基于CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。     

基于GA优化的SVM涡轮泵故障诊断

针对液体火箭发动机涡轮泵故障诊断中出现的多故障分类问题,为提高支持向量机学习机器的分类性能,提出了一种基于遗传算法的支持向量机参数优化算法,利用遗传算法的全局搜索性能对核参数进行了优化.结果表明,遗传算法能够加速支持向量机参数的优化搜索,所建模型对含有较强的噪音背景的故障样本进行了很好的分类诊断,表现出了很好的抗噪和分类能力.     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于支持向量机的航空发动机磨损趋势预测

基于支持向量机开发的航空发动机磨损趋势预测技术运用结构风险最小化准则,可通过内积函数将低维空间的非线性问题转化为高维空间的线性问题,在发动机滑油光谱监控中十分有用.阐述了支持向量机的原理和数学模型,建立了适用于航空发动机磨损趋势预测的支持向量机回归模型和自回归模型,并对支持向量的核函数模型参数进行了讨论.对实际发动机的润滑油光谱监控数据趋势预测结果表明,基于支持向量机回归模型的趋势预测技术具有很高的预测精度和很强的实用性,可有效提高通过润滑油光谱监控技术预报航空发动机磨损类故障的预测能力.     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于EEMD和CS-SVM的滚动轴承故障诊断研究

针对数据驱动的滚动轴承故障诊断大多采用支持向量机进行分类,而传统支持向量机的分类方法容易陷入局部最优,无法准确进行故障诊断的问题,对滚动轴承振动信号的特征选择和支持向量机的优化方法进行了研究。分析了粒子群算法优化支持向量机和遗传算法优化支持向量机的不足;基于莱维飞行的布谷鸟搜索算法,引入了一种对支持向量机的参数进行寻优的方法,用于提高滚动轴承故障诊断的识别准确率;该方法首先使用集合经验模态分解对信号数据进行了处理,然后计算本征模态函数的均方根作为特征向量,输入布谷鸟搜索算法优化的支持向量机;最后进行了训练和测试。研究结果表明:利用该方法对实测信号进行分析和诊断,可以准确地识别故障发生的位置以及严重程度;通过与传统优化方法进行对比,验证了该算法的优越性。     

基于动态变步长果蝇算法优化支持向量机的轴承故障诊断方法

针对果蝇算法(FOA)在优化支持向量机(SVM)参数时容易陷入局部最优而影响诊断精度的问题,对果蝇算法中固定步长这一缺点进行改进,提出了动态变步长果蝇算法(DCFOA).利用该算法对支持向量机的参数进行优化,并对轴承的故障进行诊断,结果表明该算法获得了更优的支持向量机参数组合,相比于果蝇算法,显著提升了故障诊断精度,同...     

基于粒子群算法优化支持向量机的数控机床状态预测

数控机床状态预测对于及时发觉数控机床健康状况有着非常重要的作用.为了实现数控机床状态的准确预测,提出采用粒子群算法优化支持向量机(PSO-SVM)进行数控机床状态预测方法,其中粒子群算法用于确定支持向量机(SVM)中的训练参数,以得到优化的SVM 预测模型.试验结果表明,用PSO-SVM对数控机床状态进行预测,不仅所需样本少,而且具有很好的预测精度.     

一种基于SVR的发动机多模式故障诊断方法

针对传统基于支持向量分类机(SVC)的发动机多模式故障诊断方法需要多个二类分类器的问题,提出了一种基于支持向量回归机(SVR)的多模式故障诊断方法。该方法首先应用归一化的故障数据样本和一个支持向量回归机构建一个发动机故障诊断回归模型,再对支持向量回归机的输出结果进行基于距离的聚类操作得到发动机的故障模式,诊断模型的参数向量采用一种基于Tent混沌映射的量子粒子群优化算法及样本测试集的均方根误差与平均相对误差同时最小的准则进行整定。实验结果表明,所提出的方法能够克服常规支持向量分类机多模式故障诊断方法需要多个二类分类器的缺陷,降低了建模的时间复杂度,有效地提高了发动机的故障诊断性能。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于SSA-ELM的双层十字梁结构光纤布拉格光栅传感器三维力解耦

针对三维力传感器维间耦合干扰严重的问题,以双层十字梁结构光纤布拉格光栅三维力传感器为研究对象,提出了基于麻雀搜索算法优化极限学习机(Sparrow Search Algorithm–Extreme Learning Machine,SSA-ELM)的解耦算法.首先,研究了光纤布拉格光栅的传感及测力原理,揭示该三维力传感...     

