基于软测量的球磨机优化控制方法

针对球磨机控制的难点和不足,提出了一种基于料位软测量技术的球磨机优化控制方法.首先,在分析球磨机系统特性和振动特性的基础上,确定了料位软测量的辅助变量.其次,基于最小二乘支持向量机算法,给出了一种球磨机料位软测量方法,并通过现场实测数据进行料位检测,结果表明该软测量方法的精度较高;最后,在料位软测量的基础上,提出了一种...     

基于最小二乘支持向量机的车牌字符特征分类研究

最小二乘支持向量机是一种新的有效的机器学习算法。论文介绍了最小二乘支持向量机模型,研究了最小二乘支持向量机算法和经典的多类分类算法,提取车牌字符的奇异值特征,将奇异值系数特征作为最小二乘支持向量机的输入进行训练和分类。实验采用 LS‐SVM 工具箱,得到了较好的结果。     

基于T-S模糊模型的球磨机料位测量研究

针对采用振动法测量球磨机料位时,振动信号和料位之间存在非线性和时变性,采用传统方法存在测量精度低、稳定性差的问题,提出基于T-S模糊模型的球磨机料位表示和测量的方法.首先利用减法聚类对振动信号的功率谱特征值进行模糊前件辨识,确定模糊概念和规则数;再用最小二乘估计辨识后件参数;最后,利用模糊推理方法实现球磨机料位的软测量.在小型球磨机上的试验结果验证了T-S模糊模型对球磨机料位测量的有效性,与传统方法相比,T-S模糊模型方法具有测量精度高、稳定性好的特点.     

一类非平坦函数的多核最小二乘支持向量机的鲁棒回归算法

给出了标准最小二乘支持向量机的数学回归模型,并提出了多核最小二乘支持向量机算法,用于提高非平坦函数的回归精度.运用谱系聚类方法解决多核最小二乘支持向量机的解缺乏稀疏性的问题.利用偏最小二乘回归方法对多核最小二乘支持向量机进行了鲁棒回归.通过仿真实例证实了所提方法的有效性.     

基于MFCC和RBM的料位软测量北大核心CSCD

球磨机是应用于磨矿过程的关键设备,可靠测量其料位对实现优化控制和节能降耗具有重大意义。针对球磨机振声信号存在非线性及其梅尔频率倒谱系数(MFCC)存在不相关信息等问题,提出了一种基于MFCC、受限玻尔兹曼机(RBM)和支持向量回归(SVR)的软测量方法。首先对振声信号计算MFCC特征,然后采用RBM对MFCC进行特征提取,以减弱噪声和提高模型精度,最后将提取的特征输入支持向量机进行回归。实验结果表明该模型的有效性和可行性。     

一种快速稀疏最小二乘支持向量回归机

将Jiao法直接应用于最小二乘支持向量回归机上的效果并不理想,为此采用不完全抛弃的策略,提出了改进的Jiao法,并将其应用于最小二乘支持向量回归机.数据集测试的结果表明,基于改进Jiao法的稀疏最小二乘支持向量回归机,无论在支持向量个数和训练时间上都取得了一定的优势.与其他剪枝算法相比,在不丧失回归精度的情况下,改进的Jiao法可大大缩短训练时间.另外,改进的Jiao法同样适用于分类问题.     

用SVM和LS-SVM分析变压器故障诊断

介绍并比较了支持向量机分类器和最小二乘支持向量机分类器的算法,提出了基于支持向量机的二叉树多分类变压器故障诊断模型.将标准支持向量机(C-SVM)分类器和最小二乘支持向量机(LS-SVM)分类器分别用于变压器故障诊断,通过网格搜索和交叉验证法取得支持向量机的参数,准确率较高.试验结果表明,支持向量机和最小二乘支持向量机在变压器故障诊断中具有很大的应用潜力.     

