锅炉给水泵轴承温度变化状态预测

为了预测锅炉给水泵轴承温度的变化情况,提高给水泵运行的安全性和经济性,采用了统计学习理论中的核心算法--支持向量机,建立了给水泵温度预测模型(SVAR).并通过一个实例,与基于灰色方法建立的预测模型(GM)和基于自回归方法建立的预测模型(AR)进行了比较.结果表明:基于支持向量自回归的给水泵轴承温度预测模型具有精度高、速度快、易于建模的特点.应用该方法建立的预测模型能够很好地预测给水泵运行中的温度状况,有效地避免给水泵运行中出现的故障.     

基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

基于孪生支持向量回归的风力机功率预测方法

针对风力机运行状态的不确定性问题应用机器学习提出一种基于孪生支持向量回归的风力机功率预测方法。首先,在孪生支持向量回归方法中分别采用线性核函数与多项式核函数,参数寻优上选用遗传算法建立预测模型并以平均预测精度作为评价指标;其次,基于SCADA数据分析影响风力机性能的环境因素确定了风速、风向和环境温度为输入,风力机功率为输出,并进行了数据预处理;最后,以2MW风力机为研究对象分别采用线性核函数与多项式核函数孪生支持向量回归预测方法进行了风力机功率预测,通过比较平均预测精度得出了多项式核函数孪生支持向量回归预测方法的预测精度较高。实现了依据风力机短期历史运行数据对功率的精准预测,对风力机性能预警方面具有帮助。     

基于灰色线性回归组合模型的集成电路封装设备故障趋势预测

针对集成电路封装打孔机冲针监测数据的特点,分别构建灰色GM(1,1)模型和线性回归模型,开展故障趋势预测;在此基础上,采用组合预测的思想,运用灰色关联度方法融合灰色GM(1,1)模型和线性回归模型,建立灰色线性回归组合模型对设备进行故障趋势预测。结果表明,灰色线性回归组合模型的预测精度优于单一预测模型,可以用于集成电路打孔机设备的故障趋势预测。     

基于灰色支持向量机的汽车制动系统故障诊断与预测

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型-灰色支持向量机预测模型。为了提高预测精度,用粒子群算法对灰色支持向量机的相关初始化参数进行优化,用优化后的模型对汽车制动系统故障进行预测与诊断。实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径。     

小批量生产质量的灰色-支持向量回归组合预测

质量控制是产品在制造阶段的质量保证。针对小批量生产模式下的质量预测补偿控制问题,提出一种灰色-支持向量回归组合模型进行质量参数预测。通过分析机械加工系统误差来源,建立了零件尺寸的数学描述模型。在此基础上,采用灰色GM(1,1)模型预测零件尺寸的趋势项,采用灰色支持向量回归模型预测残差项,符合样本数据自身的发展特性。实验表明,灰色-支持向量回归组合模型的预测精度高于其它模型,适合用于小批量生产环境下的质量预测控制。     

融合SCADA数据的风电机组齿轮箱状态评估

为对风机齿轮箱状态进行准确评估,提出一种基于核主成分(KPCA)与最小二乘支持向量机(LS-SVM)结合的齿轮箱数据融合故障预测模型。鉴于SCADA系统中数据信息质量的不确定性和冗余性,该模型首先对监测数据预处理(4分位法剔除异常数据等),对齿轮箱特征因素进行相关性分析,利用该预测方法对齿轮箱典型状态特征(振动、温度特征等)进行预测,利用统计过程控制原理(SPC)分析残差,以实现齿轮箱异常状态的预测。最后,以齿轮箱油温预测为例,验证了该模型的准确性和有效性。     

一种基于支持向量机预测器模型的转子系统故障诊断方法

提出了一种基于支持向量机回归预测模型的转子系统故障诊断方法。分别对转子系统振动信号建立支持向量机回归预测模型，利用回归预测模型对振动测试信号进行预测，计算各支持向量机回归预测模型的预测信号与真实信号的误差并计算信噪比，通过比较各预测信号的信噪比来判断转子系统的工作状态和故障类型。实验结果表明，该方法能够有效地应用于转子系统的故障诊断。     

基于深度信念网络的风机主轴承状态监测方法

提出了一种基于深度信念网络（DBN）的风电机组主轴承状态监测方法。为了降低建模难度并减少训练时间,首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点,能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法（EWMA）对主轴承温度残差序列进行分析,并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制（SCADA）系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。     

基于支持向量回归的轴承故障定量诊断应用

针对轴承故障状态特征与故障大小之间存在非线性关系,提出利用支持向量回归机建立轴承故障大小与状态特征之间的定量诊断模型,并给出了基于支持向量回归的定量诊断策略和诊断流程。在获取轴承不同故障大小的特征量的基础上,建立了轴承故障定量诊断的支持向量回归模型,将其用于轴承故障的定量识别。结果表明,该方法能够有效地判断出故障的大小。进一步将该方法与人工神经网络方法比较,结果说明了支持向量回归方法在轴承故障定量诊断方面具有更好的适应性。