一种用于磨粒识别的基于改进PSO 算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。     

基于CEEMDAN多尺度熵和SSA-SVM的滚动轴承故障诊断研究

针对支持向量机(SVM)应用在轴承故障分类时,传统的智能算法优化SVM的参数容易存在寻优速度慢、调节参数多,以及容易陷入局部最优值等问题,提出了一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法。对滚动轴承的故障特征提取和SVM参数优化进行了研究,引入了一种新的群智能优化算法,用麻雀搜索算法(SSA)对SVM参数进行了优化,提高了寻优速度以及轴承的故障分类准确率;该方法先采用自适应白噪声完整经验模态分解(CEEMDAN)算法分解信号,获得了若干个固有模态函数(IMF);再采用相关系数方法选择有用IMF分量,并进行了重新组合;最后,计算重构信号的多尺度熵作为特征向量,输入SSA优化的SVM进行了故障分类。研究结果表明:采用该方法能够准确地获得故障信息,且识别准确率高;与PSO、GA优化的SVM相比,该方法的故障诊断分类性能更好。     

基于神经网络和支持向量机的导波弯管腐蚀损伤程度辨识研究

利用导波的远场检测优势和机器学习模型,开展管道弯曲处腐蚀损伤程度智能辨识方法研究.在普通碳质钢管弯头处加工不同程度的腐蚀缺陷,按腐蚀程度分为10个等级.采用自激自收和一激一收两种信号激励接收方式,在管道中激励具有非频散的T(0,1)型超声导波,采集得到不同腐蚀程度缺陷对应的导波检测信号.在时域和频域对检测信号进行分析,提取多个导波信号特征值用于表征损伤程度,并通过BP神经网络和支持向量机两种分类模型对数据进行训练分析得到缺陷损伤辨识模型,实现弯曲处腐蚀程度的准确辨识.研究中分析两种模型的超参数对缺陷辨识模型精度的影响,对比研究两种模型对弯管腐蚀损伤辨识的性能.试验结果表明,两种损伤辨识模型对不同激励接收模式下的导波检测信号均能取得较优的分类效果.相较于BP神经网络,支持向量机在小样本条件下对弯管腐蚀损伤具有更好的辨识效果.     

基于改进FOA优化的SVM在故障诊断中的应用

针对支持向量机(SVM)的分类性能受本身参数选择影响较大的问题,提出了基于改进果蝇优化算法(LFOA)的SVM参数优化方法。给出了基于改进果蝇算法的SVM参数优化步骤,并用标准数据集进行了仿真实验,验证了算法在收敛速度和收敛精度上均好于其他几种方法。以滚动轴承为实验对象,应用LFOA-SVM进行了常见故障的诊断,与FOA、GA和PSO等方法相比,LFOA算法改善了SVM的分类性能,提高了故障诊断准确率,可有效应用于故障诊断。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

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。     

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法.通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类.结果 表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5％.     

基于Gabor小波与PSO-SVM的不锈钢焊缝缺陷分类研究

以裂纹、气孔、夹渣、未熔合和未焊透五类不锈钢焊缝缺陷为研究对象,通过Gabor小波变换对焊缝缺陷的超声信号进行特征提取,利用粒子群优化算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)优化后进行焊缝超声缺陷的识别,提高了对焊缝缺陷的分类精度。经过实验,证明所用模型对裂纹、气孔、夹渣、未熔合和未焊透五类缺陷的分类精度达到了96.36%。相比现有的方法,本方法识别面更广,精度更高,具有一定的工程价值。     

