基于支持向量机的抽油机井功图识别研究

抽油机的异常情况会使油田的产油效率降低,而不同的异常类型对应的抽油机示功图特征也各不相同,因此造成的损害程度也不同。针对以上问题,文中提出了一种抽油机井功图识别模型,该方法将支持向量机（ SVM）用于抽油机井功图识别。首先利用改进的矢量曲线数据压缩方法（ICVDC）对抽油机井下示功图进行特征数据提取,在此基础上,采用“一对一”分类法建立基于支持向量机的井下示功图分类模型,进而对不同特征的示功图进行分类识别,并与其他识别分类模型进行了识别分类效果对比。实验结果表明,该方法分类准确度高,有效地解决了示功图的识别和分类问题,方便对油井设备等进行进一步的故障分析处理,从而大大提高抽油机的性能与效率,以此来达到油田提高采收率的目的。     

基于支持向量机的电路故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型。通过遗传编程对时域指标进行特征选择和提取，得到更能反映信号本质的特征信号，该特征信号可作为识别特征输入多类支持向量机，实现对模拟电路不同类型软故障的识别。实验结果表明，同传统时域指标相比，经过遗传选择和提取的特征对模拟电路的软故障具有更好的识别能力，进而提高了多类支持向量机的分类准确性。     

基于支持向量机的数字电路故障诊断研究

为了解决因缺少大量故障数据样本而制约数字电路故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断仿真模型.由FPGA仿真产生数字电路,由PCI-72001/O卡进行采集.支持向量机建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷.在选取诊断模型输入向量时,对故障信号进行筛选,简化了故障特征向量的提取.仿真结果表明支持向量机可以有效地对数字电路故障进行诊断.     

基于支持向量机的抽油机故障诊断研究

与传统的故障诊断方法相比,基于支持向量机的故障诊断方法具有模型简单、分类能力强、推广能力好等特点。以油田生产中抽油机的常见故障诊断为例,表明了本文所提方案的有效性。     

基于支持向量机的电路故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型。通过遗传编程对时域指标进行特征选择和提取,得到更能反映信号本质的特征信号,该特征信号可作为识别特征输入多类支持向量机,实现对模拟电路不同类型软故障的识别。实验结果表明,同传统时域指标相比,经过遗传选择和提取的特征对模拟电路的软故障具有更好的识别能力,进而提高了多类支持向量机的分类准确性。     

基于支持向量机故障诊断方法

支持向量机是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果.本文以双螺杆挤出机为例,介绍了基于支持向量机的多故障分类器,探讨了"成对分类"与"一类对多类"两种多类分类算法的应用.诊断实例表明,基于支持向量机的多故障分类器对设备故障具有很好的分类效果.     

基于支持向量机的航空发动机故障诊断研究

研究利用支持向量机对发动机的两类故障——失速和喘振进行识别。介绍了支持向量机理论,选取适当的学习算法、惩罚因子和核函数,建立了支持向量机,并采用4组已知故障模式的数据对其进行训练和测试,之后对另外两组数据进行仿真识别,仿真结果与实际故障模式一致。     

基于支持向量机的非线性系统故障诊断

提出了联想度的概念,并由此设计出一种自组织模糊CMAC（SOFCMAC）及其学习算法,证明了SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快,逼近精度高等特点,用该SOFCMAC作为非线性系统观测器而生成残差,通过支持向量诊断器得到故障检测与诊断结果。对某型歼击机的结构故障进行诊断,仿真结果表明了该方法的有效性。     

基于支持向量机集成的故障诊断

为提高故障诊断的准确性,提出了一种基于遗传算法的支持向量机集成学习方法,定义了相应的遗传操作算子,并探讨了集成下的分类器的构造策略。对汽轮机转子不平衡故障诊断的仿真实验结果表明,集成学习方法的性能通常优于单个支持向量机,而所提方法性能则优于Bagging与Boosting等传统集成学习方法,获得的集成所包括的分类器数目更少,而且结合多种分类器构造策略可提高分类器的多样性。该方法能容易地推广到神经网络、决策树等其他学习算法。     

