膝关节声发射信号的统计分析与模式识别

为了实现膝关节声发射信号的动态分析和模式识别,以膝关节在坐-立-坐运动的不同阶段产生的声发射信号为研究对 象,进行主成分分析、差异性检验和基于支持向量机的分类测试。 声发射特征参数经过线性变化提取为 2 个主成分;对膝关节 在两个运动阶段产生的声发射信号进行差异性检验,渐进显著性健康组主成分 F1<0. 05、主成分 F2 >0. 05,对照组均小于 0. 05; 支持向量机对膝关节声发射信号的分类准确率达到了 97. 9%。 结果表明,主成分分析的方法能够对膝关节声发射信号成功降 维,对降维后的信号进行差异性检验和诊断识别发现患病膝关节的不同运动阶段存在更为明显的差异,支持向量机的方法能够 对膝关节骨性关节炎做出准确的诊断识别。     

基于 SSA-SVM 的海杂波背景下小信号检测方法

针对传统检测方法不能有效地从强混沌背景噪声中检测出小信号,本文研究了强杂波背景下小目标检测原理,提出了一种基于SSA-SVM的混沌小信号检测方法。利用麻雀搜索算法优化SVM惩罚参数C与核函数参数σ提高预测准确性,从而降低检测门限,提高检测率。在Lorenz混沌系统中加入目标信号进行仿真,结果表明：提出的方法能有效地从强混沌背景噪声中检测出小信号,瞬态小信号预测的均方根误差为0.000 434 3(信噪比为-137.707 3 dB),比传统SVM算法预测信号的均方根误差0.049(信噪比为-54.60 dB)降低了两个数量级。利用IPIX雷达实测海杂波数据,对所提方法进行实验验证,进一步说明了该方法的有效性。     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

ISSA优化SVM的电机滚动轴承故障诊断

针对电机轴承易发生故障,传统故障诊断方法具有耗时长、诊断精度低、调节参数多等问题,提出一种改进麻雀搜索算法ISSA优化支持向量机SVM的轴承故障诊断方法。该分类算法在传统麻雀寻优算法中引入改进Tent混沌映射、鸡群算法随机跟随策略、自适应t分布与动态选择策略,首先采用CEEMDAN能量熵对振动信号进行分解,选取与原信号相关性最大的5个IMF分量的能量熵值作为特征向量,然后输入到ISSA SVM分类器中进行轴承故障诊断。分别与PSO SVM、GWO SVM、SSA SVM分类模型进行实验对比,结果表明ISSA SVM诊断模型的诊断精度最高可达到100%。     

基于声发射检测的滑动轴承状态诊断实验研究

首先通过理论计算得出了不同润滑参数下,滑动轴承声发射信号能量的大小,然后通过在300 MW汽轮发电机组模拟转子试验台上模拟工程实际中滑动轴承的两类常见异常工况,利用小波分析和传统的傅立叶变换对得到的滑动轴承声发射信号进行分析处理,提取了轴承声发射信号的特征参数,并得到了滑动轴承不同运行状态下的声发射信号特征参数变化规律,同时也验证了理论分析结果。     

基于最小二乘支持向量机的传感器动态系统辨识方法

在介绍和比较标准支持向量机(SVM)和最小二乘支持向量机(LS-SVM)原理的基础上,提出了一种利用LS-SVM模型进行传感器动态系统辨识的方法,并给出了相应的过程和算法.与标准SVM模型比较,该方法优点是明显的:(1)用等式约束代替标准SVM算法中的不等式约束;(2)将求解二次规划问题转化为直接求解线性矩阵方程,使得在相同条件下,系统辨识速度提高1～2个数量级,辨识误差降低50%.因此,LS-SVM模型速度快,抗噪声干扰能力强,更适合传感器动态系统建模.     

声发射监测分析系统的研究与实现

基于LabVIEW^TM 7．1开发了一套适用于铁碳合金材料焊接裂纹监测分析的声发射监测系统,并对不同材质和不同焊接工艺条件下的焊接接头的AE信号进行了采集和分析,发现／证实了一些对深入研究焊接裂纹AE的形成机理具有重要意义的现象和规律。     

声发射无线传感器网络技术在GIS类设备击穿定位中的应用研究

介绍了一种基于声发射无线传感器网络技术的GIS类设备缺陷故障击穿定位方法,该方法克服了传统击穿定位方式易受环境干扰、定位误差大及危及人员和设备安全的诸多缺点。该系统在500 kV GIS工频耐压试验和1 000 kV GIS雷电冲击试验中均得以成功应用,是一种新型、安全、便捷及有效的GIS类设备击穿定位方法。     