基于压缩感知的多尺度最小二乘支持向量机

提出一种基于压缩感知(Compressive sensing, CS)和多分辨分析(Multi-resolution analysis, MRA)的多尺度最小二乘支持向量机(Least squares support vector machine, LS-SVM). 首先将多尺度小波函数作为支持向量核, 推导出多尺度最小二乘支持向量机模型, 然后基于压缩感知理论, 利用最小二乘匹配追踪(Least squares orthogonal matching pursuit, LS-OMP)算法对多尺度最小二乘支持向量机的支持向量进行稀疏化, 最后用稀疏的支持向量实现函数回归. 实验结果表明, 本文方法利用不同尺度小波核逼近信号的不同细节, 而且以比较少的支持向量能达到很好的泛化性能, 大大降低了运算成本, 相比普通最小二乘支持向量机, 具有更优越的表现力.     

一种稀疏最小二乘支持向量分类机

一般的支持向量分类机需要求解二次规划问题,最小二乘支持向量机只需求解一个线性方程组,但其缺乏稀疏性.为了改进最小二乘支持向量分类机,本文结合中心距离比值及增量学习的思想提出一种基于预选、筛选支持向量的稀疏最小二乘支持向量机.该方法既能弥补最小二乘向量机的稀疏性,减少计算机的存储量和计算量,加快最小二乘支持向量机的训练速度和决策速度,又能对非均衡训练数据造成的分类面的偏移进行纠正,还不影响最小二乘支持向量机的分类能力.3组实验结果也证实了这一点.     

一种基于Cholesky分解的动态无偏LS-SVM学习算法

针对最小二乘支持向量机用于在线建模时存在的计算复杂性问题,提出一种动态无偏最小二乘支持向量回归模型.该模型通过改进标准最小二乘支持向量机结构风险的形式消除了偏置项.得到了无偏的最小二乘支持向量机,简化了回归系数的求解.根据模型动态变化过程中核函数矩阵的特点,设计了基于Cholesky分解的在线学习算法.该算法能充分利用历史训练结果,减少计算复杂性.仿真实验表明了所提出模型的有效性.     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

基于小波包和AGA-LSSVM模型的滚动轴承故障诊断

为了解决滚动轴承故障特征提取和故障类型识别问题,提高诊断准确率,提出了一种基于小波包与自适应遗传算法优化最小二乘支持向量机(AGA-LSSVM)相结合的故障诊断模型.首先由小波包分解与重构获取振动信号中能反映不同故障状态的能量特征向量,其次,由经过自适应遗传算法优化的LSSVM模型对滚动轴承常见故障进行诊断.Matlab运行结果表明,相较于传统LSSVM方法,所采用的方法可靠度较高,可以较好地实现对轴承故障的诊断.     

无人直升机尾桨轴承超声信号故障映射模型

无人直升机被广泛应用于军事民用领域中执行高危任务,对其进行健康维护具有重要意义。尾桨轴承是无人直升机尾桨的关键零件,关系到无人直升机的平衡与航向控制。传统基于振动信号的监测诊断方法易受环境噪音干扰,诊断算法也易受噪声混叠影响。为解决以上问题,提出了一种基于超声信号的无人机尾桨轴承故障映射模型。首先,采集轴承不同故障状态下的超声信号。然后,利用自适应噪声完备集合经验模态分解(CEEMDAN)算法将信号分解,对分解后的信号分量计算各类熵值并融合构造特征向量。最后,将特征向量输送到基于粒子群优化算法的最小二乘支持向量机中建立特征向量与故障类型的映射模型,实现故障诊断。该方法在超声信号下对尾桨轴承早期故障诊断具有有效性和敏感性。     

随机森林在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的“集成”思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、kNN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。     

基于离散小波变换和随机森林的轴承故障诊断研究

针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题,提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号,得到n层近似系数;然后创新性地采用sigmoid熵构造出n维特征向量,sigmoid熵能较好地提取非平稳信号的特征,提高诊断准确率;最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据,与传统分类器(KNN和SVM)以及单个分类回归树CART进行对比分析,结果表明该方法具有更好的诊断效果。     

基于LSSVM的木材干燥建模研究

针对木材干燥过程的强非线性特点,提出以最小二乘支持向量机LSSVM建立木材干燥基准模型.通过实验用小型木材干燥窑实际干燥过程中采集的数据作为训练样本进行仿真实验,结果表明基于LSSVM的木材干燥模型预测输出能够准确反映干燥过程木材含水率的变化,模型结构简单、预测精度高、泛化能力强,验证了LSSVM对木材干燥过程建模是一种可行而有效的方法.     

