基于CSO-SVM的轴承健康状态评估研究

支持向量机是基于统计学理论的机器学习算法,在解决高维、局部极值和结构选择问题中具有优势,广泛应用于数据发掘中。但是其核宽度和惩罚因子的选择直接关系到支持向量机分类结果。针对上述问题,可采取优化算法对该参数进行优化,达到提高支持向量机的分类精度的目的。鸡群优化算法是近年新提出来的一种全局优化算法,具备结构清晰,全局搜索能力优等优点,在优化问题中得到广泛应用。基于此,提出一种基于鸡群优化的支持向量机模型（CSO-SVM）的健康状态评估方法,并应用在轴承健康状态评估领域中。结果表明,基于CSO-SVM的轴承健康状态评估精度达到97%,明显优于基于传统机器学习模型的健康状态模型的评估精度,具有更好的健康状态识别效果。     

基于优化组合隶属函数的火箭炮作战效能评估

针对单一隶属度函数会发生隶属度突变问题,提出基于优化组合隶属函数的方法。利用各种隶属函数的评价信息,对多种单一隶属函数的评价信息进行优化组合;以某型火箭炮的作战效能评估需求作为研究背景,建立效能底层指标体系,并运用优化组合隶属函数方法进行定性分析和定量计算,实现对火箭炮作战效能的模糊综合评判。结果表明：该方法能够提高评价结果的准确性,对部队开展实战化训练具有重要参考价值。     

基于GASA-BP-BiLSTM的轴承故障预测研究北大核心

基于BP神经网络收敛速度慢,在预测时易陷入局部极小值陷阱的问题,提出一种基于GASA-BP的预测方法,GA和SA协同优化BP神经网络,使得GASA-BP预测模型同时具备较强的全局搜索能力和跳出局部最优解的能力。BiLSTM是LSTM的一种特殊形式,BiLSTM充分考虑了时间序列数据前后节点之间的相关性,有效提取信号中的时间特征,具有更优秀的分类能力。基于此,提出一种基于GASA-BP-BiLSTM的故障预测模型,并应用于轴承的故障预测中,该模型不仅能够预测出轴承中是否存在故障,还能检测出潜在的故障类型,兼具了预测和故障诊断的优点。