基于分层模糊支持向量机的油液磨粒自动识别

提出基于模糊支持向量机的机械设备在用油液磨粒自动识别方法。首先利用K-均值聚类算法对磨粒图像进行分割,提取磨粒的形状尺寸特征参数、边缘细节特征参数、表面纹理特征参数作为其量化表征,分别选择最能反映待识别磨粒特征的参数作为各个二分类器的输入向量;然后结合二叉树法和一对多法间接构造磨粒的分层多类别分类器模型,在训练过程中同时利用粒子群算法优化分类器的参数,建立一种参数自适应的模糊支持向量机分层多类别分类模型。将该模型应用到旋挖钻机在用油液的磨损颗粒识别中,识别率最高达90%。该模型结构简单、分类精度好,在磨粒识别领域较大的工程应用价值。     

内燃机振动时频图像的编码特征提取与诊断

针对传统内燃机振动诊断方法在参数选择和特征提取方面的难题,提出一种将S变换和模块二维主成分分析(M-2DPCA)相结合的内燃机故障诊断方法。该方法首先利用S变换将采集到的内燃机缸盖表面振动信号生成振动谱图像;然后通过M-2DPCA对图像矩阵进行模块化处理,利用所有样本子图像构建总体散布矩阵,计算最优投影向量,进行图像特征参数提取;最后,利用最近邻分类器进行分类识别,完成诊断。将该方法应用于内燃机气阀机构8种工况下振动信号的诊断实例中,识别率可达到94.17%,证明了该方法的有效性。     

基于改进鲁棒多分类SVM的烟叶颜色分级分类方法研究

提出了一种基于改进鲁棒多分类SVM的烟叶颜色等级分类方法,将烟叶图像颜色转为HSV空间。该方法提取烟叶上、中、下三个区域一、二、三阶颜色矩作为分类特征,改进SVM分类器对各色组离群训练样本的约束,减少依赖,提高分类模型对样本分类的精确度。在改善SVM二分类器的基础上采用一对多的多分类策略,实现烟叶颜色6个等级的识别判断。试验结果表明,改进鲁棒性SVM方法下所训练模型对未来烟叶颜色等级的识别率比HL-SVM方法的识别率高6.29%。     

基于NGA优化SVM的滚动轴承故障诊断EI北大核心CSCD

支持向量机(SVM)的分类性能受样本的特征以及SVM本身参数的选择影响较大。针对这种情况,基于Shannon能量熵、SVM和小生境遗传算法(NGA),提出了一种基于NGA优化SVM的滚动轴承故障诊断方法。该方法采用容错性强的Shannon能量熵作为特征参数,对信号进行EMD分解提取出前3个IMF分量作为特征信号,分别计算其Shannon能量熵作为特征向量得到样本集,作为多类别SVM的输入。在用样本训练SVM时,构造一种新的核函数,并采用NGA对SVM的核函数参数进行全局优化,使SVM获得最佳的分类性能,提高其分类识别的正确率。最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别,并与其他几种方法进行了对比,结果表明该方法具有更好的可靠性和分类准确率。     

一种聚类分层决策的SVM模拟电路故障诊断方法

支持向量机用于模拟电路多种故障诊断时,其多分类扩展策略与诊断的效率和正确率密切相关。本文提出模糊聚类与支持向量机集成的算法,通过分析电路故障特征数据的空间分布特性,以多级二叉树结构的SVM实现故障的分级诊断。通过对各故障模式两种小波特征的逐次聚类二分获得二叉树,根据F测度为每个节点的SVM选择具有最大分类间隔的故障子类及特征,避免了不可分故障区域的出现,从而优化了SVM的组合策略。采用该方法组建的SVM结构简单,在滤波器电路的故障诊断中获得良好的效果。与几种常用的SVM方法相比,本文方法有效地提高了故障诊断的精度和效率。     

基于EMD奇异值分解与马氏距离的气阀故障诊断

设置排气阀的不同间隙及用新气阀模拟轻微漏气,构造气阀机构的四种常见工作状态,然后针对非平稳的缸盖振动信号,介绍了一种可以处理非平稳信号的新方法,应用Hilbert-Huang 变换的核心内容--经验模态分解法对非平稳信号进行分解,以降低原始信号中的非平稳性.利用经验模态分解和奇异值分解得到缸盖振动信号的故障特征参数,然后用少量的样本数据训练得到四种常见工作状态的模式向量,最后利用马氏距离判别函数进行气阀机构故障状态的识别.实验结果表明通过小样本即可完成模型的训练,且训练一旦完成,对未知样本的分类速度和识别率都很高,便于实现气阀机构故障的在线实时监测与诊断.     

