基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题,提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测,采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.

     

基于聚类和支持向量机的非线性时间序列故障预报

针对非线性时间序列故障预报问题,提出了一种基于聚类和支持向量机的方法．将正常的时间序列按照K-均值聚类算法进行聚类学习,同时利用支持向量机回归的时间序列预测算法获得预测序列,然后通过比较聚类所得的正常原型和预测序列的相似性实现故障预报．仿真结果表明:本文提出的方法更能满足实时性的要求,也更为准确．     

一类基于支持向量机的软件故障预测方法

针对基于神经网络的计算机软件故障预测方法中存在的过学习和泛化能力差的问题,提出一种基于支持向量机(SVM)的软件故障预测方法.该方法应用具有强大非线性逼近能力与优秀泛化能力的支持向量机对软件故障因子与软件隐藏故障数之间的非线性关系进行拟合.采用经典粒子群优化算法(CPSO),在测试样本集均方根误差(RMSE)与平均绝对百分比误差(MAPE)同时最小时,选择和优化支持向量机的参数向量.计算机测控软件故障预测实验验证了该方法的可行性和可靠性.     

多重核学习非线性时间序列故障预报

针对非线性时间序列故障预报问题, 提出了多重核学习故障预报方法. 利用多重核学习可以减少支持向量的个数, 提高预测性能. 而且在多重核学习定义的混合核空间中运用减聚类能够提取正常原型. 最后, 将本文提出的方法应用于连续搅拌釜式反应器的故障预报, 仿真结果表明该方法能够提高故障预报的准确性与实时性.     

基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

基于LS-SVM预报的动态矩阵预测控制

针对实际工业过程中的非线性及时变特性,传统预测控制算法就难于建立精确的数学模型,从而提出了一种基于最小二乘支持向量机预报的动态矩阵预测控制模型.在整个过程中,首先建立基于最小二乘支持向量机的非线性动态矩阵预测控制结构,通过利用最小二乘支持向量机辨识被控对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.仿真实例表明该模型对预测结果有很好的控制作用,有效消除输入干扰的影响,从而提高了预测精度.     

支持向量机回归方法在故障诊断中的应用研究

支持向量回归是支持向量机用于回归中的情况,首先介绍基于支持向量机的线性回归和非线性回归的基本原理,然后提出一种时间序列预测方法和误差评价的方法,最后在matlab中模拟简化同步的异常情况,通过实时采集的数据与多步预测值的残差来判断电机的异常,实验表明利用支持向量机回归能及时跟踪输出数据的变化,对设备进行在线故障检测是非常有效的。     

基于支持向量机的股票价格预测研究

在股市投资测试问题的研究中,股价是一种高度不稳定、复杂且难以预测的时间序列数据,传统预测方法都是基于线性模型,忽略了股价的非线性特征,导致预测精度不高.为解决股价预测过程中的精度不高的难题,提出支持向量机引入到股价预测的建模中.首先采用支持向量机非线性扩展样本对时间序列模型定阶,并利用前向浮动特征筛选法选择特征,建立基于支持向量机的股市预测系统模型,对股价进行仿真实验.仿真结果表明,支持向量机模型比神经网络和CAR模型有较高的预测精度,证明适用于股市预测等非线性问题的预测,且有较高的精确度和应用价值.     

支持向量机在耕地面积预测中的应用研究

研究耕地面积准确预报问题,粮食产量稳定性受到耕地面积变化的影响.耕地面积是一种高度不稳定、复杂且难以预测,传统预测方法都是根据线性模型,忽略了耕地面积的非线性特征,导致预测精度不高.为了提高耕地面积预测的精度,提出一种基于支持向量机的耕地面积预测模型.利用相关分析和灰色关联分析对影响耕地面积变化的因子进行筛选,做为支持向量机的输入,耕地面积数量作为输出,可通过粒子群法对支持向量机的参数进行寻优,最后建立最优的耕地面积预测模型,对江苏无锡市耕地面积进行仿真.仿真结果表明,支持向量机模型比神经网络和其它预测模型有较高的预测精度,适用于耕地面积预测等非线性问题,为耕地面积预测提供了依据.     

Multi-step ahead direct prediction for the machine condition prognosis using regression trees and neuro-fuzzy systems

This paper presents an approach to predict the operating conditions of machine based on classification and regression trees (CART) and adaptive neuro-fuzzy inference system (ANFIS) in association with direct prediction strategy for multi-step ahead prediction of time series techniques. In this study, the number of available observations and the number of predicted steps are initially determined by using false nearest neighbor method and auto mutual information technique, respectively. These values are subsequently utilized as inputs for prediction models to forecast the future values of the machines’ operating conditions. The performance of the proposed approach is then evaluated by using real trending data of low methane compressor. A comparative study of the predicted results obtained from CART and ANFIS models is also carried out to appraise the prediction capability of these models. The results show that the ANFIS prediction model can track the change in machine conditions and has the potential for using as a tool to machine fault prognosis.     

