Using support vector machines to forecast the production values of the machinery industry in Taiwan

The machinery industry is one of the most important exporting industries in Taiwan. The values of Taiwan’s machinery industry have been increasing continuously over the past years. Therefore, forecasting of production values is an essential issue for the machinery industry in Taiwan. Support vector machines (SVMs), a novel forecasting technique, have been successfully applied in solving non-linear regression and time series problems. In this paper, SVMs are employed to examine the feasibility in forecasting seasonal time series data of production values of Taiwan’s machinery industry. In addition, two other forecasting approaches, namely the seasonal time series autoregressive integrated moving average (SARIMA) model and general regression neural networks (GRNN), are used to compare the performance of forecasting. Experimental results show that support vector machines outperform SARIMA and the general regression neural networks in terms of forecasting accuracy.     

大型旋转机械状态组合预示模型研究

大型旋转机械的状态预示技术是实现设备状态维护的关键,针对大型旋转机械的几种典型趋势,提出支持向量机(support vector machines,SVM)进行系统故障趋势预示的模型,采用BP(back propagation)神经网络模型和SVM模型对不同的趋势进行预测,结果表明SVM模型具有预测精度高的特点.在以上研究的基础上,提出一种新的旋转机械系统状态组合预测模型.该模型采用振动烈度和特征频率分量作为预测机械系统状态的敏感因子,采用从时域到频域、频域到时域,构建旋转机械状态预测的组合模型.将基于SVM的组合预测模型应用于旋转注水机组的状态预测,取得较好的预测效果.     

发动机汽缸壁耐磨性非概率可靠性评估和寿命预测

针对现有的可靠性分析方法的缺陷与不足,将发动机汽缸壁允许的磨损量和其实际的磨损量用区间变量来进行描述,在确定出发动机汽缸壁磨损失效功能函数的基础上,建立起发动机汽缸壁耐磨性非概率集合可靠性的计算模型;利用稳健回归方法对发动机汽缸壁的实际磨损量拟合出相应的预测方程,基于非概率集合可靠性模型,提出了发动机汽缸壁磨损寿命的预测方法。通过对工程实例的分析与计算,表明了所提出方法的可行性和合理性,此方法具有一定的工程应用价值。     

基于遗传算法的支持向量机时间序列预测模型优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力，因此与建立在经验风险最小原则上的神经网络模型相比，理论上更为完善。本文运用支持向量机建立时间序列预测模型，研究影响模型预测精度的相关参数，在分析参数对时间序列预测精度的影响基础上，提出用遗传算法建立支持向量机预测模型的参数自适应优化算法。最后，用算例表明了本文算法的正确性和有效性。     

发动机磨损状态的改进LS—SVM监控研究

介绍最小二乘支持向量机对航空发动机滑油系统铁元素浓度的变化趋势进行预测;并采用遗传算法对最小二乘支持向量机的参数进行优化。通过与时间序列分析的预测结果相比较,仿真实验结果表明：得到的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力。     

设备状态趋势的SVM预示技术研究

SVM采用结构风险最优化准则,预示推广能力强并有很好的鲁棒性。分析了SVM技术的理论,推导了SVM进行机电设备趋势预测的理论算法,给出了进行预测的步骤,建立了SVM用于故障趋势预示的模型。将该模型用于某机组振动烈度的预示,进行了不同核函数和不同C值和ε值的比较,证明采用径向基函数和适当的损失函数,取得了较好的预测效果。并将SVM与AR模型的提前20步预测结果进行了比较。结果证明该算法对设备状态的趋势具有较好的预示能力。     

一种基于支持向量机预测器模型的转子系统故障诊断方法

提出了一种基于支持向量机回归预测模型的转子系统故障诊断方法。分别对转子系统振动信号建立支持向量机回归预测模型，利用回归预测模型对振动测试信号进行预测，计算各支持向量机回归预测模型的预测信号与真实信号的误差并计算信噪比，通过比较各预测信号的信噪比来判断转子系统的工作状态和故障类型。实验结果表明，该方法能够有效地应用于转子系统的故障诊断。     