基于多目标遗传算法的齿轮传动优化

针对某牵引机车齿轮常出现齿面胶合、点蚀等问题,采用遗传算法,以重合度,齿面接触应力和齿根弯曲应力为优化目标,对齿轮的啮合参数进行了优化。为节省计算成本,在齿轮参数化有限元模型仿真计算的基础上,建立了齿面接触应力和齿根弯曲应力的代理模型。结果表明:遗传算法在多维区域内能快速有效的搜索Pareto解集,实现多目标的优化。以优化的结果对齿轮进行重新设计后,经有限元仿真验证,轮齿齿面接触应力及齿根弯曲应力均得到有效降低。     

改进的网格搜索算法在SVM故障诊断中的应用

针对网格搜索法在支持向量机参数寻优时存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法,并将其应用于田纳西-伊士曼过程。实验表明,与改进前的算法相比,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

发动机磨损状态的改进LS—SVM监控研究

介绍最小二乘支持向量机对航空发动机滑油系统铁元素浓度的变化趋势进行预测;并采用遗传算法对最小二乘支持向量机的参数进行优化。通过与时间序列分析的预测结果相比较,仿真实验结果表明：得到的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力。     

基于樽海鞘算法的高校课程质量评价研究

为提高高校课程质量评价的准确度,提出了一种基于樽海鞘算法优化SVM的高校课程质量评价模型。首先,在借鉴现有高校课程质量评价指标体系研究的基础上,从师资队伍、教学条件、教学条件和教学管理等4个方面建立了高校课程质量评价指标体系。其次,将高校课程质量各评价指标得分数据作为SVM的输入向量,课程质量评价水平作为SVM的输出向量,建立高校课程质量评价SVM模型;最后,运用SSA优化SVM模型的惩罚因子和核函数的核宽,建立SSA-SVM的高校课程质量评价模型。与DA-SVM、PSO-SVM、GA-SVM和SVM相比,SSA-SVM可以有效提高高校课程质量评价效果,为高校课程质量教学改进提供新的方法。     

基于X射线图像和激光点云的煤矸识别方法

煤矸高效分选是实现煤炭资源绿色开采的重要手段,其核心技术是煤和矸石的快速精准识别。因此,本文提出了基于X射线图像和激光点云融合的煤矸识别方法。首先,设计了基于局部熵和全局均差加权的改进Otsu分割算法,以此提高X射线图像的分割精度和分割效率;同时,利用直通滤波和体素栅格降采样简化了煤矸激光点云数据,进而提取了X射线图像和激光点云的煤矸组合特征。然后,针对传统麻雀搜索算法(SSA)易陷入局部最优和种群多样性差等问题,提出了多策略改进的SSA算法(ISSA),并用于轻量梯度提升机(LightGBM)参数的寻优,进而设计了基于ISSA-LightGBM的煤矸快速识别模型。最后,搭建了煤矸识别实验平台,开展了相应的实验对比分析,结果表明：ISSA-LightGBM模型的煤矸识别准确达99.00%,综合性能优于其它模型,满足了煤矸高效识别的需求。     

Optimization algorithm for diesel engine operating parameters based on a vehicle driving test cycle

For compliance with stringent exhaust emissions regulations, diesel engines have been equipped with electronically controlled components. Hence, there are various engine operating parameters that must be optimized, however optimization of these parameters is complicated. The objective of this research is to provide a new optimization algorithm for the diesel engine operating parameters with consideration of the vehicle control strategy. To optimize engine operating parameters, the concept of the vehicle-based optimization has been introduced. The engine response functions for performance and emissions were determined using the design of experiments, the response surface method and regression method with various engine operating parameters. Then, the engine operating points of the vehicle during the test cycles were analyzed, and the fuel consumption and emissions were estimated. Consequently, the engine operating parameters at each operating point were optimized to reduce the fuel consumption and the emissions such as NOx and PM by using the gradient method. Moreover, a new optimization algorithm enables to optimize engine operating parameters in various test cycle without additional engine experiment.     

Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection

— Ball valve is a key fluid control equipment used extensively in oil and gas pipelines. The online detection and failure diagnosis of the internal leakage of the ball valve is of great significance to ensure the safety operation of natural gas transmission pipelines. This paper proposes a prediction method of the internal leakage rate and a diagnosis method of the failure mode of the buried pipeline ball valve based on valve cavity pressure detection. Firstly, the valve cavity pressure signal generated by the internal leakage of the ball valve is detected by the pressure sensor, and the valve cavity pressure signal is denoised by wavelet threshold denoising. Then, the back propagation (BP) neural network has the disadvantage of unstable learning ability, so the BP neural network is optimized by chaos sparrow search optimization algorithm (CSSOA-BP). Finally, the prediction model of the ball valve internal leakage rate and the diagnosis model of the ball valve failure mode are established by using CSSOA-BP neural network and the characteristic parameters of the valve cavity pressure signal. To verify the performance of the prediction model and the diagnosis model of CSSOA-BP neural network, the predictive results and diagnostic results are compared with those of the sparrow search algorithm optimization BP (SSA-BP) neural network and BP neural network. The experimental results show that the maximum prediction error of CSSOA-BP neural network is the smallest, which is 13.6%. The accuracy of the diagnostic results of CSSOA-BP neural network is the highest, which is 83.3%. It indicates that the proposed method can achieve better predictive results of the ball valve internal leakage rate and more accurate diagnostic results of the ball valve failure mode.     

特征选择与支持向量机参数同步优化研究

提出了免疫多向二进制粒子群优化算法。基于该算法实现了特征选择与支持向量机参数的同步优化,克服了单独优化特征或单独优化支持向量机参数的缺陷。既解决了特征与分类器不匹配带来的诊断能力下降,又提高了故障诊断精度与搜索速度。