基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

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。     

粒子群优化的SVM提升钢丝绳故障诊断

为了加强多绳摩擦提升系统的提升钢丝绳故障与提升钢丝绳张力之间的联系,提出了基于支持向量机(SVM)以及最小二乘支持向量机(LSSVM)的诊断模型。在MATLAB中应用粒子群优化算法(PSO)对模型参数进行优化,得到具有最优参数的支持向量机诊断模型;在某矿的提升系统进行三种故障及正常状态试验,利用东方所INV3060S采集仪获得的钢丝绳故障及正常状态数据对PSO-SVM以及PSO-LSSVM进行训练以及预测,结果显示PSO-SVM的运算结果的误差及均方误差较小,PSO-LSSVM的运算速度较快,且两种算法都能有较好的故障诊断能力。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于PSO-SVM的关键生物参数软测量方法研究

微生物发酵过程中一些关键生物参数难以实时在线测量,严重影响发酵的优化控制。为解决关键生物参数的测量难题,采用了一种基于PSO-SVM的软测量方法。该方法利用粒子群优化(PSO)算法优化选择支持向量机(SVM)的最佳参数,并建立了基于PSO-SVM的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证,结果表明该模型具有很好的学习精度和泛化能力。另外在建模耗时上,PSO-SVM算法所用时间远少于标准SVM算法所用时间。     

基于粒子群算法优化SVM在电池SOC估算中的应用

为了实现井下救生舱动力电池SOC(State Of Charge)的估算,将支持向量机(SVM)的方法应用于电池SOC的估算中。为了得到合适的惩罚因子C和核函数K,利用粒子群算法来优化支持向量机;建立了支持向量机模型,对井下救生舱的电池剩余电量进行预测。实验结果表明:采用粒子群优化支持向量机的方法具有较高的准确度,有一定的实用价值。     

切削加工表面粗糙度组合预测模型研究

加工过程产生的粗糙度数据序列会包含多种特征,而单一的预测模型不能同时捕捉多种数据特征,难以提高预测精度。因此,从加工过程中粗糙度数据特征的复杂性出发,提出了一种基于支持向量机(SVM)和BP神经网络算法(BP)的组合预测模型,来同时捕捉数据的线性特征和非线性特征;在组合预测过程中为充分发挥两种预测算法的最佳性能,采用粒子群优化算法(PSO)对支持向量机的参数和BP神经网络中的权值进行优化。通过蠕墨铸铁的铣削实验,实现不同切削用量下的表面粗糙度精准预测,并与PSO-SVM、PSO-BP算法以及切削加工表面粗糙度理论模型进行对比,验证了该组合模型的优越性。     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

轨道车辆一系垂向减振器劣化辨识方法研究

减振器是轨道车辆的重要部件,在目前的研究中,缺少对轨道车辆一系垂向减振器劣化阶段进行辨识的研究.为了实现对减振器的劣化阶段进行辨识,提出了一种基于粒子群优化支持向量机(PSO-SVM)模型的减振器性能劣化辨识方法.首先通过仿真软件获得减振器的加速度信号,提取特征后利用SVM模型对特征进行筛选融合,其次使用粒子群寻优算法...     

基于CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。     

磷虾群算法优化支持向量机的威胁估计

为提高目标威胁估计的预测精度,在传统支持向量机优化方法的基础上,提出了采用磷虾群算法优化支持向量机的威胁估计方法。介绍了磷虾群算法和支持向量机的原理,并基于此采用磷虾群算法对支持向量机中的惩罚参数和核函数参数进行优化,寻找最优的惩罚参数和核函数参数;建立磷虾群优化支持向量机的目标威胁估计模型,并实现基于该模型的目标威胁估计算法。采集90组原始数据组成训练集、30组数据组成测试集,对该目标威胁估计算法进行仿真实验。实验结果显示,磷虾群算法优化支持向量机的预测误差为0.002 91,小于采用粒子群算法或萤火虫算法优化的支持向量机。结果表明,磷虾群优化支持向量机的目标威胁估计方法可以有效地完成目标威胁估计。     

基于粒子群算法的自回归加权马尔可夫链的负荷预测

针对城市居民人均年用电量序列具有波动性、随机性和相依性的特点,建立了基于粒子群优化算法的自回归加权马尔可夫链的负荷预测模型(PSO-AR-W-MC)。首先利用粒子群算法和AIC准则确定出自回归AR模型的系数和阶数,并对负荷变化趋势进行预测。利用平行曲线法划分该模型得到的残差序列,建立马尔可夫链的状态区间,以此求出状态转移概率矩阵,利用归一化后的自相关系数对其进行改进,确定出预测数据所属状态区间。根据状态区间对预测值进行第二次拟合。实例分析表明该算法具有较高的精确度和可靠性,应用前景广阔。     

基于粒子群优化算法的水源微生物自动识别

水源微生物检测在水源生物安全监测等方面具有非常重要的意义，而传统的显微镜观测等方法存在效率低、需要专业人员操作等不足，为此提出了一种水源微生物自动识别方法。采集水样，并制作水源微生物图像集，编写全自动与半自动两种图像分割算法用于提取目标微生物区域，并提取6种图像特征。基于以上特征数据，研究水源微生物识别模型的优化问题：首先，优化部分特征参数；接着，融合所有特征，建立粒子群优化算法的支持向量机（support vector machine optimized by particle swarm optimization, PSO-SVM）微生物识别模型，并与其他识别算法进行比较。结果表明，相比于其他3种算法，PSO-SVM能更有效地识别各种微生物，其平均识别率达到97.08%。     

基于状态空间模型的数控机床热误差建模

为了减小机床运行参数变化导致的机床热误差变化对模型预测精度的影响,提出了状态空间建模算法,该算法可根据机床运行参数的变化而自动调整模型,从而使模型对机床运行参数的变化具有良好的自适应性。通过实验比较了模型对机床处于不同条件下的热误差预测精度,并基于状态空间模型在Leaderway V-450型数控机床上进行了平面切削的热误差补偿实验。实验结果表明：与传统热误差建模算法相比较,所提算法的预测精度提高了58.12%,稳健性也得到了有效提升,且实际热误差补偿效果显著。     

数控机床热误差补偿高次多阶ADL模型应用分析

综合运用模糊聚类和灰色关联度理论对机床温度监测传感器进行了优选。同时针对现行常用的多元回归模型,采用自回归分布滞后模型（ADL模型）对数控机床热误差进行了建模。在获得较高精度基础上,对ADL模型进行扩展,提出了高次多阶ADL建模技术,并对其建模方法及精度进行了分析比对,实例证明,提出的高次多阶ADL模型在数控机床热误差补偿技术中具有较高的建模精度。     

粒子群优化人工神经网络在高速铣削力建模中的应用

将粒子群优化人工神经网络理论应用于高速铣削力的建模研究中.采用粒子群算法与反向传播算法相结合的方法,对反向传播神经网络模型进行优化.用粒子群算法训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行反向传播算法运算,以实现高速铣削力的预测.充分发挥了粒子群算法的全局寻优能力和反向传播算法的局部搜索优势.仿真结果表明,与其他几种反向传播算法相比较,粒子群算法与反向传播算法的学习算法训练的神经网络,不仅训练时间明显缩短,而且其预报精度也得到了较大的提高,能够有效地建立铣削力模型,并对铣削力进行准确的预测.