基于支持向量机的CO2焊接保护气流量识别研究

利用线性预测(LPC)分析方法建立电弧声信号数学模型并提取声音频域特征,分别用电弧声的LPC预测系数及反射系数作为输入向量构造样本集,建立CO2焊接过程支持向量机模型,对焊接过程保护气体流量进行了识别和分类.测试表明:利用电弧声建立的SVM模型能对焊接气流量进行有效识别.     

支持向量机的功能复合材料离心铸造参数自适应优化

为实现对离心铸造制备复合材料力学性能的预测和控制,利用支持向量机算法和OPC设计离心铸造工艺参数的自适应优化方案。根据复合材料合金配比和铸件力学性能指标,利用支持向量机建立适于离心铸造工艺参数优化的回归模型,再通过OPC协议远程设定离心铸造机的运行参数,进而制备满足特定力学性能指标的复合材料铸件。结果表明,SVM回归模型支持离心铸造机参数的自动设定,当确定合金配比和铸件的力学性能指标,SVM模型反求输出的离心铸造工艺参数具有较高的优化精度。     

基于加权支持向量机的热轧带钢弯曲质量预测

针对带钢弯曲质量预测时因样本的误判率不平衡而导致质量预测误差较大、异常检出率较低的问题,引入了决策函数中的少数类样本支持向量所占的权重系数μ,建立了基于改进权重系数的加权支持向量机(μ+SVM)的热轧带钢弯曲质量预测分析模型。结果表明:通过比较其与随机采样+支持向量机方法、人工合成数据+支持向量机方法的预测结果,验证了μ+SVM支持向量机方法的优越性。采用支持向量机方法得到的最小误判率为0.32,标准差为0.38,更加符合实际检测需求。     

基于WASVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WASVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

支持向量机在拉深筋设计中的应用

支持向量机(SVM)以统计学习理论为基础,广泛应用于回归预测。文章根据零件特点,针对拉深筋几何参数和板料拉延阻力间复杂的非线性关系,以拉深筋流入量作为衡量板料拉延阻力的参数,利用支持向量机建立其与嵌入程度、弯曲程度之间的映射关系,分别基于小样本、大样本两组数据预测。结果表明该方法与神经网络模型相比具有更优良的性能,为筋参数基准值的确定提供了很好的指导,并解决了神经网络在小样本预测和泛化能力上的问题。     

超声振动磨削放电加工指标预测模型的研究

超声振动磨削放电加工过程复杂,难以用精确的理论公式进行描述,通常在试验基础上,借助于机器学习理论做出分析。针对实际加工中试验样本数量有限、预测量数值变化波动大的情况,采用BP神经网络和支持向量机两种方法分别建立超声振动磨削放电加工SiCp/Al指标预测模型,并利用两个模型预测零件表面粗糙度和加工速度等工艺指标。预测结果表明,零件表面粗糙度的数值变化范围较小,两种模型预测值与试验值均具有较好的一致性,预测精度较高;加工速度的数值变化较大,支持向量机模型的预测精度优于BP模型。因此,支持向量机模型更适合于解决小样本及指标变化范围大的预测问题。     

基于GWO-SVM的高压断路器故障诊断

为提高高压断路器故障诊断精度和效率以保障电力系统安全稳定运行,提出一种基于拉普拉斯分值法与改进的支持向量机(SVM)的智能故障诊断方法。首先,从高压断路器分合闸线圈电流中提取包括电流峰值、关键时间点及电流统计量等特征值,并建立故障样本集合;其次,采用拉普拉斯分值法筛选出关键特征,降低故障样本集合的维度;最后,采用灰狼算法(GWO)优化支持向量机(SVM)的关键参数,构建高效、准确的高压断路器故障诊断模型。基于实际故障样本的仿真测试结果表明:提出的采用特征选择及参数优化的故障诊断方法较其他传统方法具有更高的诊断精度及诊断效率,对实际工程应用具有一定的参考借鉴意义。     

支持向量回归在Zr-2合金晶粒尺寸预测中的应用

根据Zr-2合金的晶粒尺寸在不同热工艺参数(变形温度、变形程度、变形速率)下的12组实测数据,应用基于粒子群算法寻找最优参数的支持向量回归方法,建立了合金晶粒尺寸的预测模型.通过与模糊神经网络模型的结果进行比较,结果表明:基于相同的试验样本,支持向量回归预测模型的平均绝对误差和平均绝对百分误差都比模糊神经网络预测模型的小,而复相关系数大.这说明,支持向量回归预测模型预测精度比模糊神经网络模型要高,是简单而精确的建模方法,可用于优化热加工参数.     

基于全矢最小二乘支持向量机的设备状态趋势预测

在支持向量机(SVM)基础上拓展出的最小二乘支持向量机(LS-SVM)非线性泛化能力更好,具有较高的拟合和预测精度,目前被广泛应用于设备状态趋势预测中。为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术提出一种新的趋势预测方法——全矢LS-SVM。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障LS-SVM预测数据特征提取的完整性,提高预测精度。将该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢LS-SVM方法具有较高的预测精度。     

摩擦焊接轴向缩短量神经网络与支持向量机预测

轴向缩短量是惯性摩擦焊接过程中的关键参量.文中利用ABAQUS有限元软件对高温合金管材惯性摩擦焊接过程进行了模拟,获得并研究了不同焊接工艺参数下的轴向缩短量结果.基于模拟结果,分别建立了支持向量机(SVM)和径向基函数(RBF)神经网络的轴向缩短量的预测模型.两种模型的对比表明,对于该小样本的预测,RBF神经网络比SVM智能预测结果更接近有限元模拟值.因此RBF神经网络模型可以更好的辅助摩擦焊接的有限元模拟,并有效降低模拟的时间成本.