基于数据挖掘技术的齿轮传动系统啮合接触特性分析

针对在多工况、多不确定性参数所形成的大数据下齿轮传动系统啮合接触特性分析困难的问题，提出了一种基于数据挖掘技术的齿轮传动系统啮合接触特性分析方法。基于多维高斯分布原理与齿轮传动系统有限元模型，构建了系统啮合接触特性数据集；采用最大信息系数分析了各系统参数与啮合接触特性之间的相关性，为预测模型提供了候选特征子集；采用支持向量机和随机森林算法建立了系统啮合接触特性预测模型，实现了对系统啮合接触特性的高效预测。结果表明，基于支持向量机算法的预测模型的预测误差最小，平均绝对百分比误差为3.87%，远小于理论计算误差。其中，在最优特征子集下，基于支持向量机算法的预测模型的各项接触特性预测误差指标显著下降，其平均绝对百分比误差降至3.03%，比优化前的接触特性预测误差减小了21.71%，验证了所提方法的精确性与有效性。     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于信息向量机的机载激光雷达点云数据分类

针对支持向量机应用于机载激光雷达(LiDAR)点云数据分类时存在的模型稀疏性弱、预测结果缺乏概率意义、训练时间长等缺点,提出一种基于信息向量机的LiDAR点云数据分类算法。该算法采取假定密度滤波算法进行近似逼近,将分类问题转化为回归问题;以最大后验微分熵为依据,选择LiDAR点云数据活动子集信息向量实现模型稀疏化;最后,通过边缘似然最大化进行核函数自适应获取,选择一对余分类方法实现了点云数据多类分类。利用Niagara地区和非洲某地区点云数据进行了对比实验。结果表明:与支持向量机方法相比,基于信息向量机分类方法的分类精度分别提高到94.20%和90.78%,基向量数量分别减少到50个和90个,训练时间分别降低到5.86s和8.03s。实验结果验证了基于信息向量机的点云数据分类算法具有训练速度快、模型稀疏性强、分类精度高等优点。     

局部费歇尔判别分值在滚动轴承故障诊断中的应用

为精确、高效地识别出滚动轴承不同程度、不同类型的故障,提出一种基于局部费歇尔判别分值(Localized fisher discriminant score,LFDS)的故障诊断方法。该方法首先从时域、频域及时频域构造原始故障特征集;然后运用LFDS选择出其中最能反映故障本质的敏感特征子集;最后将选择出的特征子集输入到最小二乘支持向量机进行模式识别。用滚动轴承一组故障特征数据集进行验证。结果表明,经LFDS选择出的特征能显著表现出不同故障类别间的差异。     

基于支持向量机的钢淬透性预测研究

支持向量机是建立在统计学理论之上的强有力的机器学习技术。本文提出了基于支持向量机模型预测钢淬透性的方法，并分析了核函数的选择对支持向量机建模的影响。以江阴兴澄钢铁公司的实际数据进行实验，结果表明，支持向量机方法有着良好的泛化能力，优于人工神经网络建模方法。     

基于支持向量机的农田水利灌溉分流机械运行异常检测

农田水利灌溉分流机械运行中未对运行数据进行处理,导致其存在检测性能差和检测率低等问题。为此,提出基于支持向量机的农田水利灌溉分流机械运行异常检测方法。采用组织映射算法聚类处理灌溉分流机械的运行数据,通过尺度不变特征变换 SIFT 方法获取运行数据特征,把免疫算法引入支持向量机中,将获取的运行数据特征输入支持向量机中,完成农田水利灌溉分流机械运行的异常检测。实验结果表明,该方法提升了农田水利灌溉分流机械检测的有效性。     

基于支持向量机和小波分解的气体识别研究

提出将支持向量机应用到气体种类识别的研究中，并建立小波分解提取特征量和支持向量机识别气体种类的气体定性分析模型。通过小波分解提取半导体气体传感器在温度调制下的动态响应特性的特征量，分别使用不同核函数和不同结构的支持向量机建立判断特征量与气体种类的模型。实验结果说明使用支持向量机进行气体成分定性识别的效果优于同结构的神经网络，且对支持向量机自身结构的选择不敏感，适合于对多组分气体定性分析研究。建立的模型在分辨力为13ppm（对CO）和15ppm（对Hz）的条件下，对单一氢气、一氧化碳及其混合气体的识别率可达98％，适合于工程应用。     

基于灰色支持向量机的裂纹扩展信息预测研究

针对裂纹扩展是一个典型的非线性、随机过程,且裂纹数据样本少、获取困难等问题,提出一种基于灰色支持向量机的裂纹扩展预测模型。首先通过灰色模型对原始序列进行数据生成,以增强数据的规律性;然后选择合适的核函数,并用试验数据修正核函数;最后用支持向量机进行预测,并还原数据,得到预测结果。将其应用于某航天发射塔架裂纹扩展预测中,并与灰色模型、单一支持向量机、最小二乘支持向量机进行预测性能对比,结果表明,灰色支持向量机预测性能最优。同时也为裂纹扩展预测及提高预测性能提供一种新途径。     

