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.     

板形模式识别的多输出最小二乘支持向量回归机新方法

为了克服最小二乘支持向量回归机(LS-SVR)算法不能直接应用于多输入多输出(MIMO)系统建模的缺点,通过在目标函数中加入样本绝对误差项,提出了一种多输出最小二乘支持向量回归机(MLSSVR)新算法。将MLSSVR算法应用于板形模式识别研究,提出了一种基于MLSSVR的板形模式识别新方法,将该方法与LS-SVR合成识别方法进行对比实验,并对MLSSVR识别模型的识别能力进行了测试和分析,
结果证明了MLSSVR算法的有效性。MLSSVR板形模式识别方法不仅避免了LS-SVR合成方法的复杂组合运算,具有更高的识别速度,而且具有更高精度和很强的泛化能力。
     

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.     

最小二乘支持向量机在空调温控系统中的应用

温度控制系统是空调控制系统的核心,传统的温控系统采用PID调节和普通模糊控制。利用最小二乘支持向量机（Least Squares SVM,LS-SVM）理论,建立模糊控制器,通过与一般模糊控制仿真实验结果进行比较,验证了其在温控系统的有效性。     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于最小二乘支持向量机的辣椒可溶性固形物和维生素C含量近红外光谱检测

应用傅里叶变换近红外光谱技术实现了鲜辣椒中可溶性固形物(SSC)和维生素C(Vc)含量的快速无损检测。分别采用7种预处理方法对原始光谱进行处理后,建立了SSC和Vc预测的偏最小二乘法(PLS)模型。将利用最小二乘法(PLS)提取的主成分(PC)和蒙特卡罗无信息变量消除法(MC-UVE)提取的有效波长作为最小二乘支持向量机(LSSVM)的输入变量,分别建立了PC-LS-SVM和MC-UVE-LS-SVM模型,并与MC-UVE-PLS模型进行了比较。采用优化后的模型对27个预测集未知样品进行了预测。结果表明,对鲜辣椒中SSC含量预测最优的为MC-UVE-PLS模型,其预测集相关系数(rp)为0.971,预测集均方根误差(RMSEP)为0.382°Brix;对鲜辣椒中Vc含量预测最优的为MCUVE-LS-SVM模型,其rp为0.899,RMSEP为21.022mg/100g。研究结果表明:鲜辣椒中SSC和Vc的含量与近红外光谱具有显著的相关性。     

传感器动态建模的最小二乘支持向量机方法

提出了应用最小二乘支持向量机（LSISVMs）建立传感器动态模型的方法。LS-SVMs的训练过程遵循的是结构风险最小化原则，而不是通常神经网络的经验误差最小化原则，遵循该原则可获得更好的泛化性能，且不易发生局部最优及过拟合现象，因此可以克服应用人工神经网络建立传感器动态模型的缺陷。通过实例验证了该方法的实用性及可靠性。实验结果表明，即使传感器动态模型存在严重非线性，该方法也仍然有效。     

支持向量机分类与回归联合建模方法及其在拉曼光谱分析中的应用

多元校正分析模型的精度不仅依赖于模型的结构和参数,还很大程度上取决于训练样本的分布。实际过程中,训练样本通常呈现不均匀分布,导致基于全体样本的回归模型预测性能不理想。本文针对该问题提出了支持向量机分类与回归联合建模方法:首先使用最小二乘支持向量机(LS-SVM)分类器构建分类决策树,然后对每一类样本分别建立最小二乘支持向量机回归模型;对未知样本进行定量分析时,首先经过分类决策树分类,再根据分类信息选择相应的回归模型进行计算。针对汽油辛烷值拉曼光谱分析问题,基于全体样本建模的LS-SVM回归模型的标准预测误差为0.54,而采用本文方法所得的模型预测误差为0.22,大幅度地提高了分析精度。     

最小二乘支持向量机模型的简化结构研究

针对LS-SVM模型复杂度高的问题．本文提出了一种简化模型的思路。在保证LS-SVM模型性能不变的前提下,通过该模型的少量输入输出样本,利用LS-SVM建模进一步拟合该模型。使得到的新模型的复杂度降低。仿真试验表明。本文给出的模型简化方法是有效的。     

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。     

最小二乘支持向量机在软测量建模中的应用

支持向量机(Support Vector Machine．SVM)应用结构风险最小化理论，从训练集中选择一组特征子集。使得对特征子集的线性划分等价于对整个数据集的分割。支持向量机最初应用于模式识别，随后开始在信号处理、函数逼近等领域也得到了广泛发展。支持向量机与神经网络等常用方法相比，其具有泛化性好、建模所需学习数据较少等优点。     

基于最小二乘支持向量机的锂离子电池的SOC估算

由于储能系统是微电网中必不可少的一部分,锂离子电池因其寿命长、使用效率高和储能密度大等优点,成为微电网中较为理想的储能装置。在电池的使用过程中,由于要求对电池的容量有精确的判断,因此应检测电池的SOC。本文在分析了不同的SOC估算方法的基础上,针对微电网中储能使用的锂离子电池,提出了使用最小二乘支持向量机的方法估算其SOC,并进行了具体的试验验证。试验显示,预测数据与实际数据的最大误差约为6%,充分证明了该方法是可行和有效的。     

基于支持向量机的石脑油干点软测量建模研究

原油精馏装置处于石油化工厂工艺流程的最前端,石脑油是精馏装置的主要产品之一,干点值是衡量石脑油质量的一个重要参数指标,通过现有测量手段不能得到干点的实时测量值。而支持向量机是近年发展起来的一种基于统计学习理论的学习机器,在模式识别和非线性函数回归估计方面有很多的应用。文中旨在通过采用软测量技术得出石脑油干点的实时监测信息,着重讨论基于支持向量机回归和最小二乘支持向量机回归的软测量建模方法。     

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的N型热电偶非线性校正及应用

本文针对具有小样本数据的N型热电偶在应用中存在的问题，提出了一种基于最小二乘支持向量机对热电偶进行非线性校正的方法，并与以往采用的BP网络、RBF网络和ANFIS校正方法进行了比较。结果表明，采用最小二乘支持向量机的校正精度高于以上3种校正方法；同时以阳极焙烧过程中料箱温度为对象进行了仿真和实际应用研究，取得了满意的结果。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

基于支持向量机的软测量方法及其在生化过程中的应用

针对所有样本点均出现在最小二乘支持向量机模型中的缺陷，提出了一种改进的最小二乘支持向量机回归方法。根据样本点间欧氏距离的大小，去除原变量空间中大部分的样本点，从而获得回归模型的“稀疏”特性，大大简化模型复杂程度。同时，将这一方法应用于生物发酵过程，建立青霉素发酵过程中产物浓度的软测量模型，实现青霉素浓度的在线预估。实验研究结果表明，所提方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段。     

基于最小二乘支持向量机的PID参数整定研究

对PID控制提出了一种基于支持向量机的参数整定方法.用支持向量机辨识系统的非线性关系,并对之进行线性化.采用最小二乘的方法获取PID控制器的最优参数.通过对典型非线性系统的仿真,验证了该方法的有效性和可行性.     

一种改进的最小二乘支持向量机算法及其在硅酸盐分析仪中的应用

硅酸盐分析仪在多组分同时测定时,测定数据的解析属于典型的小样本问题,在标准LSSVM算法的基础上,结合粒子群优化算法优化LSSVM超参数。实验结果表明,该算法与单项组分测定结果一致,效率却大大提高。