基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于最小二乘支持向量机的航空发动机故障远程诊断

将最小二乘支持向量机(least square support vector machine,LS-SVM)应用于航空发动机气路故障诊断。首先,分析了用于气路故障诊断的巡航偏差数据类别,建立用于进行机器学习的诊断模型训练集,构建基于LS-SVM的气路故障诊断模型;其次,采用模式搜索法优化LS-SVM建模,获取最优建模参数;最终,通过直接面向地空数据链(aircraft communication addressing and reportingsystem,ACARS)链路的报文解析组件,实时获取发动机巡航偏差数据集,远程诊断发动机气路故障。航路应用和对比实验表明:最小二乘支持向量机模型具有较高的诊断精度,适用于气路故障的远程诊断。     

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。     

基于最小二乘支持向量机预测器的传感器故障检测与数据恢复

本文介绍了最小二乘支持向量机（LS-SVM）回归的基本原理，提出了一种基于LS-SVM回归的时间序列预测器，并将其用于传感器的故障检测和数据恢复。论述了LS-SVM预测器的实现方法和步骤，并且将其应用于压力传感器的故障检测和数据恢复，同线性神经网络预测器、RBF神经网络预测器和BP神经网络预测器的比较结果表明，LS-SVM预测器具有更高的预测精度，更好的外推能力，计算效率最高，因此，LS-SVM预测器是传感器故障检测和短期数据恢复的一种有效方法。     

基于最小二乘支持向量机的调节阀建模方法

针对调节阀物理模型存在严重的非线性、时变性及参数不确定性的问题,提出了一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的调节阀流量及压力预测模型。根据调节阀的物理模型,分析了能够表征调节阀运行状态的相关参数,主要有阀前压力、阀后压力、开度、流量、负载压力、温度等;设计了调节阀数据采集实验系统,通过全排列组合试验分别确定了流量和压力预测时LS-SVM模型的最佳输入特征向量。实验结果表明,模型能够以较理想的精度预测流量及压力的输出,可为调节阀自动控制或故障诊断系统的设计提供指导。     

基于最小二乘支持向量机的振动传感器故障诊断

针对目前机械故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法——最小二乘支持向量机（LS—SVM）,它能够得到现有信息下,不仅是样本数趋于无穷大时的最优解,因此,在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。本文介绍了LS-SVM的基本原理和分类方法,并利用其对振动传感器的常见故障进行诊断,结果表明了LS—SVM对设备故障具有良好的分类效果。     

基于最小二乘支持向量机的电力变压器故障诊断

文章提出使用最小二乘支持向量机(LS-SVM)作为分层决策电力变压器故障诊断模型.首先根据DGA技术以及相关统计分析,选择典型油中故障气体的相对含量作为特征量,然后利用数值预处理后得到的数据样本分别对四级最小支持向量机分类器进行训练和识别,并最后判断输出变压器所处的状态,且针对最小二乘支持向量机存在的参数选择问题,使用了多层动态自适应优化算法来优化最小二乘支持向量机参数.仿真结果表明LS-SVM是一种较为有效的非线性建模方法,具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求.     

发动机系统可靠性最小二乘支持向量机分析

准确分析系统可靠性,对于评估产品性能和制定维修策略起着至关重要的作用.采用单步前向预测方式,提出了基于最小二乘支持向量机分析发动机系统可靠性的方法.通过对比最小二乘支持向量机和三种神经网络方法的预测效果,验证了算法的有效性,实验结果表明最小二乘支持向量机能够提供较好的预测精度.在可靠性寿命分析中,为了提高分析的准确性和效率,通过程序化的方法绘制了威布尔概率纸,自动获取相关参数,并对比分析了最小二乘支持向量机预测结果与实际数据对发动机系统可靠性指标的影响,结果显示最小二乘支持向量机能够提供较准确的结果,可以作为系统可靠性分析的一种新方法.     

基于最小二乘支持向量机的图像配准研究

本文提出了一种基于最小二乘支持向量机(LS-SVM)的图像配准方法.在已知控制点匹配对的前提下,利用LS-SVM的回归特性估计变换模型,然后根据该模型进行重采样和变换,实现图像的配准.该方法的特点在于:在结构风险最小化(SRM)的原则下,最小化模型泛化误差的上界,而不是最小化控制点处的均方误差.实验结果表明了该方法去除图像几何形变的有效性,并且该方法可以自适应地校正由于控制点的定位精度不高而引起的误差,比传统表面样条方法的效果更好.     

基于最小二乘支持向量机退化数据的可靠性评估

传统的可靠性评估依赖于产品的失效数据,需要大量的统计数据和试验样本,试验周期长、费用高。针对这一问题,提出了在不需要失效数据的前提下,通过性能退化数据进行可靠性评估的方法。方法建立了基于最小二乘支持向量机的性能退化模型,并用改进的NSGA-Ⅱ算法对模型参数进行了寻优,给出了优化结果和可靠性评估过程。最后通过实例验证了该方法的有效性和可行性。     

基于最小二乘支持向量机的疲劳裂纹扩展预测

根据腐蚀疲劳裂纹在扩展过程中受到多种环境因素影响,裂纹扩展预测难精确的特点,本文提出了基于遗传算法参数优化的最小二乘支持向量机方法来预测结构腐蚀疲劳裂纹扩展。该算法采用遗传算法优化最小二乘支持向量机的模型参数,从而避免了算法陷入局部最优解,实现了精确度高、泛化能力强的裂纹扩展预测模型。最后通过对已有文献的某试件裂纹扩展的实验数据进行建模分析。结果表明:基于遗传算法的最小二乘支持向量机预测方法优于神经网络算法、蚁群算法,预测误差较小,具有很好的预测能力。     