基于EasyEnsemble的化工过程故障诊断性能改进

化工过程故障诊断中样本数据分布不均衡现象普遍存在.在使用不均衡样本作为训练集建立各类故障诊断分类器时,易出现分类器的识别率偏置于多数类样本的结果,由此产生虽正常状态易识别,但更受关注的故障状态却难以被诊断的现象.针对该问题,本文提出一种基于Easy Ensemble思想的主元分析–支持向量机(Easy Ensemble based principle component analysis–support vector machine,EEPS)故障诊断算法,通过欠采样方法抽取多数类样本子集组建多个新的均衡数据样本集,使用主元分析(principle component analysis,PCA)进行特征提取并使用支持向量机(support vector machine,SVM)算法进行训练,得到多个基于SVM的故障诊断分类器,然后使用Adaboost算法集成最终的分类,从而提高故障诊断准确性.所提方法被用于TE(Tenessee Eastman)化工过程,实验结果表明,EEPS算法能够有效提高分类器在不均衡数据集上的诊断性能和预报能力.     

Rolling element bearing fault diagnosis using wavelet transform

This paper is focused on fault diagnosis of ball bearings having localized defects (spalls) on the various bearing components using wavelet-based feature extraction. The statistical features required for the training and testing of artificial intelligence techniques are calculated by the implementation of a wavelet based methodology developed using Minimum Shannon Entropy Criterion. Seven different base wavelets are considered for the study and Complex Morlet wavelet is selected based on minimum Shannon Entropy Criterion to extract statistical features from wavelet coefficients of raw vibration signals. In the methodology, firstly a wavelet theory based feature extraction methodology is developed that demonstrates the information of fault from the raw signals and then the potential of various artificial intelligence techniques to predict the type of defect in bearings is investigated. Three artificial intelligence techniques are used for faults classifications, out of which two are supervised machine learning techniques i.e. support vector machine, learning vector quantization and other one is an unsupervised machine learning technique i.e. self-organizing maps. The fault classification results show that the support vector machine identified the fault categories of rolling element bearing more accurately and has a better diagnosis performance as compared to the learning vector quantization and self-organizing maps.     

网络安全态势预测方法的应用研究

研究网络安全的预测问题,面对海量恶意攻击,信息要及时告警,进行安全管理。针对当前预测模型只能对过去和现在网络安全态势进行分析,不能对将来网络安全态势进行预测的缺陷,为了提高预测精度,提出了支持向量机的网络安全态势预测方法。支持向量机可以利用过去和当前的网络安全态势值,对将来网络安全状态进行预测,同时采用遗传算法对支持向量机参数优化,加快网络安全态势预测速度。通过仿真对预测方法性能进行检验,结果表明,预测方法能够准确反映网络安全的整体变化趋势,提高了网络安全态势的预测精度,相对于传统预测方法,更适用于现实的网络环境中。     

基于SVR的瓦斯传感器故障诊断方法

介绍了回归型支持向量机（SVR）的基本原理,建立了基于SVR的传感器时间预测模型,对时间预测器实行离线训练、在线应用的方法,用训练好的SVR模型模拟煤矿井下瓦斯传感器系统的动态特性,阐述了瓦斯传感器故障诊断和信号恢复的实现过程。仿真结果表明：SVR时间预测器能准确预测和跟踪瓦斯传感器的输出,及时诊断出传感器故障信息,并对传感器信号进行恢复,实验验证了该方法的正确性和有效性。     

基于粒子群算法优化支持向量机汽车故障诊断研究

汽车故障检测和诊断技术一直是国内外研究热点问题。支持向量机用于汽车故障诊断时,其多分类组合决策对分类正确率及诊断时间有很大影响,为了有效提高汽车系统故障诊断的效率和精度,提出了一种基于粒子群算法优化层次支持向量机汽车故障诊断检测方法。针对分解支持向量机具有测试时间短、结构难以确定的特点,利用粒子群算法,依据最大间隔距离原则优化层次支持向量机模型,使每个节点的支持向量机具有最大分类间隔,减少了误差积累,从而优化了多级二叉树结构的SVM,实现故障的分级诊断。仿真实验结果表明,提出的算法在所有参比模型中精度最高,能高效地对汽车系统的故障进行检测与定位,具有较强的泛化能力,同时缩短了故障诊断时间。     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

基于SVM预测器的传感器故障诊断与信号恢复研究

支持向量机(SVM)是一种新兴的基于统计学习理论的机器学习方法.简要介绍了SVM回归原理,据此建立了基于SVM的时间预测器并用于传感器的故障诊断和信号恢复,阐述了具体的实现方法和步骤.仿真结果表明:SVM预测器有效地克服了神经网络的不足,能准确预测和跟踪传感器的输出信号,并在传感器发生故障后一定的时间段内能较精确的估计传感器的正常输出.     

基于支持向量机的电路故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型。通过遗传编程对时域指标进行特征选择和提取，得到更能反映信号本质的特征信号，该特征信号可作为识别特征输入多类支持向量机，实现对模拟电路不同类型软故障的识别。实验结果表明，同传统时域指标相比，经过遗传选择和提取的特征对模拟电路的软故障具有更好的识别能力，进而提高了多类支持向量机的分类准确性。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。