基于烟花算法优化SVM的变压器故障诊断

提出了一种基于烟花算法优化支持向量机的变压器故障诊断模型。标准的支持向量机是二分类,现对其进行非线性处理及多分类变换,使其能适用于变压器故障分类。针对支持向量机参数难以确定的情况,采用烟花算法优化支持向量机,从而搭建烟花算法优化支持向量机的故障诊断模型。实验分析结果表明,所提方法的故障诊断准确率优于其他算法。最后,进一步将算法用于机器学习的其他标准数据集,证明了该算法具有泛化性。     

一种新的半监督直推式支持向量机分类算法

传统的支持向量机(SVM)是一种有监督学习方法,需要大量有标记样本,然而有标记样本的数量十分有限且获得困难。因此,当存在海量的无标记样本时,如何有效地利用这些数据成为了机器学习面临的重要任务。研究提出了一种新的半监督直推式支持向量机分类算法,将半监督算法与支持向量机结合,在迭代算法中将无标签样本与有标签样本结合,逐渐得到更可信的分类超平面。理论分析和计算机仿真结果都表明,研究提出的样本能够有效地利用大量的无标签样本,并且无标签样本的加入能够有效地提高分类准确率。     

基于支持向量机的计算机蠕虫病毒检测方法

为防止计算机蠕虫病毒造成的巨大破坏,以计算机性能参数作为原始数据训练集,利用支持向量机分类器进行数据挖掘,建立了网络蠕虫病毒检测模型,在蠕虫大规模侵染网络之前发起网络预警,减小了蠕虫爆发引起的损失.在模拟计算机的常用网络结构下,通过采样主机不同工作状态下的系统特征计数器形成训练数据集,在进行特征提取后,利用支持向量机分类器实现了判决规则的产生和分类决策,并在模拟搭建的局域网络上进行了验证测试.测试结果表明,检测模型对未知网络蠕虫有很高的判决准确率,说明了基于支持向量机(SVM)分类算法的检测方法适合小样本的分类判决,并有着很强的实用性.     

基于支持向量机的矿井提升机制动系统的故障诊断

故障样本缺乏是制约智能故障诊断发展的重要原因,支持向量机是近年来提出的一种基于小样本的统计学习方法.将支持向量机分类算法应用到提升机制动系统的多类故障分类,并与BP神经网络进行对比研究,实验表明,支持向量机算法比BP神经网络具有更好的分类性能,且 "一对多"支持向量机的分类效果是最好的,更适合于提升机制动系统的故障诊断.     

基于SVDD的分类新方法

为了实现对大规模数据集的分类,提出了一种基于支持向量数据描述（SVDD）的新算法。把两类的支持向量机（SVM）问题转化为软间隔的SVDD问题,然后用核集迭代的方法得到了近似最优解。实验结果表明,提出的算法与传统的SVM方法预测精度相当,但是训练时间和测试时间更短,产生的支持向量数也更少,适用于大规模数据的分类。     

基于偏置经验特征映射的电路故障诊断方法

基于支持向量机的模拟电路故障诊断方法已经成为故障诊断领域的研究热点.然而,在该方法实用化过程中,故障样本集中存在的不平衡分布问题严重影响了该方法的整体诊断性能.针对该问题,提出一种基于偏置经验特征映射的故障诊断方法,该方法将故障样本集映射至经验特征空间,并在该特征空间中使用偏置判别分析准则作为核函数优化的目标函数,最大化所有正常样本同故障样本中心的距离,从而提高故障诊断方法的整体诊断能力.标准数据集以及真实电路上的实验效果表明,提出的方法可以大大缓解由于样本不平衡造成的支持向量机诊断效果下降的问题,从而提高了基于支持向量机的电路故障诊断法方法的适用范围.     

基于PSO-SVM的重轨标识识别方法研究

重轨标识自动识别对于企业的质量控制至关重要,针对目前主要依靠人工检测法来观察重轨字符的现状,提出利用机器视觉获得图像进行标识识别的思想：在对图像的字符区域进行定位之后,利用基于粒子群算法的支持向量机参数选择方法对重轨标识进行分类。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的分类精度与检测效率,其训练集的字符识别准确率达到了99%,测试集的准确率达到了83%,训练时间为62.195s,各项指标高于遗传算法优化的支持向量机回归模型。能够用于重轨标识的在线检测。     

基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

PSO-SVM在提升机制动系统故障诊断中的应用

针对矿井提升机制动系统故障样本少难以准确诊断,提出支持向量机(SVM)的故障诊断方法。为了解决支持向量机参数选择困难和其对于故障诊断的影响,提出利用粒子群优化算法(PSO)对支持向量机的参数进行优化,提高提升机故障诊断分类的准确率。利用组态王进行数据的采集,并且将采集的数据通过数据库传输到网页监测画面实现远程监测。实验结果显示,该故障诊断方法的故障分类准确率很高,响应速度快,并且可以实现网页监控画面和故障诊断所需数据实现共享。     