Feature extraction and selection based on vibration spectrum with application to estimating the load parameters of ball mill in grinding process

Feature extraction and selection are important issues in soft sensing and complex nonlinear system modeling. In this paper, a new feature extraction and selection approach based on the vibration frequency spectrum is proposed to estimate the load parameters of wet ball mill in grinding process. This approach can simplify the modeling process. In this study, the vibration acceleration signals are first transformed into the frequency spectrum by fast Fourier transform (FFT). Then the candidate features are extracted and selected from the frequency spectrum, which include characteristic frequency sub-bands, spectral principal components, and features of local peaks. Mutual information, spectral segment clustering and kernel principal component analysis are used to obtain these candidate features. Finally, a combinatorial optimization method based on adaptive genetic algorithm selects the input sub-set and parameters of the soft sensor model simultaneously. This approach is successfully applied in a laboratory scale wet ball mill. The test results show that the proposed approach is effective for modeling the parameters of mill load.     

基于ASOS-ELM的球磨机负荷参数软测量系统设计

球磨机负荷参数是决定磨矿工作质量和效率的重要指标,为了提升球磨机负荷参数软测量系统的运行性能,降低综合测量误差,利用ASOS-ELM算法,从硬件和软件两个方面,设计球磨机负荷参数软测量系统。加设球磨机工作数据采集器,改装处理器与输出显示屏,扩大存储器空间,利用电源电路连接硬件设备,完成硬件系统的设计。根据球磨机的组成结构和工作原理,构建球磨机数学模型,在该模型下,采集球磨机不同工况下的振动信号。利用ASOS-ELM算法,提取振动信号特征,得出球磨机球负荷、料负荷、水负荷参数的软测量结果,实现球磨机负荷参数软测量系统设计。通过系统测试实验结果表明,设计系统负荷参数的综合测量误差降低了约0.064kg,且系统运行性能得到明显提升。     

基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负 荷参数映射关系难以描述等问题,提出了基于经验模态分解（Empirical mode decomposition,EMD）技术和选择性集成学习算法分析 筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒 体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组 成成分,即本征模态函数（Intrinsic mode function,IMF）;接着在频域内基于互信息（Mutual information,MI）方法分析并选择IMF频谱特征;最后采用基 于核偏最小二乘（Kernel partial least square,KPLS）建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.     

Application of complete ensemble intrinsic time-scale decomposition and least-square SVM optimized using hybrid DE and PSO to fault diagnosis of diesel engines

Targeting the mode-mixing problem of intrinsic time-scale decomposition (ITD) and the parameter optimization problem of least-square support vector machine (LSSVM), we propose a novel approach based on complete ensemble intrinsic time-scale decomposition (CEITD) and LSSVM optimized by the hybrid differential evolution and particle swarm optimization (HDEPSO) algorithm for the identification of the fault in a diesel engine. The approach consists mainly of three stages. First, to solve the mode-mixing problem of ITD, a novel CEITD method is proposed. Then the CEITD method is used to decompose the nonstationary vibration signal into a set of stationary proper rotation components (PRCs) and a residual signal. Second, three typical types of time-frequency features, namely singular values, PRCs energy and energy entropy, and AR model parameters, are extracted from the first several PRCs and used as the fault feature vectors. Finally, a HDEPSO algorithm is proposed for the parameter optimization of LSSVM, and the fault diagnosis results can be obtained by inputting the fault feature vectors into the HDEPSO-LSSVM classifier. Simulation and experimental results demonstrate that the proposed fault diagnosis approach can overcome the mode-mixing problem of ITD and accurately identify the fault patterns of diesel engines.