基于混合算法优化的SVM多分类器齿轮故障诊断模型

为了提高支持向量机分类器的故障诊断精度,该文提出了一种基于混合算法优化支持向量机的故障诊断模型。首先,在混合算法中引入灰狼和金豺的夺食机制。其次,优化支持向量机,从而得到最优的支持向量机模型。最后,提高对齿轮故障模式的诊断精度。以某饲料生产企业采集到的数据为基础进行实例分析,结果表明,采用基于灰狼和金豺算法的混合算法优化支持向量机参数比标准的灰狼算法和金豺算法优化效果更好。在模型诊断精确度方面,混合算法优化的支持向量机诊断模型比未优化支持向量机、灰狼算法优化支持向量机和金豺算法优化支持向量机诊断模型分别提高了15.156 6%、4.913 3%和8.959 6%。     

核模糊C均值聚类粒度支持向量机方法研究

针对传统粒度支持向量机(granular support vector machine,GSVM)在处理大规模数据集时划分方法的随机性严重影响模型训练效能的情况,提出一种基于核模糊C均值聚类的粒度支持向量机(granular support vector machine based on kernel-based fuzzy c-means cluster,GSVM-KFCM)的方法。首先利用核映射将数据映射到高维空间进行聚类划分得到若干个信息粒,然后在每个信息粒中进行支持向量机的训练,提取出关键信息并融合建立最终决策模型。实验结果表明:该方法可以降低大规模数据集的训练时间,同时也能提高算法的准确度。     

基于支持向量机的光伏电站异常数据序列提取

根据华为生产管理系统提供的光伏阵列直流端数据,研究电气数据序列的异常特征,提出一种基于支持向量机的异常数据序列提取方法,实现组串异常判定。通过分析异常数据序列波形特征,总结其波形变化规律;对数据序列进行偏差率及马氏距离计算,设定健康阈值,实现正常、异常标记,建立训练样本集以训练支持向量机模型,利用网格搜索与交叉验证法确定模型最优参数。将该模型对电站进行异常数据序列提取,常规/非常规类异常状态判定。结果表明,所构建的模型对电流、电压数据序列进行分类时的误判率分别为3.19%、2.03%,漏判率分别为2.35%、2.16%,该模型具有较高的可靠性。     

基于PSO的SVR模型在多联机功耗预测上的应用

支持向量回归(SVR)模型在多联机系统功耗预测稳定性和精度上存在不足,本文引入粒子群优化(PSO)算法,对SVR预测模型的惩罚系数C和核参数γ进行最优求解,来改善模型预测性能。在制冷剂充注量为95. 75%工况下,对多联机组进行运行实验,并对实验数据进行预处理。基于PSO算法建立PSO-SVR模型,对多联机功耗进行预测,并与SVR模型的预测结果和理论公式计算结果进行对比。结果表明:SVR、PSO-SVR、理论公式计算法总体预测误差分别为1. 43%、1. 08%和1. 57%,均方根误差RMSE分别为105. 36、88. 79、91. 37 W,参数寻优结果为惩罚系数C=10 000和核参数γ=4. 275。粒子群优化算法的引入显著提高了SVR模型的预测精度和稳定性;相较于理论公式计算法,PSO-SVR精度更高,且需要测量的参数数目明显减少,在降低了测量系统复杂性同时更具经济适用性。     

基于支持向量机的能耗数据预测模型研究

本文提出了一种基于最小二乘支持向量机的能耗数据预测方法,通过将此算法应用于某企业实时采集的能耗数据,将得出的预测结果与实时采集数据进行对照,验证了算法的正确性.该方法通过对能耗数据的预测,可以填补因各种原因导致的数据采集缺口,消除实时数据展示的异常,支撑后续的数据分析,为企业用户提供了数据参考.     

