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.     

基于支持矢量机的疲劳应力集中系数预测模型研究

疲劳应力集中系数作为材料疲劳抗力指标的疲劳极限,不仅反映了疲劳应力集中的程度,还反映了材料对缺口的敏感程度,将近年来飞速发展的支持矢量机(Support vector machine,SVM)应用于疲劳应力集中系数的研究。介绍支持矢量机的基本原理,利用LIBSVM,选择高斯型径向基函数(Radial basis function,RBF)作为核函数,建立以材料的抗拉强度、屈服强度、光棒疲劳强度、理论应力集中系数、缺口根部半径、试样尺寸及缺口疲劳极限作为输入值,疲劳应力集中系数为输出值的模型,从而对疲劳应力集中系数进行分析和预测。同时,SVM模型与经验公式Neuber式和Peterson式的计算值进行比较。结果表明,在小样本条件下,应用SVM技术构建的数学模型,模型的拟合相对误差小于7.4%,从而证明该SVM模型的准确性和适用性。     

基于随机森林和量子粒子群优化的SVM算法

特征属性过多及内部参数的优选是影响支持向量机(SVM)模型泛化能力的重要因素，针对以上两个问题，为了提高SVM模型的泛化能力和分类精度，将随机森林(RF)算法和量子粒子群优化(QPSO)算法结合优化SVM模型的核函数参数和惩罚因子。首先利用RF算法计算出每个特征的重要性，通过特征选择筛选出重要性高的特征作为特征子集；再利用QPSO算法的全局搜索能力寻找出SVM模型的最优核函数参数和惩罚因子，最后将最优参数应用于SVM模型中进行分类预测。实验仿真结果表明，与其他机器学习算法相比，所提模型具有较高的训练精度和预测精度，也证实了该模型具有较好的鲁棒性和泛化性能。     

基于免疫SVM的机械产品寿命预测

传统机械产品寿命预测方法成本较高,精度较低,难以满足机械产品寿命预测要求.为了改变这种状况,提出基于人工免疫算法优化支持向量机(免疫SVM)回归器的机械产品寿命预测技术,采用人工免疫算法进行支持向量机回归器参数选取.人工免疫算法具有良好的全局搜索能力,能较好地选择合理的支持向量机回归器参数.采用普通SVM预测方法与免疫SVM预测模型进行比较,试验结果表明,相比于普通SVM,免疫SVM具有更高的机械产品预测性能.     

基于改进支持向量机的目标威胁估计

针对信息融合中目标威胁估计的特点,分析了传统目标威胁估计方法和支持向量机(SVM)的不足。采用粒子群算法(PSO)对SVM中惩罚参数c和核函数g进行优化,建立了改进的SVM(PSO_SVM)目标威胁估计模型及算法。介绍了粒子群算法和支持向量机的原理,建立了一种新的PSO_SVM目标威胁估计模型;基于该模型,实现了PSO_SVM目标威胁估计算法。为适应该算法,对数据进行了预处理,包括数据量化和归一化。交叉验证寻找最佳参数时,采用PSO算法进行优化。采集75组原始数据用于仿真实验,其中60组作为训练集,15组作为测试集。仿真实验表明,该算法预测误差为0,达到了预期目标。实验结果真实、准确地反映了实际情况,证明了该方法的有效性。     

PSO优化SVM在木材干燥建模中的应用

在木材干燥计算机控制过程中,基准模型化是此控制过程的必要环节。为提高此建模预测精度,针对SVM木材干燥基准模型的参数进行研究。利用粒子群优化算法中的粒子位置和速度优化此模型参数,并对木材含水率进行预测。仿真实验表明,PSO算法在优化SVM木材干燥基准模型参数方面表现出良好的性能,预测结果具有很高的精度,此模型具有较好的泛化能力和预测能力。     

改进ABC-SVM的参数优化及应用

支持向量机算法(SVM)的回归预测性能在很大程度上取决于模型参数的选择,提出一种基于改进人工蜂群算法的SVM参数优化方法并将其应用于铆接件铆接力的回归预测。针对ABC算法存在难以有效确定参数搜索范围的问题,基于支持向量机的渐近性能确定了ABC算法搜索SVM参数的"好区",再引入线性核函数进一步缩小搜索范围,有效地帮助了ABC算法更快搜索到全局最优参数。在此基础上建立改进的人工蜂群支持向量机(I-ABC-SVM)模型,将其应用于铆接力的回归预测。最后,采用仿真对比实验测试模型性能。仿真实验结果表明,相对于参比模型,I-ABC-SVM不仅表现出很强的泛化能力和较快地搜索速度,而且能够很好地解决SVM参数优化和ABC算法初始化参数设置的难题,同时保证了很好的预测性能。     

基于结构最优化RBF神经网络的润滑油金属含量预测

航空发动机的磨损机制十分复杂且受诸多不确定因素影响,传统预测方法难以对其磨损趋势进行有效预测.提出一种结构最优化RBF(径向基函数)网络预测模型,采用改进的粒子群算法同时优化模型嵌入维数、核函数宽度及训练误差目标值,实现了RBF网络预测模型最优结构的自动获取.将该方法用于某型航空发动机润滑油金属含量预测,并与传统自回归模型对比,结果证明了该方法的有效性及优越性.     

