基于改进LSSVM算法的数控机床热误差建模研究

为了提高数控机床热误差的预测精度,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据克服数控机床误差的耦合性;然后采用最小二乘支持向量机对分解后的信号做预测,接着用误差校正方式修正预测结果;最后通过实验数据对比分析得到,基于提升小波的最小二乘支持向量机(LWT-LSSVM)法比最小二乘支持向量机(LSSVM)法的建模预测精度高8.51%,证明此建模方法有效可行。     

基于最小二乘支持向量机的疲劳裂纹扩展预测

根据腐蚀疲劳裂纹在扩展过程中受到多种环境因素影响,裂纹扩展预测难精确的特点,本文提出了基于遗传算法参数优化的最小二乘支持向量机方法来预测结构腐蚀疲劳裂纹扩展。该算法采用遗传算法优化最小二乘支持向量机的模型参数,从而避免了算法陷入局部最优解,实现了精确度高、泛化能力强的裂纹扩展预测模型。最后通过对已有文献的某试件裂纹扩展的实验数据进行建模分析。结果表明:基于遗传算法的最小二乘支持向量机预测方法优于神经网络算法、蚁群算法,预测误差较小,具有很好的预测能力。     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

发动机系统可靠性最小二乘支持向量机分析

准确分析系统可靠性,对于评估产品性能和制定维修策略起着至关重要的作用.采用单步前向预测方式,提出了基于最小二乘支持向量机分析发动机系统可靠性的方法.通过对比最小二乘支持向量机和三种神经网络方法的预测效果,验证了算法的有效性,实验结果表明最小二乘支持向量机能够提供较好的预测精度.在可靠性寿命分析中,为了提高分析的准确性和效率,通过程序化的方法绘制了威布尔概率纸,自动获取相关参数,并对比分析了最小二乘支持向量机预测结果与实际数据对发动机系统可靠性指标的影响,结果显示最小二乘支持向量机能够提供较准确的结果,可以作为系统可靠性分析的一种新方法.     

核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

基于最小二乘支持向量机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法，并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中，仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力，同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。     

2Cr13不锈钢高速铣削表面粗糙度预测模型研究

针对汽轮机叶片常用钢2Cr13不锈钢在切削加工中表面质量存在的问题,对高速铣削条件下2Cr13不锈钢表面粗糙度预测模型进行了研究。将最小二乘支持向量机原理应用到高速铣削2Cr13不锈钢的表面粗糙度预测建模中。得出的模型能方便地预测铣削参数对表面粗糙度的影响,并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值。经试验验证,应用最小二乘支持向量机原理建立的粗糙度预测模型回归预测精度高。基于最小二乘支持向量机原理建模方法适合于表面粗糙度预测。     

LSSVM的特征选择算法在烧结过程的应用

炼铁厂的烧结过程是一个复杂的多变量、非线性的物理和化学过程,为了更好地对烧结过程进行建模,在研究最小二乘支持向量机和特征选择的基础上,提出了最小二乘支持向量机的特征选择算法。首先,利用最小二乘支持向量机对烧结样本数据的每一个特征进行训练和预测,记录其预测精度;然后,将样本特征按预测精度排序;最后,按新的特征顺序,逐个递增特征个数对样本数据进行训练和预测。烧结数据的实验结果显示,LSSVM的特征选择算法具有计算的高效性和预测的高精度两优势,证明所提算法的有效性。在所有的特征上对烧结数据进行拟合实验,对比经典SVM、最小二乘和神经网络算法的实验结果,LSSVM可以用很少的时间,得到很理想的拟合效果。     

基于LSSVM的直线电机进给定位误差补偿研究

误差补偿是提高机械加工精度的有效途径,在分析测试数控直线电机进给定位精度的基础上,提出基于最小二乘支持向量机的直线电机进给定位精度误差回归建模和预测方法.最小二乘支持向量机具有完备的统计学习理论基础和学习功能,它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来误差.采用径向基核函数的最小二乘支持向量机对不同速度加速度下的定位误差进行了预测,并进行误差补偿.研究结果表明,采用LSSVM的方法可以较大地提高直线电机进给的定位精度.     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