基于单类支持向量机的冷水机组温度传感器故障检测

冷水机组系统中,温度传感器出现故障会严重影响机组工作效率及使用寿命。针对冷水机组温度传感器偏差故障,本文提出一种基于单类支持向量机(one-class support vector machine,OC-SVM)的故障检测方法,采用冷水机组正常数据建立OCSVM模型,通过十折交叉验证法获得模型优化参数。分别采用工程实测数据和实验数据(共4组)对该方法进行了验证,结果表明:基于OC-SVM的方法能有效检测出4组冷水机组的温度传感器偏差故障。其中对于螺杆式冷水机组(数据集Ⅰ)的故障检测效果明显,当冷冻水侧温度传感器偏差故障幅值绝对值大于1℃时,检测效率达到100%。     

基于PLS-SVR的电站锅炉NO_x排放特性建模

针对影响电站燃煤锅炉NO_x排放的热工变量数量较多,且存在较强的耦合相关性的问题,提出一种基于偏最小二乘(PLS)和支持向量回归(SVR)相结合的PLS-SVR建模方法用以建立燃煤锅炉NO_x排放模型。PLSSVR模型首先利用PLS提取输入变量的特征信息消除变量之间的耦合特性并降低输入变量维度,然后将提取的特征信息作为SVR模型的输入。以某超超临界1 000 MW机组锅炉为对象,选取23个相关变量作为模型的输入建立电站锅炉NO_x排放模型(PLS-SVR模型),该模型对测试样本的预测误差指标MRSE为4.072。将PLS-SVR模型的预测结果和建模时间与ANN模型和未经特征提取的SVR模型对比,结果表明PLS-SCR模型具有更好高的预测精度和更快的建模速度。     

基于移动客户数据流失预测模型的比较分析研究

分析常见的预测模型,结合移动客户流失数据的特征,针对移动客户流失问题,建立基于ICSVM算法支持向量机预测模型。测试结果表明,与传统预测模型相比,该模型对于大数据集和不平衡数据问题,能取得更好的客户流失预测效果。     

基于支持向量回归机的中央空调负荷预测模型

由于中央空调系统的时滞性、时变性、非线性和大惰性等特性,使得当前采用的中央空调负荷预测算法精度并不高,本文在江阴某楼宇空调系统节能改造项目的基础上,从中央空调系统的组成和特性出发,提出了基于支持向量回归机(Support Vector Regression SVR)理论的中央空调负荷预测模型。对项目楼宇历史负荷数据进行分析,分别采用SVR负荷预测模型和BP神经网络负荷预测模型进行了训练和预测。预测结果表明:基于SVR负荷预测模型较BP神经网络负荷预测模型精度更高,具有较强的实用性和可行性。     

基于支持向量机的高速公路事故实时风险预测

以高速公路事故数据、交通流数据和天气数据为基础,以交通流为事故主要影响因素,建模预测高速公路事故实时风险。将事故记录作为病例组,采用病例对照方法来配对匹配实验样本,通过随机森林算法从众多变量中筛选出对事故风险影响最重要的10 个特征变量,以支持向量机建立模型预测事故实时风险。实验表明,通过随机森林筛选重要的特征变量,再使用支持向量机建模预测事故风险具有可行性,且以高斯核、Sigmoid核作为支持向量机的核函数比线性核函数和多项式核函数时分类准确性更高;其中,高斯核下支持向量机模型对事故风险预判的准确率达73.20%,对正常交通流的分类达91.44%。     

基于Boosting的多联机制冷剂充注量故障诊断集成模型

多联机空调系统被广泛用于各种公共建筑物,一旦发生故障会导致舒适性降低,能耗增加。制冷剂充注水平是影响空调系统高效运行的重要参数。本文提出一种基于Boosting集成算法的故障诊断模型,以制冷剂充注量故障为研究对象,将逻辑回归、决策树、随机森林、支持向量机和BP神经网络等5个基分类器集成,使用卡方检验进行特征选择,并使用制冷、制热模式的实验数据建立诊断模型。结果表明:基于Boosting的集成模型能高效检测多联机制冷剂充注量的故障,准确率高达96. 8%,相比于传统故障检测方法,大幅提高了诊断模型的响应速度、准确度和实用性。     

基于遗传算法和BP神经网络的多联机阀类故障诊断

针对多联机系统(变制冷剂流量系统)阀类故障的诊断特征变量冗杂、诊断效率低的问题,提出一种复合诊断模型,利用遗传算法在原始特征集中搜索特征子集,与参数优化后的BP神经网络模型结合,对多联机阀类故障进行检测和诊断。本文从原始特征集中优化选择了带有18个特征变量的最优特征子集,用该模型对电子膨胀阀卡死、电子膨胀阀泄漏和四通阀故障3种故障进行检测,结果表明:该复合诊断模型对故障检测率提高,其中电子膨胀阀的卡死故障检测率提升8%,整体诊断正确率提高到99.27%;该复合诊断模型大大提高了诊断效率,使测试时间缩短了52.17%,表明该复合诊断模型具有较好的故障诊断效果。     

