基于最小二乘支持向量机的黏着状态辨识

针对重载机车黏着状态辨识中分类准确率不高的问题,提出采用布谷鸟遗传算法对最小二乘支持向量机的参数进行优化,并采用交叉验证原理提高该模型的整体泛化性能。首先,采用布谷鸟算法寻找惩罚因子和核参数的初始值;然后,采用遗传算法对最小二乘支持向量机进行训练,从而得到具有最佳参数的最小二乘支持向量机的分类模型。该分类模型将重载机车黏着状态分为正常、故障征兆、微小故障和严重故障4个状态。实验结果表明,提出的最小二乘支持向量机模型在黏着状态辨识中的分类准确率高达94.59%,高于极限学习机的分类准确率(84.61%),证明布谷鸟遗传算法能够有效提高最小二乘支持向量机的分类准确率。     

支持向量机的增量学习和减量学习

分别介绍了支持向量机的增量学习和减量学习的两种训练方法,即在线递归训练法和最小二乘支持向量机.递归法只能处理在线(每次只处理一个样本)增量学习或减量学习,而最小二乘法即可处理在线又可处理成批增量学习或减量学习.递归法得到的解是精确的但是以时间为代价的,最小二乘法花费的时间少,但得到的解不如递归法的精确.并通过标准模式分类库中数据集进行数值试验比较.     

基于粒子群优化LS-WSVM的电机断条故障诊断

为了准确检测出鼠笼式异步电机的转子断条故障,提出一种基于粒子群优化最小二乘小波支持向量机的诊断方法。首先,利用小波包或经验模态分解法提取出电机定子电流信号的特征向量,将特征向量分为训练集和测试集。再将训练集输入粒子群优化的最小二乘小波支持向量机进行训练,用训练好的最小二乘小波支持向量机对测试集进行分类。实验结果显示,此方法的故障诊断正确率明显高于最小二乘支持向量机的故障诊断方法。本文将小波分析和支持向量机结合使两者的优势互补,具有强大的泛化能力,为异步电机的转子断条故障诊断提出了一种新的方法。     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

基于LS-SVM的光纤智能结构损伤诊断

针对目前结构损伤诊断方法的局限以及最小二乘支持向量机算法优点,提出采用最小二乘支持向量机来对光纤智能结构损伤位置识别进行研究,并在Matlab中编制了相应的支持向量机程序,建立了相应损伤诊断模型.以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的光纤智能结构损伤诊断可行性.试验研究结果表明,基于最小二乘支持向量机光纤智能结构损伤诊断识别方法具有较高的可靠性和精度且操作方便,是一种性能优良的智能识别方法,为智能结构实现损伤自诊断提供了更为先进的方法.     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

基于特征优选模拟电路故障诊断方法

传统基于最小二乘支持向量机模拟电路故障诊断方法都是使用单一的特征向量组合训练支持向量机所有二分类器,然而实际上每个二分类器对不同的特征向量组合有不同的分类精度。因此,提出了基于马氏距离的粒子群优化算法,为最小二乘支持向量机所有二分类器优选出近最优的特征向量组合。然后,将近最优特征向量组合用于训练和测试该支持向量机。最后把该方法应用于模拟电路早期故障诊断,实验结果表明,基于近最优特征向量组合的诊断精度要高于单一特征向量组合的诊断精度。     

多元分类LS-SVM设计与装备保障性评估

科学、有效地进行保障性评估是提高装备综合保障能力和加快装备形成战斗力的研究重点之一；支持向量机是采用结构风险最小化原则代替传统统计学中的，基于大样本的经验风险最小化原则的新型机器学习方法，具有出色的学习分类能力和推广能力。研究了新型支持向量机算法——最小二乘支持向量机，并设计了基于多元分类的最小二乘支持向量机；建立了装备保障性评估的最小二乘支持向量机决策模型，确定了保障性评估指标体系和支持矢量学习决策模式；对某新型装备的保障性进行了评估。结果表明，基于最小二乘支持向量机的保障性评估是有效的、可行的。     

基于多核学习算法的钢铁生产轧钢过程故障检测

针对轧钢生产过程中在线故障检测和故障诊断的问题,提出一种基于多核学习算法的钢铁生产轧钢过程在线故障检测模型.首先针对学习样本建立核主成分分析与支持向量数据域描述模型,然后基于T2、Q统计量,以及数据域描述包络情况对轧钢过程进行初步识别,最后构建基于多分类多核最小二乘支持向量机预测模型,对初识结果进行细分类,识别故障级别.利用上述模型对轧钢加热炉故障和机组故障进行了试验.结果表明,该方法能有效检测钢铁生产轧钢过程的故障.     

