基于核主元分析与纠错输出编码SVM的齿轮故障诊断

摘要：为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。
     

基于频响函数截断奇异值响应面的有限元模型修正

考虑由于模型参数误差造成的有限元模型偏差的问题,提出一种基于频响函数截断奇异值响应面的模型修正方法。利用傅里叶反变换将结构频响函数变换为时域内的脉冲响应函数,通过延迟坐标法重构脉冲响应函数的相空间矩阵,进而对相空间矩阵进行截断奇异值分解,提取有限个较大的奇异值作为频响函数的特征量。以待修正模型参数为样本集输入,截断的奇异值为样本集输出,建立支持向量机响应面模型并进行训练,以逼近模型待修正参数与频响函数的特征量之间的非线性映射关系。以目标频响函数的特征量与支持向量机响应面模型输出的特征量之间的差值最小化为目标,利用遗传算法通过优化求解参数修正量。仿真计算表明:支持向量机的保留奇异值响应面能准确预报训练集以外样本的保留奇异值,具有较强的泛化能力;结合遗传优化算法能获得准确的参数修正量,算法对噪声有较强的鲁棒性。     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于局部切空间排列和最小二乘支持向量机的气缸压力识别

为了提高缸盖振动信号恢复气缸压力的识别精度,提出一种基于局部切空间排列(LTSA)和最小二乘支持向量机(LSSVM)的气缸压力识别方法。首先提取缸盖振动信号时域、频域及小波包能量域特征,组成高维特征集,利用LTSA算法提取高维特征集的低维本征流形特征,然后把降维后的特征参数集作为LSSVM模型输入,缸压信号作为LSSVM模型输出,通过多个样本对LSSVM模型进行训练,从而获得气缸压力的重构模型。试验结果表明:基于局部切空间排列和最小二乘支持向量机的气缸压力识别方法具有精度高、泛化能力强等优点。     

基于粒子群-向量机的汽车加速噪声评价

以乘用车由50 km/h加速到100 km/h时的噪声信号为评价对象,用成对比较法对车内加速噪声品质偏好性进行主观评价实验,获得每个样本的偏好性评价值。计算各噪声样本的主要心理声学客观参数并进行相关分析。鉴于评价者对非稳态噪声主观评价过程的复杂性,建立支持向量机(Support Vector Machine,SVM)的主客观评价模型,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对模型参数进行优化。为对比优化后预测效果,建立BP神经网络回归模型。结果表明,优化后的粒子群-向量机回归模型用于噪声声品质评价能获得更好的预测效果,可较大程度提高声品质预测精度。     

基于LSSVM的重力坝地震稳定易损性分析

提出了一种基于最小二乘支持向量机的易损性分析方法,将有限元数值计算的结果作为学习样本,建立最小二乘支持向量机模型,进而进行Monte Carlo仿真,获得结构的易损性曲线,在保证计算精度的同时,提高了计算效率。采用该方法对某重力坝挡水坝段进行了动力稳定易损性分析,并对主要参数进行了敏感性分析。结果表明,该坝段能够保证设计地震作用下的动力抗滑稳定性,且有较大的安全裕度。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型.考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化.以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比.研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度.     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

基于支持向量机的非概率可靠性分析

针对具有隐式极限状态函数的不确定性结构的非概率可靠性分析,提出一种基于支持向量机回归的不确定性结构非概率可靠性分析方法,并给出了该方法的分析流程.抽取数据样本,优化支持向量机回归参数,使用训练后的支持向量机替代隐式极限状态函数.利用非概率集合理论中的区间分析法,引入尺寸比例因子,构造合适的不确定性结构非概率可靠性指标迭...     

基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

基于机器学习的电喷印精度预测方法研究

目的 节省电流体喷射打印精度预测的时间和解决电流体工艺参数的选择问题,达到提高电流体打印的质量和效率的目的。方法 为了对电流体喷射打印精度进行预测,提出有限元模型与机器学习相结合的方法。基于线性回归、支持向量回归和神经网络等机器学习算法建立4种参数与射流直径的关系模型。结果 算法结果表明:支持向量回归和神经网络预测模型的决定系数R²能达到0.9以上,表示模型可信度高;支持向量回归和神经网络预测模型指标都比线性回归预测模型的小。结论 机器学习算法可对电喷印打印精度进行有效预测,预测效率提高了十几倍,节省了精度预测的时间。     

基于支持向量机的产品感性意象值预测方法

为设计出符合消费者感性需求的产品,提出基于支持向量机的产品感性意象值预测方法。先确定产品的感性意象、造型设计要素以及感性评价矩阵。在此基础上,以造型设计要素为自变量,以感性意象评价值为因变量,利用LIBSVM软件,通过对惩罚函数、不敏感损失函数以及核函数等相关参数的分析设置,建立产品感性意象值的预测模型。结合办公座椅进行研究,结果表明支持向量机具有较高的预测精度,所提出的方法是正确可行的。     

基于多支持向量回归机的热偶规真空传感器非线性校正研究

曲线拟合是传感器非线性校正的重要方法,但热偶规真空传感器输出特性具有明显的分段性且各段特性差异大,采用单一模型难以取得满意的拟合结果.本文提出基于多支持向量回归机(MSVR)的曲线拟合方法,将输入样本空间分割成多个子空间,为每一子空间建立一个支持向量回归机(SVR)来映射该局部空间的非线性关系,合成各SVR的输出即为传感器全量程输出特性.用所提出的方法拟合热偶规真空传感器输出特性,仿真结果表明了该方法的有效性.     

基于GWO的SVM在红外甲烷传感器测量误差分析中的应用

针对传统支持向量机回归模型应用在红外甲烷传感器测量数据处理时出现预测精度低的问题,提出了一种基于灰狼优化算法的支持向量机回归模型。该模型在传统支持向量机的基础上,利用灰狼优化算法自适应搜索特征空间来选择最佳特征组合,经过循环比较,能快速、准确地搜索到最优的惩罚因子C与gamma参数。用实验室研制的红外甲烷传感器对0～5.05%浓度范围的标准甲烷气体进行测量后,建立了3种SVM回归模型,并进行对比。结果表明,采用灰狼优化算法建立的支持向量机回归模型其绝对误差和相对误差小,精度高。     

基于核主成分分析及支持向量机的水轮机叶片裂纹源定位

结合核主成分分析(KPCA)以及支持向量机对水轮机转轮叶片裂纹源的声发射信号进行定位。结果表明,利用核主成分分析提取的特征参数进行定位的精度高于原始参数的定位精度,即输入9个特征参数时,支持向量机在叶片区域的识别率为100%,在裂纹源对焊缝距离的支持向量回归分析中的最大误差为20cm。因而结合KPCA和支持向量机对复杂的大尺寸结构进行定位是一种较好的方法,既减少了输入信号的维数,又提高了定位精度。     

航空发动机转静径向碰摩位置的智能识别技术研究

获取航空发动机转静碰摩位置对于诊断发动机碰摩故障和改进设计具有重要意义,基于航空发动机转子实验器的机匣振动加速度信号,研究了一种基于拉普拉斯特征映射（Laplacian Eigenmaps,LE）结合球结构支持向量机的径向碰摩位置智能识别方法。首先,采用拉普拉斯特征映射算法提取碰摩样本的特征信息,并用网格搜索法优化拉普拉斯特征映射算法的相关参数;然后,将特征样本作为输入到球结构支持向量机分类器,识别不同位置的碰摩样本。最后,利用实测的碰摩数据对此方法进行了验证,并与主成分分析法(PCA)所得特征样本的分类结果进行了比较,结果表明了方法的实用性和有效性。