基于遗传算法的组合预测在油液光谱分析中的应用

基于目前的一元线性回归预测模型、灰色预测模型和时间序列预测模型3种预测模型的优缺点,综合上述3种预测模型,提出了一种基于遗传算法的组合预测模型,并应用遗传算法确定了组合预测的权重系数。实例分析计算表明,该方法具有更好的预测效果。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

隐式极限状态方程的非概率可靠性分析

针对凸集模型比例因子的非概率可靠度指标相对隐式极限状态方程难以求解问题,提出一种基于支持向量机回归的非概率可靠度指标分析方法.所提方法用支持向量机回归拟合极限状态方程,通过优化算法获得可靠度指标和设计点,用设计点更新支持向量机训练样本的抽样中心,并重复计算过程直至收敛.由于构造合适的迭代格式可以有效地近似结构的真实失效域边界,故求解精度好,又由于使用极限状态方程的代理措施,使得计算效率高.文中用四个数值算例证明方法的精度和效率,并将文中方法用于实际的飞机机翼可靠性分析中.     

基于支持向量机的旋转机械故障诊断

把支持向量机应用于诊断旋转机械不平衡和转静碰摩故障，利用转子故障实验器分别对多项式和径向基核函数进行了实验比较，选取了不同振动参数作为特征量输入支持向量机进行学习和测试。结果表明．两种不同核函数的支持向量机在各种条件下所获得的最优故障诊断准确率很接近。这说明支持向量机的性能对结构（核函数）的依赖性很小，便于在工程中应用，但特征量的选取对故障诊断准确率影响很大。对于诊断不平衡和转静碰摩故障．一、二和三阶正、反进动量是最适合的故障诊断特征量。用正、反进动量构造出SV-进动图，可明确、形象地显示故障分类面，有助于诊断故障。     

基于分形与支持向量回归的动力装置运行状态预测模型

分析了动力装置运行状态特点和预测要求,依据分形和支持向量回归理论,建立了基于分形与支持向量回归的状态趋势预测模型。其中,以振动烈度作为描述机组状态的特征数据来构建时间序列,对其进行相空间重构,根据最小嵌入维数来确定支持向量机输入节点数,采用支持向量回归算法对机组状态趋势进行预测。应用案例研究和实验对比分析的结果表明,研究的状态预测模型单步预测的平均相对误差为1.7881%, 30步预测的平均相对误差为3.3983%,预测模型能较好地满足动力装置状态趋势预测要求。     

基于混沌v-支持矢量机的产品销售预测模型

针对制造企业产品销售时序具有多维、小样本、非线性和多峰等特征,将混沌理论与支持矢量机(Support vector machine,SVM)参数优选方法相结合,证明了结构风险最小化原则是在概率意义下近似正确的,由此得到支持矢量机的表现形式并不是唯一的,具有多样性的特征,在此基础上提出一种混沌v-支持矢量机(Chaotic-v SVM,Cv-SVM)模型,给出相应的产品销售预测方法。最后进行了汽车销售时序预测,结果表明基于Cv-SVM的产品预测方法是有效和可行的。     

Transducer invariant multi-class fault classification in a rotor-bearing system using support vector machines

Faults in a rotor-bearing system due to bearings and unbalance have been classified using support vector machines (SVMs). Vibration signals on a rotor-bearing system were measured simultaneously at five different rotating speeds using seven transducers. The most sensitive feature of the vibration signals has been determined using compensation distance evaluation technique. Multi-class SVMs classification algorithm was then implemented for classification of the faults by considering SVMs created by the possible combinations of the most two sensitive features for each type of fault. By using optimal SVM parameters, the effective location of transducer among seven transducers for best classification of the faults has been investigated and found that any transducer provides a classification of 75% or better and this classification rate increases when more transducers are considered. This paper provides a robust SVM based technique using only time domain data without any additional preprocessing for classifying bearing and unbalance faults.     

基于具有高斯损失函数支持向量机的预测模型

鉴于∈-不敏感损失函数的标准支持向量机对产品销售时序的预测效果不好,提出一种采用高斯函数作为损失函数的支持向量机,给出相应的产品销售短期智能预测方法和参数优选算法.最后以汽车销售实例进行分析,表明基于高斯损失函数的支持向量机的短期预测方法是有效可行的.     

