基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于LS-SVM的挖掘机磨损状态监控

为了减少挖掘机磨损,延长内部机件的使用寿命,需要对挖掘机采用润滑措施.因此对液压油进行油液监控显得格外重要.通过对液压油本身的分析与液压油携带的磨损颗粒分析,可达到对挖掘机工作状况的实时监控,从而及时地对挖掘机潜在故障进行预报并及时排除.考虑到时间与金属磨损量的关系,我们需要研究润滑油中金属含量的变化趋势,该文提出了一种基于LS-SVM预测模型对挖掘机液压油中铁元素含量值的时间序列变化趋势进行分析预测,通过与时间序列预测模型进行比较,能够很好地确定铁元素在磨损过程中的变化趋势,从而准确地监控挖掘机工作状态.     

基于LSSVR的内燃动车组磨损状态监测

油液直读铁谱和原子发射光谱分析有助于判断内燃机车柴油机的磨合磨损情况,为进行机车检修提供可靠的依据。内燃动车组在运用中条件几近相同,但两动车的磨合磨损情况不同。由于油液分析数据通常是非平稳且非等时间间隔时序,给分析工作带来困难。本文利用最小二乘支持向量回归机(LSSVR)对动车组直读铁谱小磨粒数数据和光谱分析铅元素质量分数数据进行建模,对内燃动车组两端动车的油液测量数以及其差值分别进行LSSVR拟合,能够容易看出动车磨损的变化趋势以及两端动车磨损状况的差异,对内燃动车组磨损状态的监测具有一定的指导意义。     

基于异类信息特征融合的异步电机故障诊断

针对异步电机单一故障信号的局限性和故障特征存在较强非线性关系的特点,提出一种基于异类信息特征融合的故障诊断方法.以采集的振动信号和电流信号为原始信源,分别提取它们的时域特征和小波包熵特征,采用核主元分析对原始特征的组合进行降维融合,得到信息互补的特征量,将融合特征通过支持向量机进行模式识别.异步电机转子和轴承故障诊断实例表明,基于核主元分析的异类信息特征融合方法,可充分利用异类信源的冗余互补信息和特征数据之间的非线性关系,更全面地表征设备运行状态,相比单参数法及同类信息特征融合法具有更高的诊断精度.     

基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

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。     

融合SCADA数据的风电机组齿轮箱状态评估

为对风机齿轮箱状态进行准确评估,提出一种基于核主成分(KPCA)与最小二乘支持向量机(LS-SVM)结合的齿轮箱数据融合故障预测模型。鉴于SCADA系统中数据信息质量的不确定性和冗余性,该模型首先对监测数据预处理(4分位法剔除异常数据等),对齿轮箱特征因素进行相关性分析,利用该预测方法对齿轮箱典型状态特征(振动、温度特征等)进行预测,利用统计过程控制原理(SPC)分析残差,以实现齿轮箱异常状态的预测。最后,以齿轮箱油温预测为例,验证了该模型的准确性和有效性。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于多特征信息融合的砂岩破裂状态识别方法

针对岩体在受外界应力时内部破裂状态靠经验难以准确判断的问题,提出了一种多特征信息融合和最小二乘支持向量机（least square support vector machine,简称LSSVM）的岩石破裂状态识别方法。首先,利用改进集合经验模态分解（ensemble empirical mode decomposition,简称EEMD）对砂岩声发射信号进行分解,得到一组有效的平稳本征模函数（intrinsic mode function,简称IMF）分量,对各IMF分量进行自回归（auto regressive,简称AR）建模,提取AR模型系数作为时域特征向量;其次,通过对双谱矩阵进行奇异值分解,分析了砂岩各破碎状态声发射信号的频域特征;最后,利用局部线性嵌入（locally linear embedding,简称LLE）进行特征约简,并将融合特征向量进行归一化处理作为LSSVM的输入,砂岩破裂状态作为输出,采用粒子群算法（particle swarm optimization,简称PSO）对参数自动寻优,实现对岩石破裂状态的诊断识别。结果表明：融合特征具有较强的鲁棒性,且相对单一时域特征识别率提高了6%。     