基于小波分析-最小二乘支持向量机的转子碰摩故障诊断

针对不同材料碰摩声发射信号分类识别的问题,利用小波分析良好的时频特性和最小二乘支持向量机解决小样本、非线性、高维模式识别问题的优势,提出一种小波分析与最小二乘支持向量机结合的分类方法.声发射信号进行小波多尺度分解,将分解获得的各尺度能量百分比作为最小二乘支持向量机的输入,用于声发射信号分类识别.实验结果表明:该方法可以明显识别出转子碰摩故障信号以及分类不同材料的碰摩信号.     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

基于PSO-SVM模型的城轨列车轮对尺寸预测

为了及时掌握轮对尺寸信息,从而保证列车正常运行,提出了建立粒子群优化支持向量机模型对轮对尺寸进行预测的方法.介绍了粒子群优化算法(PSO)及支持向量机(SVM)的相关概念,并利用粒子群优化算法能够实现快速全局优化的特点对支持向量机进行参数优化,解决了支持向量机参数选择盲目性的问题.以某城轨列车轮径值为研究对象,建立基于PSO-SVM的轮对尺寸预测模型,对轮径值进行预测分析.结果表明,轮径值预测相关度达到0.94,证实了建立的预测模型在轮对尺寸预测方面的可行性及有效性.     

基于MLS点云模型特征的提取算法

针对以往特征提取算法提取边界特征效果不理想和特征识别时间较长的问题,提出了一种改进的点云模型特征边界线提取算法.该算法以移动最小二乘法为基础,在对已有的边界特征提取方法研究的基础上,结合研究对象棱角分明的特点,提取点云模型边界特征点集,利用双向搜索方法快速生成模型的特征边界线,并对得到的特征边界线进行特征修复,从而得到较为稳定的点云模型的特征边界线.实验结果表明,该算法能快速地提取点云模型的特征边界线,为后续基于特征边界的建模节约了大量时间.     

面向齿轮箱故障诊断的序贯概率比检验理论和方法

提出了一种基于序贯概率比检验的齿轮裂纹故障诊断方法,并选用了无裂纹和有裂纹的齿轮模拟故障模式.实验中提取的振动信号夹杂着噪声等干扰,运用具有良好去噪效果的小波包方法对齿轮箱振动信号进行预处理.采用时域分析法提取预处理后信号的特征值,提取对冲击性振动非常敏感的峭度值作为特征值.将序贯概率比检验算法应用于齿轮箱故障模式的检验和识别.为了验证所提出方法的诊断能力,本文选用均方根误差的方法来计算同种故障之间,以及不同种类故障之间的识别误差,结果表明了所提出的方法是有效且强大的.     

基于贝叶斯网络地铁车门系统可靠性分析和故障诊断

针对驱动电机未动作造成地铁车门系统产生故障这一问题,提出了一种利用贝叶斯网络对车门驱动电机进行可靠性分析的方法.根据车门驱动电机的故障树建立对应的贝叶斯网络,采用桶排除法计算驱动电机未动作的故障概率,由后验概率进行驱动电机的故障诊断,并确定各基本故障的灵敏度,从而获得车门系统的关键环节为内部电机驱动模块和EDCU插头.实验结果表明,贝叶斯网络能很好地应用于地铁车门系统的可靠性分析,可为车门故障维修提供支持和参考.     

FCM-HMM-SVM混合故障诊断模型及其在电力电子电路故障诊断中的应用

提出一种基于模糊C均值聚类（FCM）、隐马尔可夫模型（HMM）和支持向量机（SVM）相结合的电力电子故障诊断方法.采用FCM方法对故障信号进行模糊聚类,提取故障特征;根据隐马尔可夫模型进行动态过程建模;根据支持向量机进行模式分类;基于HMM-SVM混合的故障诊断模型实现了对机车变流器电路中晶闸管断路故障的诊断.实验结果分析表明,该方法能准确地对电力电子电路进行诊断和故障元定位,诊断精度高,具有很好的实用价值.     

一种改进的间歇过程故障诊断方法

针对单一故障诊断方法对间歇过程故障诊断效率和准确率低的缺点,提出将快速独立主元分析(FastICA)与递推最小二乘支持向量机(RLSSVM)相结合的集合型故障诊断方法 FastICA-RLSSVM。利用FastICA对非高斯间歇过程数据快速提取特征分量,通过RLSSVM对该时变过程进行快速分类。为验证该方法的有效性,将该方法应用于青霉素发酵过程故障诊断,并与提升小波—递推最小二乘支持向量机(LW-RLSSVM)方法进行对比分析,实验结果证明FastICA-RLSSVM诊断间歇过程故障准确率高,适应性好,分类效果稳定。     

基于改进的典型相关分析的故障检测方法

为提高基于典型相关分析的故障检测方法使用效率,对原有的残差产生方式进行改进。通过分析残差信号统计特性,重新选取残差产生方式,使得改进的残差生成方式不依赖于主元个数的选取,从而避免因主元个数选取所带来的故障检测性能影响。通过Tennessee Eastman benchmark process仿真实例,对改进方法的可行性和有效性进行验证。选取4个典型故障的运行数据,分别用所提方法进行故障检测,改进的典型相关分析方法能够有效的检测故障的发生。另外,通过对两个统计量的故障检测率的对比可以看出,两个统计量对于发生在不同子空间的故障敏感度各异,对于不同故障的检测能力不同。     

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220V、频率为50Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析（PCA）法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.