利用分形维数和BP神经网络实现超声导波缺陷分类的实验研究

近年来,超声导波技术广泛应用于管道的无损检测中。然而,不同微小缺陷类型(如裂纹、孔洞、凹陷变形等)引起的缺陷回波微弱且无明显不同,使得微小缺陷的识别和分类始终是检测难点。为识别不同微小缺陷的类型,利用对微弱周期信号敏感的Duffing系统,提出了基于Duffing系统的动力学指标分形维数和反向传播(Back Propagation, BP)神经网络相结合的信号特征分类方法。利用BP神经网络对输入参数进行训练。其中,输入参数分为两组。第一组输入参数为由小波能量值、时域参数、分形维数特征等组成的21维k₁向量。第二组作为对照组,其输入参数为波能量值、时域参数组成的18维k₂向量。上述两组均输出3维向量,即输出缺陷类型。数值模拟及实验验证均表明,在加入混沌指标分形维数后识别准确率明显提升。其中,数值模拟的准确率由86.35%提升至91.85%,实验中的准确率由83.16%提升至86.06%。数值模拟和实验都验证了利用分形维数和BP神经网络结合能够更好地完成管道缺陷的识别和分类。创新性地将分形维数作为BP神经网络的特征输入,有效提高了分类的准确率,实...     

基于多尺度特征提取的风机音频信号故障诊断方法研究

针对风机传动链部件音频信号成分复杂，依靠单一特征提取方法难以实现故障识别的问题，提出了一种基于多尺度特征提取的风机主轴音频信号故障诊断方法。首先，采集风机传动链部件的音频文件，将其转换为数字信号后对数据进行了预处理；然后，对音频信号进行了多尺度特征提取，从时域、频域和倒谱域3个维度提取了5大特征，组成了多维复合特征矩阵，并对提取的特征进行了分析及降维；最后，利用支持向量机(SVM)分类预估器对多维复合特征矩阵进行了有监督学习，并使用粒子群算法(PSO)对SVM参数选择过程进行了优化，并通过多组对比实验，对PSO-SVM分类预估器在音频信号模式分类上的性能进行了验证。研究结果表明：所提取的多尺度特征能很好地表征音频信号的信息，具备一定的鲁棒性；使用经PSO优化后的SVM分类模型，对风机传动链部件音频信号模式识别的准确率可达98%以上，并具备良好的泛化能力。     

面向超声导波检测的管道腐蚀建模及仿真实现

超声导波技术被大量应用于管道腐蚀的检测与评估。腐蚀是实际管道中的主要缺陷形式,管道腐蚀缺陷形貌多样且复杂,针对管道腐蚀导波检测的很多研究是通过仿真手段开展的。常用的缺陷简化模型不能充分反映实际腐蚀缺陷的复杂程度,有可能造成分析结果的偏差。本文在分析腐蚀特点基础上提出了基于W-M分形函数的腐蚀仿真模型,研究了管道腐蚀缺陷的有限元自动建模仿真方法,并通过分析讨论超声导波检测不同腐蚀缺陷的仿真结果对模型的有效性进行了验证,结果证明基于本文提出的腐蚀模型所得缺陷回波可提供更丰富的缺陷信息,有利于揭示管道腐蚀特征与导波信号之间的量化关系。本文的研究成果可为进一步分析管道腐蚀缺陷的检测评估建立理论基础。     

基于改进蜂群算法优化支持向量机的故障诊断

针对支持向量机(Support Vector Machine,SVM)的故障诊断性能受参数选择影响较大的问题,提出了基于改进蜂群算法(Improved Artificial Bee Colony,IABC)优化SVM的故障诊断方法。为提高ABC算法的寻优能力,引入Levy飞行策略,对原始蜂群算法进行了改进。利用改进的ABC算法进行SVM参数的优化,可以有效地提高SVM的分类性能。滚动轴承不同类型、不同程度故障诊断的实例表明,与ABC、GA和PSO等方法相比,IABC算法能够获得更优的参数组合,提高了SVM的故障诊断准确率,可有效应用于故障诊断。     

