基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

基于样本熵和支持向量机的短期风速预测模型

提出一种经验模态分解、样本熵和支持向量机相结合的短期风速组合预测方法。首先利用经验模态分解将原始风速序列逐级分解成若干个规律性更强的子序列,以减小不同特征尺度序列间的相互影响,提高预测精度。接着计算各风速子序列的样本熵,将复杂度相近的序列归类形成一个新序列,以减少所需建立的预测模型的数量。然后对经 EMD-SE 处理后得到的新的风速子序列分别建立支持向量机预测模型,并采用遗传算法实现各模型参数的自动选取和寻优,最后将各序列的预测结果叠加得到风速预测结果。算例研究表明,该方法充分挖掘了风速序列的特性,能快速地对风速变化作出响应,预测的均方根误差和百分比误差分别比单纯采用支持向量机法降低了5.1%和5.4%,有效地提高了短期风速预测的准确度。     

一种基于支持向量回归机的经验模态分解方法

经典经验模态分解中采用基于曲线参数插值拟合局部均值曲线,该类方法对参加拟合的极值点很敏感,若出现干扰的异常极值点或得不到真实的极值点,将导致分解结果失真或产生模态混叠.提出一种基于支持向量回归机拟合局部均值曲线的经验模态分解方法,即利用序列的极值点训练支持向量回归机拟合局部均值曲线代替传统的曲线参数插值.实验表明,与经典算法相比,该方法具有更好的频率分辨率,对采样频率不敏感且能克服微弱高频间断信号的干扰,有效解决Hilbert-Huang变换中存在的模态混叠问题.     

基于支持向量机的网络故障在线诊断方法研究

介绍了网络故障诊断的发展趋势和支持向量机的基本原理,采用一种改进的支持向量机用于网络故障的在线诊断和分析,并且以实验网中采集的数据进行了实验,实验表明该方法能够快速准确地在线诊断网络故障,为网络故障在线诊断向智能化方向发展提供了新的途径.     

基于支持向量机的诊断方法研究

根据支持向量机原理,对线性可分与线性不可分两种情况分别建立了分类模型,模型的求解转化为一个二次规划问题,在选用径向基核函数的参数时运用网格搜索的方法进行选取最优参数。在应用到乳房肿瘤的医疗诊断中,准确率为93．00%,较以前的方法有了明显的提高。     

基于模糊理论与支持向量机的变压器故障诊断方法

摘 要:针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-α-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法...     

基于集合经验模态分解和支持向量机的短期风速预测模型

通过构建基于数据预处理的EEMD-SVM混合风速预测模型,预测黄土高原陇东区环县风电场的日平均风速.数值分析结果表明,EEMD-SVM模型的预测精度高于基于离散小波去噪的混合模型DWT-SVM和单个SVM模型的预测精度.     

基于神经网络和支持向量机的故障诊断

介绍了神经网络和支持向量机理论,对比分析两种理论的优缺点.通过试验,说明了神经网络和支持向量机在故障诊断中的应用方法,并通过改变学习样本数量,比较两种智能技术在故障诊断中的运用情况,验证了支持向量机在小样本情况下比神经网络具有更强的泛化能力.     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别．利用模糊域分布可以很好地刻画信号的时频局部化特征，与时一频平面特征提取相比，又可大大降低数据维数．对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果．     

Gear Fault Diagnosis Based on Rough Set and Support Vector Machine

By introducing Rough Set Theory and the principle of Support vector machine,a gear fault diagnosis method based on them is proposed.Firstly,diagnostic decision-making is reduced based on rough set theory,and the noise and redundancy in the sample are removed,then,according to the chosen reduction,a support vector machine multi-classifier is designed for gear fault diagnosis.Therefore,SVM'training data can be reduced and running speed can quicken.Test shows its accuracy and effi- ciency of gear fault diagnosis.     

Gear Fault Diagnosis Based on Rough Set and Support Vector Machine

By introducing Rough Set Theory and the principle of Support vector machine, a gear fault diagnosis method based on them is proposed. Firstly, diagnostic decision-making is reduced based on rough set theory, and the noise and redundancy in the sample are removed, then, according to the chosen reduction, a support vector machine multi-classifier is designed for gear fault diagnosis. Therefore, SVM' training data can be reduced and running speed can quicken. Test shows its accuracy and efficiency of gear fault diagnosis.     

SVM模式识别技术及在机械故障诊断中的应用进展

支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更高的应用价值。     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明,该方法应用于线性及非线性模拟电路均取得了良好的诊断效果.     

基于支持向量机的提升机制动系统故障诊断

针对提升机制动系统中常见的卡缸故障，利用支持向量机（SVM）这一新的机器学习方法进行智能诊断．在某一闸系统正常时获得2组信号，卡缸时获得6组信号，采用3层小渡包对闸瓦间隙-时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在Matlab6．5环境下用SVM工具箱进行编程，建立SVM故障分类器并时测试样本进行测试，从而实现提升机制动系统卡缸故障诊断．实验结果表明，在不到0．1S时间内，就建立了SVM故障分类器，该分类器对测试样本的诊断正确率达到了100%；当训练样本由6组减少至4组时，SVM故障分类器仍可以有效地实现对卡缸故障的诊断．因此，SVM方法对于少样本的故障诊断有较强的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统．     

基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

遗传优化支持向量机在失火故障诊断中的应用

故障样本的缺乏严重制约智能故障诊断的发展,支持向量机算法的提出有效地解决了小样本学习问题.然而支持向量机算法中两个参数惩罚因子C和核参数γ对故障样本的准确识别起着决定性作用.针对参数较难选择问题,采用遗传算法对支持向量机中的两个参数进行全局寻优.把汽车在典型故障下尾气中各气体的体积分数作为训练样本,样本经过主成份分析实现降维和去相关.用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断.使用LIBSVM工具箱进行仿真,结果表明经遗传算法优化后的支持向量机对于小样本故障诊断有很高的准确率.     

基于RS和SVM的汽轮机组故障诊断方法

为了提高汽轮机组故障诊断的效率,设计并实现了基于粗糙集和多类支持向量机的融合算法。把粗糙集作为数据的前处理器,对条件属性进行知识约简和去除冗余属性以达到降低数据维数的目的。然后构造多类支持向量机分类器并用约简后的新样本数据训练。测试结果表明,基于粗糙集和支持向量机融合算法的故障诊断方法诊断速度快,推广能力强。     

再生核支持向量机在刀具故障诊断中的应用

提出了一种构造再生核的新方法:用Walsh函数作为空间V0的尺度函数,构造出L2(R)空间的正交规范序列。首先,结合小波多分辨分析,将Hilbert空间分为一系列子空间,并根据可分Hilbert空间与L2(R)的等价性,利用内积同构的线性算子,把V0子空间的尺度函数折算为Hilbert空间的子空间V~0的尺度函数,构造出新的Walsh序列再生核;然后,运用小波包频带能量分解技术提取不同频带内刀具在不同工作状态下的特征向量。通过仿真实验表明,该尺度再生核函数具有更高的辨识精度,较少支持向量数目,充分体现了支持向量机较好的推广性能。