改进的网格搜索算法在SVM故障诊断中的应用

针对网格搜索法在支持向量机参数寻优时存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法,并将其应用于田纳西-伊士曼过程。实验表明,与改进前的算法相比,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

模拟电路故障的一种聚类二叉树支持向量机诊断新方法

针对模拟电路故障特征样本的分类(诊断)问题.提出了一种基于聚类二叉树支持向量机(SVMs)多分类器的故障诊断新方法,并分析了几种分类器的平均测试复杂度.首先,利用自组织特征映射神经网络(SOFM)对训练样本进行层次聚类.得到一棵聚类二叉树;其次,按照树的结构利用二元SVMs设计故障分类器,并对样本进行分组训练和测试.实际仿真和测试表明.所设计的故障分类器性能在诊断精度和效率上皆优于传统的"1-v-r"SVMs和"1-v-1"SVMs分类器,较为适合模拟电子电路的故障分类和诊断.     

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。     

管道腐蚀缺陷超声信号的PSO-SVM模式识别研究

针对金属管道腐蚀问题,提出了一种基于支持向量机(Support vector machine,SVM)与粒子群优化(Particle swarm optimization,PSO)相结合的管道腐蚀缺陷的分类方法。对预处理后的超声缺陷信号进行经验模态分解(Empirical mode decomposition, EMD),提取相应的时域无量纲参数作为特征向量;建立SVM缺陷分类模型,并采用PSO算法优化SVM参数,提高模型的缺陷分类准确率。实验证明,该方法建立的模型针对不同深度的超声缺陷信号的识别率达到87.5%,优于相同试验样本下BP神经网络和RBF神经网络的分类准确率。     

Support vector machines-based fault diagnosis for turbo-pump rotor

Most artificial intelligence methods used in fault diagnosis are based on empirical risk minimisation principle and have poor generalisation when fault samples are few. Support vector machines (SVM) is a new general machine-learning tool based on structural risk minimisation principle that exhibits good generalisation even when fault samples are few. Fault diagnosis based on SVM is discussed. Since basic SVM is originally designed for two-class classification, while most of fault diagnosis problems are multi-class cases, a new multi-class classification of SVM named ‘one to others’ algorithm is presented to solve the multi-class recognition problems. It is a binary tree classifier composed of several two-class classifiers organised by fault priority, which is simple, and has little repeated training amount, and the rate of training and recognition is expedited. The effectiveness of the method is verified by the application to the fault diagnosis for turbo pump rotor.     

基于机器视觉的手机电池表面缺陷检测

针对手机电池表面质量人工检测情况,开发了电池表面缺陷无损检测系统软件。首先电池表面经过倾斜矫正、感兴趣区域提取和字符灰度值修改等预处理操作,通过基于灰度密度分布和灰度差的自适应阈值亮度法对感兴趣区域进行子图像遍历,融合有重合区域的缺陷子图像并滤除没有明显缺陷的区域;然后采用支持向量机多种类分类法,提取二值图像像素分布规律作为训练特征,识别电池表面缺陷种类;最后设计了人机交互界面,确定最佳的可变参数,实验测试缺陷识别率达95%以上。     

基于铁谱图像异类特征融合的磨损类型识别方法

针对铁谱磨粒图像识别中存在特征单一、异类特征的综合利用率低等问题,提出一种磨粒图像多特征的异类信息融合识别方法。首先,对在线铁谱图像预处理基础上提取磨粒纹理(ASM、熵、相关、对比度)、颜色(均值、方差、斜度)、几何(7个不变矩)3种统计特征;其次,对提取特征数据进行[0,1]归一化处理,采用超球心间距法确定核参数,运用超球多类SVM实现基于单种特征的多类磨损识别;最后,在单种特征识别基础上通过后验概率构造3种特征所需的软判决基本概率赋值(BPA)函数,运用超球多类SVM与D-S证据理论结合法实现异类特征融合的铁谱图像识别。特征融合方法识别最高识别率达到了96.1%,与单一特征识别结果相比,识别准确度更高,且实现了不同特征的互补。     

