SVM技术与ANN方法对旋转机械故障诊断性能的比较

论述了基于支持向量机故障诊断技术的基本原理;介绍了传统的基于人工神经网络的故障诊断方法;以旋转机械故障诊断为例对两种诊断方法进行了比较,实验结果表明,与神经网络相比,基于支持向量机的故障诊断方法在训练速度、诊断精度、可靠性等方面都表现出了优越的诊断性能。     

多通道信息融合技术在故障诊断中的应用

目前的轴承故障诊断中,较多的是对单传感器信号的处理,不能充分利用多传感器测量得到的大量有价值信息.针对这一问题,本文提出了一种信息融合模型.该模型通过设置不同传感器的权重值来融合多个传感器的信号,以达到充分利用传感器信息的目的.通过一个轴承故障诊断的例子,证实本模型具有实现简单、准确率高的优点,在轴承故障诊断中具有一定...     

V参数SVM在烟气轮机故障诊断中的应用

烟气轮机机组是利用余热发电的原理回收高温热能再生电能,但是由于多方面的原因,烟气轮机机组时常发生故障,对生产的经济性和安全性造成巨大损失。为了保障设备正常运行,对设备进行实时监测,及时判断故障发生的可疑点,减少故障发生的频率,同时保护环境,采用对原始信号的3层小波分解,提取信号的特征向量,再采用C-SVC和V参数支持向量机二种方法进行分类实验,得到V参数的支持向量机分类效果最佳。     

基于CNN-SVM性别组合分类的单通道语音分离

实际语音分离时,混合语音的说话人性别组合相关信息往往是未知的。若直接在普适的模型上进行分离,语音分离效果欠佳。为了更好地进行语音分离,本文提出一种基于卷积神经网络-支持向量机（CNN-SVM）的性别组合判别模型,来确定混合语音的两个说话人是男-男、男-女还是女-女组合,以便选用相应性别组合的分离模型进行语音分离。为了弥补传统单一特征表征性别组合信息不足的问题,本文提出一种挖掘深度融合特征的策略,使分类特征包含更多性别组合类别的信息。本文的基于CNN-SVM性别组合分类的单通道语音分离方法,首先使用卷积神经网络挖掘梅尔频率倒谱系数和滤波器组特征的深度特征,融合这两种深度特征作为性别组合的分类特征,然后利用支持向量机对混合语音性别组合进行识别,最后选择对应性别组合的深度神经网络/卷积神经网络（DNN/CNN）模型进行语音分离。实验结果表明,与传统的单一特征相比,本文所提的深度融合特征可以有效提高混合语音性别组合的识别率;本文所提的语音分离方法在主观语音质量评估（PESQ）、短时客观可懂度（STOI）、信号失真比（SDR）指标上均优于普适的语音分离模型。     

层次支持向量机在数字电路故障诊断中的应用

针对在数字电路故障诊断过程中存在的样本不平衡度严重的问题,采用层次式支持向量机实现对其故障诊断,通过考虑各类样本的数据量来构造以支持向量为叶节点的树,该方法可有效地解决样本不平衡所带来的问题,同时能够减少计算SVM分类器的个数,提高了训练和诊断速度及准确率.针对故障样本集不可能覆盖所有故障状态而出现的未知故障状态的问题...     

HMM-SVM混合模型在模拟电路故障诊断中的应用

针对单一的隐马尔科夫模型(HMM)或支持向量机(SVM)在模拟电路早期的软故障中识别率不高的特点,将HMM-SVM混合模型应用到模拟电路早期的软故障识别中。首先通过主成分分析(PCA)将原始数据样本降维实现初步划分;接着利用HMM计算测试样本与各故障状态的匹配程度形成特征向量;最后由SVM做故障状态判别。实验结果表明,HMM-SVM混合模型的早期故障识别率优于单一的HMM或SVM模型,将平均故障识别率提高到95%以上。     

基于S变换和卷积神经网络的滚动轴承故障诊断

针对传统方法在机械故障诊断时存在特征提取困难、分类器训练复杂等问题,提出了一种基于S变换和卷积神经网络(CNN)的滚动轴承故障诊断方法.首先,将轴承的原始数据经过S变换得到时频图,再通过CNN进行二次特征提取.然后,通过分类器对故障进行分类,并对滚动轴承进行故障诊断.实验结果表明,相比长短时记忆网络、CNN和支持向量机,该方法的诊断准确率更高且稳定性也较好.     