电站锅炉燃烧系统案例推理自适应寻优方法及应用研究

以提升火电机组调峰调频灵活性,促进可再生能源消纳为目标,针对某火电机组运行过程中燃烧稳定性、经济性等问题展开研究。采用自适应遗传算法优化核函数参数和正规化参数,建立最小二乘支持向量机(LS-SVM)锅炉燃烧过程模型。在建立模型的基础上,采用自适应遗传算法离线建立优化案例库。进而从便于工程应用角度提出一种基于案例推理(CBR)寻优方法,结合主、客观因素利用遗传算法优化案例推理特征权重,提高了检索精度,并自适应地从庞大的案例库中检索出与目标案例相匹配的案例。应用CBR自适应寻优算法,在保证机组稳定燃烧的同时,兼顾锅炉燃烧效率和NO_x排放浓度,合理给出二、三次风门挡板开度指令及氧量定值,实现锅炉稳定经济燃烧。将系统整体运用到某350 MW燃煤发电机组,简化了优化计算的过程,寻优时间短,稳定性高,适合在线实时寻优。     

基于组合模型的悬浮间隙传感器齿槽效应补偿

齿槽效应是影响高速磁浮列车悬浮控制系统稳定性的重要因素,分析了悬浮间隙传感器齿槽效应产生机理,提出采用组合预测的方法建立传感器齿槽特性逆模型进行齿槽误差补偿,根据传感器齿槽特性分别建立RBF神经网络和LS-SVM齿槽补偿系统模型,通过齿槽位置检测线圈提供的补偿参考信号对传感器进行齿槽误差补偿。仿真结果表明组合模型能够较好地拟合齿槽逆特性,组合补偿模型的输出不受齿槽位置的影响,全量程最大误差为0.09 mm,在工作间隙范围内误差小于0.06 mm,且组合模型的补偿误差优于单一RBF或LS-SVM补偿效果,该方法可以有效地消除齿槽效应并提高传感器的检测精度,补偿后的传感器能够满足高速磁浮车悬浮控制系统运行要求。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

基于KPCA-SVC的复杂过程故障诊断

本文提出了一种将核主元分析方法与支持向量机分类相结合进行故障诊断的方法,运用该方法对连续搅拌釜式反应器（CSTR）进行实时的故障诊断,实验结果表明KPCA-SVC故障诊断方法既充分利用了KPCA的特征提取能力和SVC的良好的分类能力,又避免了复杂的计算,有利于提高故障诊断模型的实时性。     

EMD- and SVM-based temperature drift modeling and compensation for a dynamically tuned gyroscope (DTG)

In this paper, support vector machine (SVM) is described and applied in the temperature drift modeling and compensation to reduce the influence of temperature variation on the output of dynamically tuned gyroscope (DTG) and to enhance its precision. To improve the modeling capability, empirical mode decomposition (EMD) is introduced into the SVM model to eliminate any impactive noises. The real temperature drift data set from the long-term measurement system of a certain DTG is employed to validate the effectiveness of the proposed combination model. The modeling and compensation results indicate that the proposed EMD-SVM model outperforms the neural network (NN) and single SVM models, and is feasible and effective in temperature drift modeling and compensation of the DTG.     

Prediction on building vibration induced by moving train based on support vector machine and wavelet analysis

Building vibration prediction induced by moving train can indicate the degree of vibration influence by moving train. With the prediction results, the corresponding measurements can be used to reduce the influence of vibration. To obtain an accurate prediction result, support vector machine (SVM) is used in this paper. Since the error in the recorded data affects the prediction performance of SVM obviously, wavelet analysis is adopted to filter the input data. The prediction model based on SVM and wavelet analysis is validated by the data of field experiments. The results show that the prediction model can provide a good performance compared with the measured values.     

Hybrid model based on Preisach and support vector machine for novel dual-stack piezoelectric actuator

This paper presents a hybrid model for piezoelectric actuators (PAs), which accounts for hysteresis and dynamic effects. The hybrid model is based on discrete Preisach model and Support Vector Machine (SVM). The Preisach model is generally implemented using a numerical technique basing on the first-order reversal curves (FORCs). The accuracy of the Preisach model mainly depends on the number of FORCs. However it is generally difficult to achieve enough number of FORCs in practice. In order to promote the modeling efficiency, firstly in Preisach modeling process, the storage method of prehistory and interpolation approach of output are improved; then SVM is employed in the work to circumvent the deficiency of the Preisach model resulting from the lack of FORCs, which produces a hybrid model based on the improved Preisach model and SVM. This hybrid model is implemented in calibration of a piezoelectric stack actuator and validated experimentally. Finally, a novel dual-stack PA is introduced and calibrated with this hybrid model. The results demonstrate that the presented hybrid model possesses the advantages both of SVM and Preisach model. In comparison with pure Preisach model, the hybrid model has higher accuracy and is easier to be obtained without increasing the number of FORCs. In addition, the inverse model for PA is derived from the hybrid model, which can be employed in active vibration control of structures.