基于连续小波和多类球支持向量机的颤振预报

研究了一种应用连续小波特征和多类球支持向量机进行铣削系统颤振预报的方法,该方法基于连续小波变换提取铣削振动信号的特征,利用多类球支持向量机对正常铣削状态、颤振孕育状态和颤振爆发状态的振动信号进行三分类识别,通过识别颤振孕育状态预测颤振爆发。试验结果表明,在铣削颤振识别与预测中,铣削振动信号的连续小波特征与多类球支持向量机相结合具有良好的识别颤振孕育状态和颤振爆发状态的能力,颤振孕育状态的识别正确率达95.0%,颤振爆发状态的识别正确率达97.5%。     

Fault classification using genetic programming

Genetic programming (GP) is a stochastic process for automatically generating computer programs. In this paper, three GP-based approaches for solving multi-class classification problems in roller bearing fault detection are proposed. Single-GP maps all the classes onto the one-dimensional GP output. Independent-GPs singles out each class separately by evolving a binary GP for each class independently. Bundled-GPs also has one binary GP for each class, but these GPs are evolved together with the aim of selecting as few features as possible. The classification results and the features each algorithm has selected are compared with genetic algorithm (GA) based approaches GA/ANN and GA/SVM. Experiments show that bundled-GPs is strong in feature selection while retaining high performance, which equals or outperforms the two previous GA-based approaches.     

整体改进的基于支持向量机的故障诊断方法

为了消除噪声或野值样本对支持向量机分类器推广性能的不利影响,从数据预处理、特征提取和分类器设计等几个方面对现有的基于支持向量机的故障诊断方法进行了整体改进。一方面,在独立分量分析的基础上提出一种残余总体相关分析时域特征提取方法,利用独立分量分析的冗余取消特性以及残余总体相关分析的整体约简能力,抽取描述不同故障模式类的典型低维特征,削减原始数据中的噪声干扰;另一方面,对各模式类特征样本进行模糊C-均值聚类,然后以类内平均距离和类间平均距离共同构建一个有效性判别准则,用于区分特征空间中的有效样本与野值点,去除野值对支持向量机目标函数的影响。在此基础上引入具有可控稀化解的前向最小平方近似支持向量机算法,并采用基于复杂多故障模式分级识别的二分类策略,共同形成一种整体改进的基于支持向量机的故障诊断方法。对齿轮箱故障的诊断结果验证了该方法的有效性,对于受强噪声干扰的小样本数据,所构建的故障分类器也具有良好的推广能力。     

应用ICEEMDAN和SVM的行星齿轮箱故障诊断

针对行星齿轮箱复合故障准确分类问题,应用了改进自适应噪声完备集合经验模态分解(ICEEMDAN)和支持向量机(SVM)相结合的故障诊断方法。首先,将行星齿轮箱的不同故障信号分别进行ICEEMDAN分解,得到各阶内禀模态函数(IMF);其次,利用各阶IMF分量与原信号的相关性大小,剔除虚假的IMF分量;最后,以优选IMF分量的多尺度模糊熵均值作为特征向量,输入到多分类SVM中进行故障分类,分类准确率高达100%,实验结果证明了该方法的可行性。     

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明：基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。     

基于网格支持矢量机的涡轮泵多故障诊断

支持矢量机是一种基于结构风险最小化原则的机器学习方法,对小样本决策具有较好的学习推广性.由于常规支持矢量机算法是从二类分类问题推导得出的,在解决故障诊断这种典型的多类分类问题时存在困难,为此提出一种网络支持矢量机多类分类算法,用每个类别和其他两个至四个类别构造二类支持矢量机分类器.这些二类支持矢量机分类器组合而成的网格式结构多类分类器,具有容易扩展、重复训练样本少、速度快和识别正确率高的优点.将网格式结构多类分类器应用于涡轮泵试验台多故障诊断获得了令人满意的效果.     

结合SVM后验概率的散料料位识别试验研究

提出了一种散料装车料位的图像检测方法,该方法将待处理料堆图像分为若干不重叠的子块,对各子块进行了同态滤波、二值化及二值共生矩阵纹理特征提取,并根据纹理特征对各子块进行了分类识别。在识别过程中,提出了一种基于SVM及其后验概率的料堆识别方法,建立了位于交界位置子块的SVM后验概率与其中料堆目标所占比例的关系模型,并将仅采用SVM对子块识别后的料位拟合结果与其后验概率输出相结合,在这些交界位置子块内进行了进一步的图像分割。试验结果表明,所提出的方法与仅采用SVM子块识别的料堆轮廓及料位拟合误差相比,分别减小42%和56%,平均误差分别为0.4517pixel和0.2586pixel,在MATLAB下每帧处理需0.2s。