基于支持向量机的油管内外表面缺陷识别方法

由于根据漏磁信号难以准确识别出油管内、外表面缺陷,为此提出了基于支持向量机(SVM)的油管内外表面缺陷识别方法。采用时频分析技术提取了用于区分油管内外表面缺陷的漏磁信号时域和频域特征量,然后将其作为油管内外表面缺陷识别SVM模型的样本数据,采用改进的云自适应粒子群(MACPSO)优化算法对SVM识别模型的参数进行优选,结合优选的模型参数和样本数据训练构建油管内外表面缺陷识别SVM模型。实验结果表明:该智能识别方法能够有效区分油管的内外表面缺陷,识别准确率高于90%。     

基于改进PSO算法的LS-SVM对管道超声导波缺陷的二维轮廓重构

针对目前超声导波管道检测中缺陷成像研究较少现状,提出了一种基于改进PSO算法的LSSVM的缺陷二维轮廓重构方法。利用试验和有限元软件,获得不同尺度缺陷的回波信号。采用最小二乘网络学习方法,以回波信号数据为输入,二维轮廓数据为输出,建立非线性映射,实现了管道缺陷轴向宽度和径向深度的二维轮廓重构,并与径向基神经网络算法重构结果和一般PSO算法的LS-SVM算法进程进行对比。结果表明:该方法具有更强的泛化能力,是缺陷可视化检测的参考方法。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

PSO-SVM在提升机制动系统故障诊断中的应用

针对矿井提升机制动系统故障样本少难以准确诊断,提出支持向量机(SVM)的故障诊断方法。为了解决支持向量机参数选择困难和其对于故障诊断的影响,提出利用粒子群优化算法(PSO)对支持向量机的参数进行优化,提高提升机故障诊断分类的准确率。利用组态王进行数据的采集,并且将采集的数据通过数据库传输到网页监测画面实现远程监测。实验结果显示,该故障诊断方法的故障分类准确率很高,响应速度快,并且可以实现网页监控画面和故障诊断所需数据实现共享。     

铝热连轧弯辊力建模与仿真

弯辊力是调节板形的重要手段,准确的弯辊力模型能够为轧制获得良好的板形。为了准确的预测铝热连轧弯辊力,以某厂1+4铝热连轧实际生产数据为样本,提出了支持向量机(SVM)弯辊力模型。由于SVM的精度及泛化能力依赖于参数选择,故将自由搜索算法(FS)运用到模型参数寻优过程,并分别与BP神经网络和粒子群(PSO)优化的SVM模型进行比较。仿真实验表明建立的FS-SVM模型参数优化速度快、结构简单并且具有较高的预报精度。     

改进ALPSO-SVM的精密加工结构件图像分类算法

针对精密加工结构件在加工过程中人工分拣效率低的问题，提出一种改进PSO对于SVM参数优化的图像分类算法（Adaptive Levy Flight Particle Swarm Optimization Algorithm-Support Vector Machine,ALPSO-SVM）。首先，建立一个SVM分类器用来完成图像分类，然后使用改进的PSO算法（ALPSO）来帮助SVM找到最优参数，以提高分类效果；通过引入自适应步长的Levy飞行算法来调整PSO算法中粒子的位置更新公式，提高PSO的寻优效率，以得到SVM的最优参数；最后，SVM以ALPSO输出的结果作为最优参数进行分类测试。实验结果表明，ALPSO有效地提高了SVM的分类性能，分类正确率与鲁棒性都得到提高，平均正确率达到90%以上。     

基于α稳定分布参数估计的滚动轴承故障诊断

针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法。首先,对各状态振动信号进行α稳定分布四参数估计,选取敏感性及稳定性最好的二种参数组成二维故障特征量;然后,输入到经过粒子群优化算法(particle swarm optimization,简称PSO)进行参数优化后的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)中进行故障诊断;最后,通过台架试验数据验证了该方法的有效性,并与未经过PSO参数优化的LSSVM、支持向量机(support vectors machine,简称SVM)方法的诊断结果进行比较。结果表明:该方法可实现滚动轴承故障位置及损伤程度的智能诊断,比未经PSO参数优化的LSSVM、SVM方法具有更优的泛化性,更短的训练、测试时间,可应用于实际工程。