基于声发射技术的离心泵空化状态监测系统研究

采用LabVIEW设计开发了一套用于离心泵空化状态监测的声发射信号采集与分析系统。通过该系统采集离心泵运行时的声发射信号,对其进行适当的特征提取,分析典型特征参数的变化趋势。应用研究结果表明,该系统能有效地根据声发射信号的特征参数变化情况辨识离心泵的空化状态,实现空化性能监测的目的。     

基于SOA-SVM的弓网电弧识别方法

受电弓-接触网作为牵引供电系统的重要组成部分关系着高速列车的安全与稳定,及早的对弓网电弧进行识别对于保障列车稳定运行具有十分重要的意义。通过计算更符合列运实际的“Z”字摩擦速率并对列车的运行时速、接触压力及接触电流依次进行单变量调整,模拟了4种不同工况的弓网受流实验。基于实验数据,从特征供给和参数优化两方面出发：首先,利用D-score评估准则对电流特征进行对比,筛选出电弧识别特征及其显著区间;其次,设计样本定容环节考察特征信息的完备性;最后,利用海鸥算法(seagull optimization algorithm, SOA)优化支持向量机(support vector machine, SVM)对弓网电弧建模识别。经测试结果与对比分析得出,SOA-SVM能够快速、有效的对弓网电弧建模识别,平均识别水平达98.5%、总体识别水平在97%以上。     

基于BGSA算法的SVM分类模型设计研究

为了设计性能更优的支持向量机（SVM）分类模型,对影响其分类性能的参数和样本特征子集进行优化选择,对支持向量机理论和万有引力搜索算法（GSA）进行了研究,提出了一种基于二进制万有引力搜索算法（BGSA）的支持向量机分类模型构建方法,能够对影响支持向量机分类性能的相关参数及有效样本特征子集同时进行优化选择,获得最优组合解,并通过实验对其有效性进行了对比分析和验证。实验结果表明,所提出的BGSA-SVM分类模型能够有效提高支持向量机的分类性能,可进一步推广到工程实际中应用。     

基于KPCA和SVM的直升机旋翼桨叶损伤源定位

直升机旋翼桨叶在飞行过程中极易发生疲劳损伤,为了解决桨叶损伤源定位问题,构建了桨叶损伤监测及定位系统。通过核主成分分析(KPCA)对损伤源的声发射信号进行特征提取,结合支持向量机(SVM)及其回归功能对旋翼桨叶模型损伤源进行定位。使用特征提取后的参数区域损伤定位精度达到100%,回归分析平均误差率4.06%,均优于使用原始数据进行定位,因此该方法能够有效实现直升机旋翼桨叶损伤源定位,并且减少了输入数据的维数,降低了计算量。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

基于SVM的葛根素提取软测量系统的设计

针对超声波高效率提取植物根茎类药材活性成分含量难以实时在线检测的问题,采用基于粒子群算法和支持向量机相结合的软测量建模方法。通过对辅助变量的测量来建立软测量预测模型,从而估计和推断待测量变量的值,并利用单片机进行辅助变量的数据采集和处理、软测量模型的计算及建立和模型的硬件实现,从而实现了对超声波提取植物根茎类药材葛根素的在线测量。与目前采用紫外分光光度计分时离线取样进行检测相比,该方法克服了无法直接得到提取率测量值、离线测量工作量大等缺点,具有实时性好、测量精度较高(测量相对误差控制在3%以内)和响应速度快等特点。     

Selective integration of local‐feature detector by boosting for pedestrian detection

An example‐based classification algorithm for pedestrian detection is presented. The classifier integrates component‐based classifiers according to the AdaBoost algorithm. A probability estimate by a kernel‐SVM is used for the outputs of base learners, which are independently trained for local features. The base learners are determined by selecting the optimal local feature according to sample weights determined by the boosting algorithm with cross‐validation. Our method was applied to the MIT CBCL pedestrian image database, and 54 subregions were extracted from each image as local features. The experimental results showed a good classification ratio for unlearned samples. © 2011 Wiley Periodicals, Inc. Electr Eng Jpn, 177(4): 12–22, 2011; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.21195     

基于LS-SVM逆系统方法的传感器非线性校正方法研究

针对传感器存在的非线性问题,提出了一种基于逆系统方法的非线性校正方法。通过最小二乘支持向量机方法构造传感器的右逆系统,并与原系统串联,完成传感器的非线性校正。该方法不依赖于传感器的数学模型,鲁棒性较强。仿真结果证明该方法的有效性和优越性。     

传感器非线性校正的遗传支持向量机方法

针对传感器非线性校正中现有的较为常用的神经网络法的不足和支持向量机参数难确定的问题,提出了一种遗传算法和支持向量机相结合的方法,阐述了支持向量机的非线性校正原理和遗传算法优化支持向量机参数的实现过程,并分别采用BP神经网络法和遗传支持向量机方法对压力传感器进行非线性校正.实验结果表明: BP神经网络法使得传感器的最大相...