改进箕舌线函数的LMS和BAS-LSSVM的衬板磨损状态预测

针对破碎机衬板磨损难以预测的问题,提出一种改进箕舌线函数的LMS和BAS-LSSVM的衬板磨损状态预测方法。首先,在最小均方误差算法（LMS）的基础上,引入改进的箕舌线函数,提出改进箕舌线函数的LMS算法,将其用于衬板超声回波信号的声时（TOF）的计算中;其次,通过TOF计算出衬板厚度,并根据衬板磨损前后的厚度变化得出磨损量;最后利用天牛须算法（BAS）优化最小二乘支持向量机（LSSVM）的惩罚因子γ和其核函数中的标准化参数σ,将磨损量作为预测模型的输入,衬板磨损阶段作为输出,建立BAS-LSSVM衬板磨损预测模型。结果表明,该方法对动锥衬板和定锥衬板的识别准确率分别达到了94.44%和95.56%,能够有效预测出衬板的磨损状态。     

基于KPCA SVM的柴油机状态识别方法的研究

为了有效地对柴油机的运行状态进行状态识别,根据柴油机的特征信息和识别的特点,研究了基于核主元分析(KPCA)和支持向量机(SVM)进行柴油机状态识别的故障诊断方法.首先,对柴油机进行特征提取,构成一个特征向量.然后对其进行核主元分析,计算得到能反映设备状态的特征向量,有效去除信息的冗余.最后,将得到的特征向量进行支持向量机的训练学习,识别柴油机的状态.通过实验室柴油机燃烧系统不同运行状态下的识别分析,验证了此方法的可行性和实用性.     

基于WD-LSSVM的监护信息预报研究

针对监护信息预报问题,提出了一种新的监护信息预报方法.采用小波分解和最小二乘支持向量机相结合的方法,该方法利用小波分解将原参数序列分解为逼近信号和细节信号,采用LS-SVM算法,分别建立监护信息逼近信号和细节信号的预报模型,得到逼近信号和细节信号的监护信息预报值,然后将各部分预报值利用小波逆变换进而得到监护信息最终预报结果.最后对提出的方法进行了实验验证.     

应用KL信息距离识别砂轮磨损状态

通过磨削试验 ,应用KL信息距离法对磨削火花信号进行处理以识别磨削过程中砂轮磨损状态的变化。研究结果表明 :时域和频域中的信息距离方法均能有效识别磨削过程中不同的砂轮磨损状态 ,但频域信息距离方法计算工作量较小 ,响应速度较快 ,对硬件要求较低 ,更有利于实现在线监控。     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

视听信息融合的CNC铣刀磨损状态监测方法

针对目前多特征融合刀具磨损监测方法中存在特征之间相关性差、非线性关系被忽略,导致用于模式识别的融合特征维数过大、冗余信息多、特征契合度差和识别准确率低的问题。提出了一种核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)的多级特征融合方法。采集数控加工过程的声压信号以及工件纹理图像,并提取相应的视听特征,利用核典型相关分析法在高维空间找到2组投影方向,保证投影后特征间的皮尔逊系数最大,使视听特征的相关性最大化。经实验验证,利用核典型相关分析法能计算6组典型变量,并表达原特征97%以上的信息,大大降低了特征维数、减少了冗余特征。并且同样的识别模型下,核典型相关分析法能够将检测准确率提升至95%以上。     

基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究

针对硅锰合金熔炼过程中炉渣碱度在线检测困难、离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法。该方法通过KPCA去除样本数据的噪声,提取输入数据空间中的非线性主元,然后利用LSSVM回归算法建立硅锰合金熔炼炉炉渣碱度预测模型,工业生产过程数据仿真结果表明,与SVM或LSSVM建模方法相比,KPCA-LSSVM预测模型的测量精度高、跟踪性能好,能满足炉渣碱度的在线测量要求。     

基于最小二乘支持向量机的磨损预测

针对机器设备磨损产生的因素多,而且磨损量的多少与产生的因素具有高度非线性,磨损难以预测的问题。同时考虑到监测得到的数据为小样本事件也是磨损难以预测的原因,在齿轮箱实验数据的基础上,利用最小二乘支持向量机,给出预测步骤,提出一种以载荷、温度、振动信号特征、速度和时间为输入量,机器设备的磨损量为输出量的预测方法。用齿轮箱的实验数据验证了所提出的方法的有效性。