改进的SVM算法及其在故障诊断中的应用研究

介绍了支持向量机用于解决模式分类问题的基本原理,在对传统的多分类方法OVO（one—versus—one）深入分析的基础上,针对其存在的不可分类区问题,提出了一种改进的模式分类方法KSVM（KNN—SVM）,将k-近邻方法嵌入到SVM算法中解决不可分类区问题,进一步提高了分类准确率。应用KSVM分类方击进行模拟电路的故障诊断,实验结果验证了该方法的有效性和实用性。     

独立成分分析在电磁攻击中的应用

电磁泄漏曲线的对齐与有效点的选取是信息安全的重要研究方向.针对曲线过偏移的问题, 提出了一种新的曲线对齐方法——双峰式相关对齐法.在有效抑制曲线过偏移的同时, 实现了曲线的精确对齐通过独立成分分析(Independent Component Analysis, ICA)方法实现了有效点的选取.通过对电磁泄露曲线求得未知的源信号, 由源信号作为特征点进行分类分析.分别采用ICA、主成分分析(Principal Components Analysis, PCA)、PCA-ICA、ICA-PCA四种方法对数据进行了降维处理.通过支持向量机(Support Vector Machine, SVM)对降维后的数据进行分类对比, 最终得出:在10~100维范围内, PCA-ICA的分类效果最佳, ICA其次, 而ICA-PCA的效果最差; 在100~900维的范围内, PCA与ICA-PCA分类效果随着维度的增加几乎呈直线趋势增加.     

组合核相关向量机在变压器故障诊断中的应用

文章对组合核学习和组合核核参数优化进行了研究,提出了基于K折交叉验证和遗传算法相结合的核函数参数优化方法,对MKL-RVM进行了优化。在此基础上,尝试将MKL-RVM应用于油浸式电力变压器故障诊断,以融合蕴含变压器运行状态的多种特征信息,从而提高诊断正确率。该方法同样可以输出变压器为各种状态的概率,为变压器的检修提供更多的可用信息。     

基于SVM算法的真空断路器永磁机构故障诊断方法

永磁操动机构作为新式真空断路器常用的操动机构,其运行状态决定真空断路器的性能,因此有必要对永磁操动机构进行故障诊断研究。本文以ZW45-12型永磁机构真空断路器为研究对象,对真空断路器永磁机构行程曲线进行特征参数分析,选择断路器启动时间、动作时间、刚分合速度、分合闸平均速度等四个参数作为诊断特征参数;基于断路器分合闸实验数据,对比常用的故障诊断算法,结果表明SVM算法性能最优;基于Spark平台搭建使用SVM算法的永磁机构故障诊断模型,并通过不断调整SVM算法的惩罚参数C和核函数kernel,对诊断模型进行优化。优化的SVM故障诊断模型对永磁机构回路电阻增大、机构卡涩及分闸弹簧单根脱落故障诊断精确率均在90%以上,分闸弹簧单根脱落故障诊断准确率可达96%,可以满足永磁机构故障诊断精度需求。研究结果为永磁机构的故障诊断提供参考。     

基于支持向量机和振动场的故障诊断方法

故障样本量是制约智能故障诊断发展的关键因素之一,然而实践中往往难以获取充足的故障样本。支持向量机是一种新型的机器学习和模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出优越的性能。本文将欧氏距离分类引入到支持向量机解决支持向量机多类分类问题,提出了基于支持向量机和振动场的故障诊断方法。实验结果表明,该方法在故障诊断上计算速度和准确度令人满意,为类似的研究提供了借鉴意义和参考。     

基于SVM和遗传算法的变频器故障诊断研究

提出一种基于遗传算法和支持向量机的故障诊断模型.该模型采用故障识别中的分类效果作为遗传算法中的适应度函数对故障信号进行特征提取和选择,得到更能反映故障类别的特征,作为识别特征输入多类支持向量机的输入,实现不同类别故障的识别.将该模型应用于变频器功率变换主电路的故障诊断.仿真结果表明,经过遗传算法提取的特征在保持分类精度的基础上,提高了变频器故障识别的效率.     