基于最小二乘支持向量机的应力强度因子预测模型

应力强度因子是表征材料断裂的重要参量,与应力大小,裂纹的形状和裂纹长度有关。对应力强度因子进行分析,基于最小二乘支持向量机原理,结合粒子群优化,建立以应力大小和裂纹长度作为输入值,应力强度因子为输出值的模型,从而对应力强度因子进行分析和预测。模型预测值与理论值进行分析比较,结果显示,基于最小二乘支持向量机结合粒子群优化算法建立的数学模型,模型拟合优度为0.994 9,可通过应力大小和裂纹长度预测应力强度因子,预测值与精确值的相对最大误差为0.186 4,可证明该模型的适用性与精确性。     

基于最小二乘支持向量机的柴油机声品质预测

为研究柴油机排气噪声并准确评价排气噪声声品质,对某型号柴油机排气噪声进行研究,采集5种不同转速下6级载荷的排气噪声样本,使用参考语义细分法主观评价噪声样本;利用最小二乘支持向量机和多元线性回归分别建立两个排气噪声品质客观评价模型,以心理声学参数(响度、锐度、粗糙度、抖晃度、A声压级等)为模型输入,利用模型输出和主观评价结果对比。结果表明:最小二乘支持向量机可以用来作为声品质的预测模型,更接近主观评价结果,误差可以稳定控制在10%以内。     

基于最小二乘支持向量机的三角网格修补算法

为实现点云数据孔洞区域的修补,提出了一种基于最小二乘支持向量机的三角网格曲面孔洞修补算法。首先检测出孔洞,采集孔洞边界周围的三角片顶点作为学习样本训练最小二乘支持向量机模型;然后对孔洞多边形进行平面填充,获得新增三角片的顶点,并用已训练好的最小二乘支持向量机模型将其优化,最终实现孔洞的修补。实验结果表明,该方法的精度和处理速度优于人工神经网络,具有一定的实用性,为孔洞修补研究提供了一种新思路。     

基于最小二乘支持向量机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法，并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中，仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力，同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。     

基于最小二乘支持向量机的传感器非线性动态补偿

提出了一种基于最小二乘支持向量机的非线性传感器动态测量误差的校正方法，使得通过该方法补偿的传感器具有理想的输入输出特性。先将传感器的非线性动态系统分解成线性动态子环节和非线性静态子环节串联；与之对应，非线性动态补偿过程也包含2个阶段：线性动态补偿和非线性静态校正。然后，通过函数展开将补偿器的非线性传递函数转换为等价的类线性形式一中间模型；再通过LS-SVM回归算法求取中间模型参数；最后，推导出中间模型参数与补偿器2个子模型参数之间的关系，并通过该关系实现非线性静态校正和线性动态补偿环节的同时辨识。与常规非线性动态补偿方法比较，该方法优点是明显的：（1）只需进行一次动态标定实验；（2）能给出非线性动态补偿器的数学解析表达式；（3）充分利用LS—SVM的优点，使辨识的补偿器具有更好的抗干扰能力。仿真与实际实验结果均表明该传感器非线性动态补偿方法有效。     

基于最小二乘支持向量机的压力传感器温度补偿

压力传感器的输出不仅随压力变化,而且易受环境温度的影响,因而限制了传感器的测量精度。为了克服压力传感器的上述缺陷,本文提出了一种基于最小二乘支持向量机的温度补偿方法,并用虚拟仪器技术予以实现。与常用的误差反传神经网络方法相比,最小二乘支持向量机可获得更好的泛化性能,不易发生局部最优及过拟合现象。因此该方法能有效地消除温度对传感器输出的影响。实例表明,补偿后的压力传感器具有更高的测量精度和温度稳定性。     

基于最小二乘支持向量机和机电综合特征的发电机故障诊断

提出了1种最小二乘支持向量机和机电综合特征相结合的发电机故障诊断模型.用二次损失函数代替传统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变为线性方程组求解,降低了计算的复杂性.提取发电机故障中的综合特征,即振动信号和电流信号,整理后作为诊断模型的特征值,从而得到了故障的典型特征,提高了诊断的准确率.最后从SDF 9型模拟发电机中实测数据进行分析,结果表明,与常规的方法相比,该模型具有较高的分类速度和较好的故障诊断准确率.     

基于最小二乘支持向量机逆系统方法应用研究

针对流浆箱的内部机理模型,提出了一种基于最小二乘支持向量机逆系统的解耦控制方法。利用最小二乘支持向量机辨识得到流浆箱系统的逆模型,并采用逆系统思想,将流浆箱非线性系统解耦成多个相互独立的单入单出伪线性子系统。采用MATLAB对该解耦控制方法的有效性进行仿真验证,结果表明,该控制方法抗干扰性强,结构简单,工程上易于实现。     

一种基于改进最小二乘支持向量机的变压器故障诊断方法研究

变压器是整个电力系统稳定、安全、可靠运行的关键设备,变压器的故障诊断对提高电力系统供电可靠性具有重要的意义。为及时发现变压器的潜在故障风险,提出了一种基于模拟退火算法(SA)优化的最小二乘支持向量机(LSSVM)电力变压器故障诊断方法。利用SA算法对LSSVM诊断模型的正规则参数和核宽度参数进行优化,提高模型的分析精度。对比试验结果表明,提出的SA-LSSVM诊断方法可以准确有效地对变压器进行故障分析诊断,与传统的SVM和BP神经网络诊断方法相比,该方法具有更高的准确率。