遗传算法和支持向量机在机械故障诊断中的应用研究

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别.既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题.诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度.     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于增量自适应支持向量机的AFM尖端磨损识别

为了提高纳米加工刀具磨损状态在线监测的精度与泛化能力，提出一种基于增量自适应支持向量机的基于原子力显微镜(AFM)尖端磨损识别方法。该方法以横向力的峰-峰值和方差作为特征变量，通过移动视窗获取增量数据；以维持Kuhn-Tucher定理所要求的最优化条件为准则，在当前支持向量机解结构基础上自适应修改正则化参数C和核参数σ,以获得更新支持向量机结构，并对增量数据及受其扰动的原数据进行分类；根据尖端失效点数量走势，判定尖端磨损程度。实验证明该算法在识别精度与时间上可满足在线检测要求。与定向非循环图支持向量分类器对比，该算法具有更强的鲁棒性与更高的泛化能力。     

Fisher准则下的粒子群支持向量机在轴承故障诊断中的应用

针对粒子群算法对支持向量机参数进行优化时存在的收敛速度慢、分类准确率不高的问题,通过引入Fisher准则评估每个特征向量粒子的适应度得到最优特征子集,提出了一种基于Fisher准则下粒子群算法优化支持向量机(FIPSO-SVM)的新分类方法,该方法的目标是尽可能地加大类间间隔和减小类内间隔。采用滚动轴承数据集在时域和频域上得到32组特征向量,测试该方法在4种工作状态下的分类效果,最后,使用不同核函数和2种不同算法将全样本特征向量与最优特征向量子集的SVM分类结果进行对比。结果表明,FIPSO-SVM分类器不仅能够识别故障产生的位置,还能区别故障损伤的程度,FIPSO-SVM分类器具有更高的分类精度和更快的收敛速度,值得进一步在工程领域内推广。     

基于支持向量机与粗糙集理论的信息处理

支持向量机(SVM)和粗糙集理论是近几年国际上研究的热点,在生物信息处理、模式识别等领域有广泛的应用.结合模糊集和支持向量机(SVM)提出了基于模糊集的支持向量机(FSSVM),然后对基于模糊集的支持向量机和粗糙集理论进行了详尽的分析、比较,最后通过实验比较得出将基于模糊集的支持向量机和粗糙集理论相结合是处理数据和信息的较好方案.     

应用支持向量机实现转子故障的模式分类

分析了故障检测在机械系统中的重要性,指出应用支持向量机的优点以及它在机械故障检测中的应用.支持向量机是机器学习理论里新的成员,给出了支持向量机的数学概念和定义,将支持向量机引用到机械故障模式的分类中,提出了使用该理论的一般方法.结合着旋转机械的常见故障,应用实验台进行了故障的分类研究.利用旋转机械的频域特征训练支持向量机,并对真实数据进行了分析.从分析结果讨论了改进故障分类效果的手段,指出了支持向量机的应用前景.     

改进支持向量机的齿轮故障诊断研究

为了更好的了解跟预测齿轮的故障情况,对断齿齿轮特征的改变和特征在声音的变化进行采集和研究.基于支持向量机在小样本数据处理十分高效的前提下,提出了通过利用主成成分分析法和遗传算法对支持向量机中的参数进行优化,针对断齿齿轮在波形变化的特征,提出了通过改进支持向量机算法对其进行故障诊断.经过数据采集分析,将一分钟的数据分成六...     

基于EEMD和CS-SVM的滚动轴承故障诊断研究

针对数据驱动的滚动轴承故障诊断大多采用支持向量机进行分类,而传统支持向量机的分类方法容易陷入局部最优,无法准确进行故障诊断的问题,对滚动轴承振动信号的特征选择和支持向量机的优化方法进行了研究。分析了粒子群算法优化支持向量机和遗传算法优化支持向量机的不足;基于莱维飞行的布谷鸟搜索算法,引入了一种对支持向量机的参数进行寻优的方法,用于提高滚动轴承故障诊断的识别准确率;该方法首先使用集合经验模态分解对信号数据进行了处理,然后计算本征模态函数的均方根作为特征向量,输入布谷鸟搜索算法优化的支持向量机;最后进行了训练和测试。研究结果表明:利用该方法对实测信号进行分析和诊断,可以准确地识别故障发生的位置以及严重程度;通过与传统优化方法进行对比,验证了该算法的优越性。     

PSO与LS混合算法在故障特征选择中的应用

为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法。该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集。用双跨转子实验台的一组故障特征数据集进行验证。实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率。     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

粒子群优化的流形SVM模拟电路故障诊断

支持向量机(SVM)一直被广泛应用于分类判别领域,在模拟电路的故障诊断中,电路普遍复杂多样,传统支持向量机只考虑数据类间距离最大化。本文中提出的粒子群优化的流形支持向量机,在保证数据最大类间间隔的同时,使映射在特征空间的数据,能保持原始空间的流形结构。同时将粒子群算法与SVM相结合,对支持向量机中的权重参数优化,使得对故障的诊断率比传统方法提高了2%～6%。通过实验发现,本文方法有效增强了模拟电路故障诊断的精确度。