基于改进型深度数据流形的数据分类算法及在人脸中的应用

针对数据分类问题的局限,提出一种基于改进型深度数据流形的数据分类算法并将其应用到人脸识别中。首先,通过采集人脸图像的深度信息,利用稀疏表示对其进行去噪处理;再结合图像的颜色信息,重新生成三维人脸信息数据库,通过对人脸数据的流形分析得到最优的降维结果,按十字十乘交叉验证法的原则选取训练集和测试集,将训练集输入支持向量机算法建立数据分类器;最后,将测试集输入训练完成的分类器中,实现人脸数据分类。选取ORL,Yale两类人脸图像标准数据库与传统人脸识别算法进行交叉对比实验,验证算法的优越性和可行性。实验结果表明：所提出的算法有较高的分类准确率,可有效地完成人脸识别。     

核卷积神经网络研究与应用

利用核函数非线性映射的优势,结合卷积神经网络算法,提出一种基于核卷积神经网络（Kernel-Convolutional Neural Network , Kernel-CNN）的新的网络学习模型。该方法首先对数据预处理,其次利用核卷积神经网络对数据进行特征提取,最后,构建softmax分类器对数据进行分类。本网络将非线性映射引入卷积过程构成核卷积过程,通过核卷积过程进一步增强模型的特征提取能力,在MNIST手写数字库以及美国麻省理工学院提供的MIT-BIH心律失常数据库上实验验证,本文模型正确率分别为98.5%、97%,均较好于卷积神经网络和支持向量机,且本文模型具有较小的LOSS值。      

粗糙集和支持向量机在复杂电路系统诊断中的应用

为了解决复杂电路系统故障样本少、特征信息冗杂的问题,提出了一种基于粗糙集属性约简理论和支持向量机分类方法相结合的故障诊断方法.首先采用粗糙集约简故障模式库中的冗余特征属性和矛盾样本,然后提取最简故障特征模式作为支持向量机的学习样本,通过样本训练使构建的支持向量机多分类器能够快速实现故障诊断的目的.最后,通过仿真算例验证了该方法在小样本故障识别上的有效性和可行性.     

小波神经网络在故障诊断中的应用

介绍小波神经网络的发展和基本原理.在此基础上,详细分析和推导了两种小波神经网络的结构和算法,使其把小波变换和神经网络有机地结合起来,充分继承两者的优点.重点阐述对小波神经网络进行的改进,即动量项的引入,证明了动量项的引入在一定程度上解决了局部极小的问题,并对小波神经网络在故障诊断中的应用研究现存的几个问题和未来的发展进行了深入的探讨.     

利用SVM的聚类算法在时间序列信号识别中的应用

研究了一维时间序列信号识别的问题.针对基于混合高斯模型的隐马尔科夫(HMM)编码准确率低的问题,提出了一种利用多个支持向量机构造混合支持向量机,从而为隐马尔科夫模型提供更精确的观测值编码和发生矩阵,能有效的提高HMM在语音信号识别或者文字识别中的准确率.本方法可以应用到语音识别,文字识别以及生物信息处理等领域.     

智慧煤矿下的设备故障诊断

本文介绍了支持向量机等传统机器学习方法以及神经网络等方法进行基于数据驱动的故障诊断技术的应用,并从准确率和时延等方面探讨其优劣。研究结果表明,基于数据驱动的故障诊断技术能够有效提高诊断准确率,并且较传统物理故障诊断方法具有更短的时延,因此具有较高的应用价值。未来的研究方向可以是结合机器学习和物理模型等多种方法,探索更为高效、准确的故障诊断技术。