面向无人化取料机的毫米波雷达感知技术

针对散料港口无人化取料机往复取料效率低,毫米波雷达感知数据集噪声多、波动频繁、数据不平衡导致现有机器学习分类模型效果欠佳等问题,提出了一种基于改进模糊孪生支持向量机结合1-近邻算法的孪生重叠敏感边距分类器的料堆边界感知方法。首先,利用毫米波雷达获取料堆边界扫描数据并进行预处理,依据空间分布以及作业特点设计提取点云的10维特征,组成料堆点云样本数据集;其次,引入改进模糊隶属度函数的模糊孪生支持向量机,将料堆点云样本数据集划分为重叠与非重叠区域;然后,采用模糊孪生支持向量机决策边界、1-近邻算法分别对非重叠与重叠区域样本进行分类,以提高对不平衡数据集的分类能力;最后,将得到的分类结果加入感知环节,达到料堆边界感知目的。在人工作业雷达采集的数据集上的实验表明,所提出感知方法有效提高了对少数类的识别能力。现场实验表明,改进后的感知方法更接近操作员的判断,斗轮空转时间占比减少15.1%,提高了无人化取料机的作业效率,对无人化散料港口的建设具有参考意义。     

开关柜温升问题探讨

电力行业中广泛应用的手车式大电流开关柜在用电高峰期,长时间满负荷运行的情况下,由于各种原因大多存在温升超标问题,对供电设备的安全和供电可靠性构成较大的威胁。分析了开关柜温升过高导致的开关柜故障类型及温升过高产生的原因,探讨温升过高问题的改进措施和解决方案。     

转子轴花键的铣削

介绍了利用大径定心的花键轴花键的实用加工方法。     

基于ASP的VPDM系统研究

分析了虚拟企业对虚拟产品数据管理（VPDM）的需求，结合ASP模式的先进实施理念，提出了基于ASP模式的VPDM系统概念；分析了VPDM与传统PDM之间的区别；并基于B／W／D三段式结构，阐述了基于ASP模式的VPDM体系结构；最后讨论实现该系统的方法和一些关键技术。     

基于B/S结构在线监控研究应用

简述了DCOM、ActiveX等组件模型,结合ASP技术在Internet/Intranet环境下实现了基于Browser/Server结构锅炉在线监控.该系统在DCOM技术基础上通过ADO编程实现数据传输和访问,结合ASP和ActiveX控件技术实现动态发布和在线监测.     

滚子表面缺陷分析

采用金相分析以及扫描电镜、能谱分析等试验方法对滚子表面缺陷进行了分析.结果表明:滚子表面的麻坑(黑点)缺陷是腐蚀坑,主要是由于热处理炉保护气氛不纯,滚子在高温状态下产生表面腐蚀而形成.     

管路液力冲击的解析研究

分析阀门开闭引起管路液力冲击的机理,计算换向阀换向时管路实际压力冲击突变值及换向阀阀芯所受液动力并进行实验验证。     

基于MATLAB仿真的SVPWM技术研究

为了给交流异步电机伺服系统提供必要的设计数据,根据SVPWM的基本原理和实现算法,基于MATLAB/Simulink平台搭建了SVPWM仿真模型,将该模型应用到异步电机的矢量控制系统中进行了仿真。结果表明,SVPWM控制方式提高了整个系统运行的稳定性和可靠性。     

电火花成形机床微细加工相关探索

首先简要介绍了电火花微细加工目前的发展状况。并概括地分析了商品电火花成形机用于微细加工所具有的一些特殊优势。最后通过微轴的加工实例来证实其进行实用微细加工的可行性。     

基于时间序列电流偏差因子的电源-电弧系统稳定性研究

运用偏微分近似理论,在考虑焊接外电路动态全负载情况下,对电源-电弧系统稳定性进行了模型刻画,得出系统稳定系数的数学解析式,依此定性并量化分析了系统稳定性的基本条件和最优条件。在此基础上,采用电流偏差相对转换方法,获得了动态电流偏差因子的时间序列解析表达式,进而通过偏差衰减时间方式来量化分析系统的稳定性。实验的电压与电流波形分析结果与动态电流偏差因子量化结果一致。     

基于PKI技术的PMI的研究与实现

身份认证和权限管理是网络安全的两个核心内容。研发了一个基于公共密钥基础设施技术的权限管理基础设施系统。提出了一个基于属性证书和条件化的基于角色的访问控制、进行权限管理的权限管理基础设施访问控制模型,提供了属性证书的两种提交方式,即“推”模式和“拉”模式,并在此模型的基础上给出了该系统的实现,最后给出了该系统的一个应用实例。实践证明,该系统提供了一个较好的解决方案和实现,基本上能够满足大型应用(上百万用户)的用户需求。