基于决策树算法的多联机气分插反故障诊断

本文将决策树算法应用于多联机气分插反故障诊断中,搭建了多联机实验平台采集数据,根据专家知识及数据变化模型验证选取了建模的特征变量,采用决策树C5.0算法构建气分插反故障诊断模型,进一步对由模型分类规则生成的最优变量即过冷器的EEV（电子膨胀阀）进行深入分析和验证。结果表明：将决策树算法应用于多联机气分插反故障诊断的方法,准确率为96%,有较高的准确性和可靠性,此诊断方法能满足多联机故障诊断实际运用的需要。由于多联机发生气分插反故障时,系统过热度降低,为保证多联机系统的制冷效果和能效比,可通过增大过冷器EXV开度调节。     

EnergyPlus中变频多联空调系统蒸发温度控制能耗仿真模块的开发与实验验证

在当前建筑节能的理念和科技背景下,如何选用合适的空调系统方式来节约建筑物设备能耗,是建筑节能领域学者们最关注的问题之一.由于变频多联空调系统(VRF系统)具有良好的节能性,这种系统的仿真研究近年来发展迅速.利用基于BESP平台的EnergyPlus软件中建立的变频多联空调系统仿真模块和性能曲线法新增加的变频多联空调系统在改变蒸发温度的情况下VRF空调系统制冷量和能耗的计算功能,对实际办公室进行的夏季典型日空调系统能耗进行计算,并与实验结果进行对比及误差分析,对原模型进行了改进并提出了相应的建议.     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于PCA-Clustering的压缩机回液故障诊断

在多联机(VRF)空调系统中,压缩机回液将导致能量损失。本文结合大数据提出了一种基于PCA-Clustering的压缩机回液故障诊断的方法。首先提取出故障相关变量,并通过数据预处理,剔除异常值与空值;然后将处理后的数据进行主成分分析(PCA),获取降维后的新主元变量数据;最后将新的主元变量进行聚类分析(Clustering analysis)得到回液故障数据分类标签。结果表明:该方法能够在数据标签未知的情况下,较好的区分不同类别的压缩机回液故障及正常数据,使压缩机回液故障诊断率达到94.29%。     

补气增焓低温多联机制热性能实验研究

低温空气源热泵产品普遍采用中间补气技术解决空气源低温多联机在低温环境中能力衰减严重的问题.本文研究了低温多联机中间补气增焓系统,通过多联机性能实验测试对系统压力、温度等参数进行测试,并对测试数据进行拟合分析,确定了补气增焓技术的控制要素:流经室外换热器的制热主路制冷剂的质量流量与状态是多联机补气增焓控制中的主要因素;中...     

改进的支持向量机在旋转机械故障诊断中的应用

系统地研究支持向量机的基本原理。针对旋转机械振动故障特征复杂的特点,提出采用基于K-L变换的故障提取方法。改进支持向量机的多分类算法,将支持向量机分类方法用于旋转机械振动分析,利用其模式辨别和系统建模能力对典型故障的初始征兆、发生、发展进行动态分析,为旋转机械的故障诊断提供新的思路和方法。     

基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

Development of a virtual variable-speed compressor power sensor for variable refrigerant flow air conditioning system

This paper proposed a universal virtual variable-speed compressor power (VVCP) sensor for VRF system based on 20-coefficient model. Compressor power can be obtained by the VVCP sensor using three input parameters (frequency, condensing temperature and evaporation temperature) which are measured by system itself. The performance of the proposed VVCP sensor is evaluated using experiments data. Experimental conditions include cooling, heating and non-standard refrigerant charge levels. The result shows that the mean square percentage errors (MSPE) are 9.9% under cooling conditions and 7.96% under heating conditions. The MSPE are 9.88% at steady state and 9.75% at dynamic state when the VVCP sensor is applied under nine different refrigerant charge levels. It demonstrated that the proposed VVCP sensor can obtain compressor power under cooling, heating and non-standard refrigerant charge levels, which could be applied to do operational monitoring and fault detection and diagnosis for VRF system at low cost.