航空发动机复杂磨损趋势的神经网络多变量预测模型

针对非等间隔的受加油因素影响的光谱油样分析数据的建模预测问题,建立了BP神经网络的多变量预测模型,充分考虑了油样分析数据的非等间隔性及受加油因素影响的特点,同时,用遗传算法对网络参数进行了优化。最后,利用两组实际的航空发动机油样光谱分析数据对模型进行了验证。结果表明,所提出的神经网络多变量预测模型能有效解决实际的受多因素影响的油样分析数据建模问题,具有较强的工程实用价值和通用性。     

光谱油样分析数据的神经网络多变量预测技术

针对非等间隔的受加油因素影响的光谱油样分析数据的建模预测问题，利用人工神经网络高度的并行分布式、联想记忆能力、自组织学习能力和极强的非线性映射能力，建立了BP神经网络的多变量预测模型。同时，用遗传算法对网络参数进行了优化。最后，利用两组实际的航空发动机油样光谱分析数据对模型进行了验证。结果表明，提出的神经网络多变量预测模型能有效解决实际的受多因素影响的油样分析数据建模问题，具有较强的工程实用价值和通用性。     

Intelligent fault diagnosis of rolling element bearing based on SVMs and fractal dimension

The development of non-linear dynamic theory brought a new method for recognising and predicting the complex non-linear dynamic behaviour. Fractal dimension can quantitatively describe the non-linear behaviour of vibration signal. In the present paper, the capacity dimension, information dimension and correlation dimension are applied to classify various fault types and evaluate various fault conditions of rolling element bearing, and the classification performance of each fractal dimension and their combinations are evaluated by using SVMs. Experiments on 10 fault data sets showed that the classification performance of the single fractal dimension is quite poor on most data sets, and for a given data set, each fractal dimension exhibited different classification ability, this indicates that various fractal dimensions contain various fault information. Experiments on different combinations of the fractal dimensions demonstrated that the combination of all these three fractal dimensions gets the highest score, but the classification performance is still poor on some data sets. In order to improve the classification performance of the SVM further, 11 time-domain statistical features are introduced to train the SVM together with three fractal dimensions, and the classification performance of the SVM is improved significantly. At the same time, experimental results showed that the classification performance of the SVM trained with 11 time-domain statistical features in tandem with three fractal dimensions outperforms that of the SVM trained only with 11 time-domain statistical features or with three fractal dimensions.     

基于信息向量机的机载激光雷达点云数据分类

针对支持向量机应用于机载激光雷达(LiDAR)点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、训练时间长等缺点,提出一种基于信息向量机的LiDAR点云数据分类算法。该算法采取假定密度滤波算法进行近似逼近,将分类问题转化为回归问题;以最大后验微分熵为依据,选择LiDAR点云数据活动子集信息向量实现模型稀疏化;最后,通过边缘似然最大化进行核函数自适应获取,选择一对余分类方法实现了点云数据多类分类。利用Niagara地区和非洲某地区点云数据进行了对比实验。结果表明:与支持向量机方法相比,基于信息向量机分类方法的分类精度分别提高到94.20%和90.78%,基向量数量分别减少到50个和90个,训练时间分别降低到5.86s和8.03s。实验结果验证了基于信息向量机的点云数据分类算法具有训练速度快、模型稀疏性强、分类精度高等优点。     

数控机床热误差时间序列模型预测稳健性的提升

针对数控机床热误差建模应用的时间序列算法受严重多重共线性的影响存在预测稳健性不足的问题,提出一种提升时间序列预测稳健性的方法。该方法将时间序列算法与能够抑制多重共线性的建模算法相结合,从而既可通过在模型中加入温度滞后值来提供更全面的温度信息,又可对温度滞后值引入的更为严重的多重共线性进行处理。文中以时间序列算法中的分布滞后(DL)算法、共线性抑制算法中的主成分回归(PCR)算法为例,采用主成分分布滞后(PCDL)算法建立了机床热误差补偿模型,并将其与DL算法的预测精度和稳健性进行了比较。结果显示,PCDL算法因为抑制了多重共线性的影响,其模型预测精度和稳健性远优于DL模型,预测精度提升了约9μm。本文所述方法可为时间序列数据建模在不同领域内的应用提供参考。