基于KPCA和SVM的火箭发动机试验台故障诊断方法

为了解决液体火箭发动机试验台的故障诊断问题,提出了一种基于核主元分析(KPCA)特征提取和支持向量多分类机(SVM)的故障诊断方法,该方法首先利用核主元分析对试验台标准故障样本进行特征提取,通过特征分析,建立适合于试验台故障状态识别的层次多分类支持向量机,并对其进行训练,然后将试验数据在主元上投影,输入到训练好的支持向量多分类器,对试验台故障状态进行识别.该方法充分利用了核主元分析强大的非线性特征提取能力和支持向量分类机良好的小样本泛化特性,解决了试验台故障诊断中的小样本、非线性模式识别问题.对试验台的试验结果表明,该方法是有效的、可行的.     

基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

遗传优化支持向量机在失火故障诊断中的应用

故障样本的缺乏严重制约智能故障诊断的发展,支持向量机算法的提出有效地解决了小样本学习问题.然而支持向量机算法中两个参数惩罚因子C和核参数γ对故障样本的准确识别起着决定性作用.针对参数较难选择问题,采用遗传算法对支持向量机中的两个参数进行全局寻优.把汽车在典型故障下尾气中各气体的体积分数作为训练样本,样本经过主成份分析实现降维和去相关.用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断.使用LIBSVM工具箱进行仿真,结果表明经遗传算法优化后的支持向量机对于小样本故障诊断有很高的准确率.     

基于IGA-SVM的汽轮机故障诊断研究

针对支持向量机相关参数很难预先确定合适的取值,而这些相关参数又对其分类精度有着很大影响的问题,本文利用改进的遗传算法(IGA)对支持向量机的相关参数进行了优化.将改进遗传算法优化的支持向量机(IGA-SVM)算法应用于汽轮机故障诊断中,并与标准遗传算法优化的支持向量机(GA-SVM)算法的识别结果进行比较.结果表明,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,对汽轮机的故障诊断有显著的指导作用.     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

PSO-LSSVM的核电站破口故障程度评估方法

为了保证从核电站大量数据中有效地挖掘信息以及故障下运行状态的智能表征,本文提出一种基于粒子群优化和最小二乘支持向量机的系统级故障程度评估方法,用于完善故障诊断系统的功能.针对最小二乘支持向量机算法的超参数选取对于回归精度影响较大问题,应用基于粒子群优化算法借助智能搜索策略来优化模型的超参数.基于最优超参数的回归模型能够提取系统级参数间的约束关系,以进行实时故障程度的评估.性能测试表明:采用提出的方法能够有效评估核电站系统级故障的程度,相较于粒子群优化-支持向量机以及最小二乘支持向量机算法具有更高的回归精度,且抗噪性能良好,保证了故障诊断系统的精度及可靠性.     

基于核主元分析和支持向量机的f-CaO含量预测

将核主元分析和支持向量机相结合,运用核主元分析对数据样本进行非线性特征提取,得到更易于回归的特征主元分量,达到了降低支持向量机的输入空间维数,然后运用最小二乘支持向量机进行训练,通过网格搜索和交叉验证确定最小二乘支持向量机的最优参数.建立了预测水泥熟料游离氧化钙含量的核主元分析支持向量机模型.计算结果表明提出的模型能有效地预测水泥熟料游离氧化钙含量.     

基于粒子群优化LS-WSVM的电机断条故障诊断

为了准确检测出鼠笼式异步电机的转子断条故障,提出一种基于粒子群优化最小二乘小波支持向量机的诊断方法。首先,利用小波包或经验模态分解法提取出电机定子电流信号的特征向量,将特征向量分为训练集和测试集。再将训练集输入粒子群优化的最小二乘小波支持向量机进行训练,用训练好的最小二乘小波支持向量机对测试集进行分类。实验结果显示,此方法的故障诊断正确率明显高于最小二乘支持向量机的故障诊断方法。本文将小波分析和支持向量机结合使两者的优势互补,具有强大的泛化能力,为异步电机的转子断条故障诊断提出了一种新的方法。     

基于粒子群优化MICA的间歇过程故障监测

冷水机组作为复杂系统,其变量间相关性严重,并且故障时的症状和原因具有多样性,导致了冷水机组的故障诊断较为困难.为了降低数据冗余性,提高故障诊断效率,提出一种基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法.首先,运用独立元分析法提取冷水机组变量的独立元信息;然后,将提取的独立元信息作为最小二乘支持向量机的输入值进行故障类型的识别.利用北京某高校的地铁车站通风空调实训平台的实验数据验证该模型的故障诊断性能,并与传统的冷水机组故障诊断方法进行对比.比较结果证明基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法优于传统方法.这表明该方法可以有效提取数据的高阶统计信息,提高故障诊断的效率.

