基于LS-SVM的柴油机润滑油中磨粒含量预测

介绍了最小二乘支持向量机(LS-SVM)回归算法的基本原理,并以490BPG型柴油机润滑油中磨损磨粒为研究对象,使用LS-SVM对磨粒的浓度数据进行了回归拟合并预测,并与基于人工神经网络的预测模型的预测结果进行了比较.结果表明,LS-SVM的预测模型的精确度较高,泛化能力强,是用于润滑油中磨粒浓度预测的一种有效的方法.     

基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的建模预测方法.根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数.基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验.实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强.     

基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的建模预测方法。根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数。基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验。实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强。     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和最小二乘支持向量机(LS-SVM)的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型。通过对实际数据的仿真,结果表明,该文所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

LS-SVM技术在曳引机故障预测中的应用

利用支持向量机采用的结构风险最优化准则、预测能力强、鲁棒性好等优点,研究了最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)回归算法在曳引机故障预测中的应用。提出了一种自动搜寻最优参数方法,对参数和进行寻优,避免了人工选择的盲目性,提高了算法的效率。通过将LS-SVM和RBF神经网络进行对比实验,得出在相同训练样本条件下,LS-SVM可以取得比RBF更好的预测精度和预测速度,更加适合于现场实际应用。最后将LS-SVM模型用于曳引机振动信号的时域分量预测中,预测的平均相对误差小于5%,取得了较高的预测精度。     

基于最小二乘支持向量机的疲劳裂纹扩展预测

根据腐蚀疲劳裂纹在扩展过程中受到多种环境因素影响,裂纹扩展预测难精确的特点,本文提出了基于遗传算法参数优化的最小二乘支持向量机方法来预测结构腐蚀疲劳裂纹扩展。该算法采用遗传算法优化最小二乘支持向量机的模型参数,从而避免了算法陷入局部最优解,实现了精确度高、泛化能力强的裂纹扩展预测模型。最后通过对已有文献的某试件裂纹扩展的实验数据进行建模分析。结果表明:基于遗传算法的最小二乘支持向量机预测方法优于神经网络算法、蚁群算法,预测误差较小,具有很好的预测能力。     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

侧铣加工刀具回转轮廓误差预测技术研究

在侧铣加工中,刀具磨损和变形引起的刀具回转轮廓误差在实际加工前难以准确预测。提出一种工件形状刀具轮廓映射的辨识试验方法来获取加工过程刀具回转轮廓误差,并通过多因素正交试验获取了不同工况下刀具回转轮廓误差数据库。基于误差数据,采用最小二乘支持向量机（LS-SVM）技术建立了刀具回转轮廓误差预测模型。运用遗传算法优化对所提模型有重要影响的核函数参数和错误惩罚因子, 建立了基于遗传算法优化的最小二乘支持向量机(GA-LS-SVM)模型,并与未经遗传算法优化的LS-SVM模型进行了对比,试验结果表明,GA-LS-SVM预测模型能更好地适用于刀具回转轮廓误差预测。     

基于支持向量机回归算法的疲劳寿命预测研究

根据材料疲劳损伤的特点,提出了基于支持向量机回归算法的材料疲劳寿命预测方法。收集材料疲劳性能数据构建训练样本集,建立基于支持向量机回归算法的疲劳寿命预测模型,对疲劳载荷预处理后就可以计算出疲劳寿命。预测结果表明,该方法可利用较少的材料疲劳性能数据,实现疲劳寿命的预测。     

基于LS-SVM的机床加工误差预测模型探讨

提出一种基于最小二乘支持向量机(LS-SVM)的机床加工误差回归模型和预测方法,给出了相应的步骤和算法.通过与BP神经网络和RBF神经网络预测方法比较,仿真结果表明,在较少的误差数据条件下,该模型能够有效的描述和预测加工误差的变化,且模型预测误差比神经网络模型小60%左右;应用该预测模型预测机床加工误差有更高的预测精度,对其实施补偿和控制,将有效提高机床的加工精度.     

基于最小二乘支持向量机预测器的传感器故障检测与数据恢复

本文介绍了最小二乘支持向量机（LS-SVM）回归的基本原理，提出了一种基于LS-SVM回归的时间序列预测器，并将其用于传感器的故障检测和数据恢复。论述了LS-SVM预测器的实现方法和步骤，并且将其应用于压力传感器的故障检测和数据恢复，同线性神经网络预测器、RBF神经网络预测器和BP神经网络预测器的比较结果表明，LS-SVM预测器具有更高的预测精度，更好的外推能力，计算效率最高，因此，LS-SVM预测器是传感器故障检测和短期数据恢复的一种有效方法。     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