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

基于遗传算法的订单式车间调度问题

针对订单式生产特点,提出了订单式专门机调度模型,给出了相应的解决问题的遗传算法具体实现过程.针对该模型,对算法进行适应度值标定、采用集合分割的交叉算子以及大变异策略等操作设计.最后,将该算法与启发式规则对不同规模问题的模拟仿真比较,证明该算法能更有效地取得较优解,并能用于较大规模的调度中.     

Support vector machine based optimization of multi-fault classification of gears with evolutionary algorithms from time–frequency vibration data

A multi-fault classification of gears has been attempted by support vector machine (SVM) learning techniques with the help of time–frequency (wavelet) vibration data. A suitable exploitation of SVM is based on the selection of SVM parameters. The main focus of the present paper is to study the performance of the multiclass capability of SVM techniques. Different optimization methods (i.e., the grid-search method (GSM), the genetic algorithm (GA) and the artificial bee colony algorithm (ABCA)) have been performed for optimizing SVM parameters. Four fault conditions of gears have been considered. The continuous wavelet transform (CWT) and wavelet packet transform (WPT) are estimated from time domain signals, and a set of statistical features are extracted from the wavelet transform. The prediction of fault classification has been attempted at the same angular speed as the measured data as well as innovatively at the intermediate and extrapolated angular speed conditions, since it is not feasible to have measurement of vibration data at continuous speeds of interest. The classification ability is noted and compared with predictions when purely time domain data is used, and it shows an excellent prediction performance.     

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。     

一种新的机电设备状态趋势智能混合预测模型

针对机电设备运行状态受多因素影响,变化趋势复杂,难以用单一预测方法进行有效预测的问题,提出一种新的基于改进灰色系统一支持向量机一神经模糊系统的智能混合预测模型。该模型首先利用改进灰色系统弱化数据序列波动性、支持向量机处理小样本和模糊神经系统处理非线性模糊信息的优点,分别进行趋势预测,然后通过改进遗传算法对这三者的预测结果进行自适应加权组合。将该模型应用于信号随机波动性较强、趋势变化复杂的标准算例和某机组振动趋势的预测中,研究结果表明,该模型的预测性能均优于上述三种单一预测方法。     

轧线电机温度趋势预测研究

为了对轧线电机温度趋势预测进行研究,提出了一种基于支持向量机的温度趋势预测算法.在对轧线电机冷却系统的工作原理及结构进行深入分析的基础上,建立了SVM多步预测模型并给出了预测评价指标.实际结果显示,该方法预测准确,具有较高的应用价值.     

Prediction on building vibration induced by moving train based on support vector machine and wavelet analysis

Building vibration prediction induced by moving train can indicate the degree of vibration influence by moving train. With the prediction results, the corresponding measurements can be used to reduce the influence of vibration. To obtain an accurate prediction result, support vector machine (SVM) is used in this paper. Since the error in the recorded data affects the prediction performance of SVM obviously, wavelet analysis is adopted to filter the input data. The prediction model based on SVM and wavelet analysis is validated by the data of field experiments. The results show that the prediction model can provide a good performance compared with the measured values.     

基于SVM的船舶动力定位系统预测控制

支持向量机(SVM)是基于统计学习理论的新一代机器学习技术。基于预测控制思想,利用支持向量机回归进行非线性系统辨识,并将支持向量机模型应用到船舶动力定位(DP)预测控制,提出一种基于支持向量机的非线性系统预测控制策略。仿真实验表明,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,预测控制效果良好。     

Temperature drift modeling and compensation of RLG based on PSO tuning SVM

Precision and generalization ability are the two main requirements for modeling the temperature drift of a Ring Laser Gyroscope (RLG). Traditional methods such as the least square fitting and artificial neural network cannot achieve the optimal performance for both aspects. To solve this problem, a novel modeling method based on particle swarm optimization (PSO) tuning support vector machine (SVM) with multiple temperature variables input is proposed. First, the temperature drift data for modeling is preprocessed by adaptive forward linear prediction (FLP) filter. Then, the SVM method is employed to construct the drift model and guarantee the generalization ability. And the PSO algorithm is used to tune the parameters of SVM and improve the precision of established model. The results of experiment validate the superiority of the proposed method in both aspects. The method has been practically applied to a high precision RLG position and orientation system.     

混沌背景中微弱谐波信号检测的SVM方法

为了提高混沌背景下的微弱谐波信号检测能力，提出了一种提取混沌背景中微弱谐波信号的支持向量机（support vector machines，SVM）方法。该方法的突出特点是针对小样本或嵌入维数未知的情况，建立混沌噪声的一步预测模型，抑制噪声对混沌背景信号预测的影响，起到预滤波作用，然后从预测误差中提取微弱谐波信号。实验结果表明，该方法具有比传统RBF神经网络预测方法更强的稳健性和泛化性，在信噪比（SNR）为-47．931dB时仍可检测出强混沌中的微弱谐波信号。