     

基于独立元分析-最小二乘支持向量机的冷水机组故障诊断方法

冷水机组作为复杂系统,其变量间相关性严重,并且故障时的症状和原因具有多样性,导致了冷水机组的故障诊断较为困难.为了降低数据冗余性,提高故障诊断效率,提出一种基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法.首先,运用独立元分析法提取冷水机组变量的独立元信息;然后,将提取的独立元信息作为最小二乘支持向量机的输入值进行故障类型的识别.利用北京某高校的地铁车站通风空调实训平台的实验数据验证该模型的故障诊断性能,并与传统的冷水机组故障诊断方法进行对比.比较结果证明基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法优于传统方法.这表明该方法可以有效提取数据的高阶统计信息,提高故障诊断的效率.     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于K-L变换和支持向量机的

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用K-L变换对其提取状态主特征向量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式，为轴承故障诊断向智能化发展提供了新的途径。     

一种改进的间歇过程故障诊断方法

针对单一故障诊断方法对间歇过程故障诊断效率和准确率低的缺点,提出将快速独立主元分析(FastICA)与递推最小二乘支持向量机(RLSSVM)相结合的集合型故障诊断方法 FastICA-RLSSVM。利用FastICA对非高斯间歇过程数据快速提取特征分量,通过RLSSVM对该时变过程进行快速分类。为验证该方法的有效性,将该方法应用于青霉素发酵过程故障诊断,并与提升小波—递推最小二乘支持向量机(LW-RLSSVM)方法进行对比分析,实验结果证明FastICA-RLSSVM诊断间歇过程故障准确率高,适应性好,分类效果稳定。     

基于优化支持向量机的航空发动机故障诊断研究

航空发动机是一个极其复杂的系统,且运行环境恶略,通常多种故障同时出现.本文提出了一种优化支持向量机算法,利用遗传算法对支持向量机的参数进行优化.本文利用四种航空发动机常见故障的模拟样本对神经网络、支持向量机和优化支持向量机三种方法进行训练和测试.     

基于单类支持向量机的工业控制系统入侵检测

针对工业控制系统数据非线性、高纬度和不平衡等难题,本文从提高工业控制系统入侵检测的准确性入手,结合单类支持向量机算法,提出一种单类支持向量机异常检测方法。该方法在核主成分分析过程中加入Fisher-Score算法,实现了对数据集的特征提取,降低了后续单类支持向量机入侵检测模型训练和识别的复杂度;同时加入免疫克隆选择和协同进化等策略,采用分层协同免疫粒子群参数优化算法对单类支持向量机参数进行寻优,增强算法的综合性能,解决了基本粒子群算法在单类支持向量机参数寻优过程中存在的易陷入早熟收敛和局部最小值等问题;最后构建了基于优化后的单类支持向量机算法的入侵检测模型,并进行对比实验验证。实验结果表明：优化后的检测模型在训练时间、学习泛化能力和检测性能上都有明显提升。     

深基坑变形预测的进化支持向量机模型

提出了深基坑变形预测的进化支持向量机方法。利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力。利用优化后的模型对基坑实例进行了变形预测,并将预测结果与监测结果进行了对比。研究结果表明,该模型与神经网络模型相比,具有预测精度高、泛化能力强等优点,对基坑安全监控具有实用价值。     

集合结构的实时故障诊断方法研究

为提高工业系统故障诊断的速度和准确性,提出一种由数据实时预处理、增量式故障特征提取、在线分类与聚类组成的实时故障诊断集合结构。基于该结构,提出了一系列实时故障诊断方法,开发了相应的实验研究平台。以青霉素实验过程为例,实验采用提升小波方法预处理、递归主元方法特征提取、递归最小二乘支持向量机分类的集合型实时故障诊断方法进行实验研究。实验结果表明,集合结构的实时故障诊断方法的性能优于传统的单一结构的故障诊断方法。     

最小二乘支持向量机的参数优化算法研究

该文针对最小二乘支持向量机的参数优化存在的问题,提出交叉验证的最小二乘支持向量机的参数自调整优化算法,用非线性测试函数的数据进行训练,并用于水下FCAW熔深多信息在线监测。最后把最小二乘支持向量机与传统的BP网络预测结果进行比较,结果证明,该模型的预测精确度是令人满意的,该文提出的方法是可行的。     

基于Fisher比率与SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中普遍存在的小样本学习问题,采用支持向量机实现轴承故障的模式识别.为了解决时域统计参数对于轴承故障的多分类效果较差的问题,引入小波包分解(wavelet packet decomposition,WPD)技术,提取振动信号各频带的能量系数构造特征向量,并采用Fisher比率法对特征向量进行优化选取;然后利用支持向量机(support vector machine,SVM)进行故障模式识别,并与小波包分解及时域统计参数的分类效果进行对比分析.结果表明:支持向量机是实现轴承故障模式识别的一种有效手段;本方法的分类效果及时间效率明显优于传统的多维时域指标和小波能量系数分类方法;将Fisher比率法与SVM相结合可以提高轴承故障诊断的准确率.     

GASA—SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机（SVM）参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法sA的概率突跳特性,提出一种改进的基于遗传退火算法（GASA）混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明：应用GASA．SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。