一种基于LS-SVM与PID复合的逆控制系统

针对逆系统中非线性逆模型辨识困难的问题,研究了基于最小二乘支持向量机(LS-SVM)的逆模型辨识及控制,并用微粒子群算法(PSO)优化LS-SVM的参数和核函数参数。提出了一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,该复合控制系统具有比基于最近邻聚类的RBF神经网络逆控制系统更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

改进k-means的控制自动化系统工业故障诊断预测

为提升自动化系统的运行效果，提出改进k-means的控制自动化系统工业故障诊断预测方法。该方法首先使用改进k-means对TE化工数据聚类处理，依据处理结果完成数据信号的去噪；再基于鲁棒ICA方法计算信号的独立成分，建立故障诊断模型，结合建立的固定监测阈值，完成TE化工过程的故障诊断；系统故障诊断后，继续对系统TE化工过程实施监测，依据监测结果建立故障预测模型，结合LS-SVM回归预测方法实现自动化控制系统TE过程的故障自动化预测。实验结果表明，使用该方法开展控制自动化系统工业故障诊断预测时，故障诊断预测效果好。     

改进Kmeans和PSO算法的发动机电控系统故障诊断

为更好的识别发动机电控系统故障类别,本文提出一种改进Kmeans和PSO算法。该算法依数据聚类分析问题的要求,以数据点与各群中心的距离为评估标准,将粒子群优化算法和Kmeans算法相结合,用粒子群优化算法的记忆与分享信息的能力来选取群中心,并利用Kmeans来调整群中心的位置,解决粒子群算法的求解效率低和Kmeans易落入区域最佳解的情况。将该方法应用于构建的发动机电控系统故障诊断模型,结果表明能有效提高发动机电控系统故障识别效果。     

基于最小二乘支持向量机的航空发动机故障远程诊断

将最小二乘支持向量机(least square support vector machine,LS-SVM)应用于航空发动机气路故障诊断。首先,分析了用于气路故障诊断的巡航偏差数据类别,建立用于进行机器学习的诊断模型训练集,构建基于LS-SVM的气路故障诊断模型;其次,采用模式搜索法优化LS-SVM建模,获取最优建模参数;最终,通过直接面向地空数据链(aircraft communication addressing and reportingsystem,ACARS)链路的报文解析组件,实时获取发动机巡航偏差数据集,远程诊断发动机气路故障。航路应用和对比实验表明:最小二乘支持向量机模型具有较高的诊断精度,适用于气路故障的远程诊断。     

基于最小二乘支持向量机的调节阀建模方法

针对调节阀物理模型存在严重的非线性、时变性及参数不确定性的问题,提出了一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的调节阀流量及压力预测模型。根据调节阀的物理模型,分析了能够表征调节阀运行状态的相关参数,主要有阀前压力、阀后压力、开度、流量、负载压力、温度等;设计了调节阀数据采集实验系统,通过全排列组合试验分别确定了流量和压力预测时LS-SVM模型的最佳输入特征向量。实验结果表明,模型能够以较理想的精度预测流量及压力的输出,可为调节阀自动控制或故障诊断系统的设计提供指导。     

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法.首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型.对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型.将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度.     

面向数控系统的优化调度算法及容错策略研究

建立了混合关联任务集描述模型,并引入人工智能领域的启发式搜索算法,以实现该模型任务集的最佳优先调度.在此基础上,进一步提出了基于回卷恢复机制的容错调度策略,通过对瞬时故障的容错恢复,提高数控系统运行的可靠性.与传统实时容错调度算法相比,基于回卷恢复机制和最佳优先调度算法的容错策略,能很好地适用于混合关联任务集.同时,通过降低错误恢复所需的时间开销,有效地提高了系统的资源利用率.实例分析和算法模拟研究证明了该算法应用于数控系统的有效性.     

Nonlinear machine fault detection by semi-supervised Laplacian Eigenmaps

A semi-supervised Laplacian Eigenmaps algorithm for machine fault detection is proposed. The purpose of the algorithm is to efficiently extract the manifold geometric characteristics of nonlinear vibration signal samples, and to determine fault classification of operating equipment so that the accuracy of fault detection can be improved. The data acquisition and pre-processing of the vibration signal is firstly implemented from monitoring equipment, then hybrid domain feature is obtained, and the initial sample set can be built. This is followed by implementing the semi-supervised Laplacian Eigenmaps algorithm so that the sensitive nature characteristics of manifold can be obtained from the device initial sample set. In order to establish the intelligent diagnostic model, the Least square Support vector machine (LS-SVM) is then adopted, which fault diagnosis and decisions can be achieved in the feature space of the low-dimensional manifold. The experiment results of using the IRIS data, gearbox and compressor fault data show the proposed method has more advantage when compared with the PCA and Laplacian Eigenmaps on improving the accuracy of fault detection.