基于支持向量机的涡轮泵故障诊断方法研究

针对涡轮泵的几种典型常见故障,应用支持向量机(SVM)构造多元分类器,解决故障诊断等多分类问题,在此基础上建立了基于支持向量机的故障诊断模型。试验结果表明,与神经网络相比,采用支持向量机进行故障诊断可得到更高的精度,表现出较好的分类和抗噪能力,而且效率高于神经网络,说明该方法是有效、可行的。     

基于支持向量机的变压器故障诊断方法

为了提高变压器故障诊断的准确率,提出了一种支持向量机（SVM）和改进布谷鸟算法（WCS）及最速下降法相结合的电力变压器故障诊断方法.引入一种新的惯性权重,解决布谷鸟算法在迭代后期收敛速度下降的问题.利用最速下降法与改进的布谷鸟算法相结合的算法进行SVM参数的寻优,克服了基本的SVM模型容易陷入局部最优的缺陷,从而得到具有最佳参数的支持向量机分类模型,利用LIBSVM工具箱在MATLAB软件平台上训练支持向量机,用训练良好的支持向量机诊断110kV甘棠变电所#1主变压器故障情况.通过实例验证分析表明,采用该算法可以准确、有效地对变压器进行故障诊断;相较于粒子群算法（PSO）、遗传算法（GA）、网格搜索算法（GS）等算法,该方法具有更高的诊断准确率.     

基于支持向量机的非线性系统模型预测控制

支持向量机是基于统计学习理论的新一代机器学习技术。由于使用结构风险最小化原则代替经验风险最小化原则．使它较好的解决了小样本情况下的学习问题。又由于其采用了核函数思想．使它把非线性问题转化为线性问题来解决,降低了算法的难度．具有全局最优、良好泛化能力等优越性能．得到广泛的研究。基于上述特性提出了一种基于支持向量机的非线性模型预测控制结构．其中使用遗传算法来求解预测控制律．随后用计算机仿真证明了此控制算法的正确性和有效性。     

基于最小二乘支持向量机的故障诊断方法

提出了一种小波包分析与最小二乘支持向量机相结合的机械设备故障诊断模型.首先对故障信号功率谱进行小波分解,简化了故障特征向量的提取,然后采用最小二乘支持向量机进行故障诊断.在该模型中,用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转换为线性方程组的求解,并提出对核函数的σ参数进行动态选取.仿真结果表明:该模型可以取得较高的故障诊断准确率.     

基于支持向量机的舰船柴油机分层故障诊断

介绍了支持向量机(SVM)理论的基本概念、原理及其学习算法,分析了基于传统的专家系统理论的故障诊断系统在知识获取、知识表达及推理能力等方面的缺陷,提出了构造多重支持向量机（MSVM)模型解决舰船故障诊断问题的设想,开发了一套故障诊断仿真系统。     

基于支持向量机的供应商评价模型

提出了利用支持向量机建立供应商评价系统的方法．给出了供应商评价指标体系及具体量化方法，采用支持向量机的1-v-1分类策略建立了供应商的评价模型．最后通过仿真实验证明了基于支持向量机的供应商评估系统的可行性和实用性．仿真表明，支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力．     

基于改进模糊聚类和支持向量机的模拟电路故障诊断

为解决神经网络训练需要大量的样本,且容易陷入局部最优,收敛速度慢等缺点,采用改进模糊聚类(IFC)和支持向量机(SVM)相结合的模拟电路故障诊断方法.利用小波分解技术提取待诊断电路的测试信息作为故障特征,在模糊聚类算法中为消除孤立点和噪声的影响,对不同样本点引入权值以提高聚类效果,结合改进的模糊聚类算法进一步降低故障特征的维数,将其作为支持向量机的输入量,进行模型训练并预测模拟电路的故障.仿真结果表明,此方法应用于电路故障诊断有效削减计算复杂度并提高了诊断精度.