模型(support vector machine for earthquake magnitude estimation,SVM-M)。结果表明,比较传统的震级估算“τc方法”与“P d方法”,建立的SVM-M模型震级预测误差明显减小且不受震中距变化的影响,小震高估问题得到明显改善。2016年日本熊本地震主震(M j7.3)与2008年中国汶川地震主震(M s8.0)的震例分析结果表明,3 s时间窗不能匹配震源破裂全过程而出现了一定程度的震级低估,但仍可在P波触发后短时间窗内明确是大地震事件。建立的SVM-M模型可应用于地震预警震级快速估算。     

基于改进鲸鱼算法优化LSTM的滚动轴承故障诊断

适应性动量(Adam)估计优化器易使深度长短时记忆神经网络(long short-term memory,LSTM)陷入局部极小值,导致故障诊断精度过低;鲸鱼算法(whale optimization algorithm,WOA)的寻优区域过大,导致寻优效率过低.针对上述两问题,将WOA进行改进(improved wh...     

基于支持向量机的汽车发动机故障诊断研究

研究在汽车发动机不解体的情况下获取发动机缸盖表面的振动信号和上止点信号,按曲轴转角的周期对振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值。建立发动机各缸不同故障状态的训练集,用支持向量机的方法实现发动机故障模式的诊断与识别。研究结果表明,该方法对汽车发动机故障类型、故障位置的诊断识别具有重要工程意义。     

基于网格式支持向量机算法的转轴裂纹故障诊断

支持向量机(SVM)是一种对小样本决策具有良好学习性能的机器学习方法。常规SVM算法是从二类分类问题推导得出的,针对于故障诊断这种典型的多类决策问题,研究了一种网格式支持向量机多类算法,每个类别和其他2至4个类别之间采用常规SVM二值分类器进行分类,所需二值分类器总数少,可扩展性强。把转轴上不同位置的裂纹当作不同的故障,运用网格式支持向量机进行转轴裂纹位置故障诊断,结果表明该算法具有计算量小、诊断速度快、故障识别率高、容易扩展等优点,适合于较大规模的多类别故障诊断应用。     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。