基于粒子群优化决策树的齿轮箱故障诊断

针对现有支持向量机(support vector machines,简称SVM)在构造多类分类器的过程中存在计算费时、搜索率不高的问题,提出了一种新的SVM决策树设计算法.引入具有优良的全局搜索性能的粒子群算法,将其应用于优化决策树,构造出一种自适应性强、识别率高的多元分类器,实现SVM的有效多值分类.将其结果应用于齿轮箱故障诊断中,试验结果证明改进后的SVM构造方法的有效性和准确性.     

基于IGRSSA与IPSO-SVM的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的准确性,提出基于信息增益比的奇异谱分析(IGRSSA)与改进粒子群算法优化支持向量机(IPSO-SVM)的诊断模型。首先,引入信息增益比实现信号自适应重构;其次,采用动态惯性权重和梯度信息对粒子群算法进行改进并用于优化支持向量机;然后,用IGRSSA对滚动轴承外圈故障、钢球故障和正常3种状态的振动信号进行降噪并提取时域特征值,使用平均影响值(MIV)筛选出最优特征参量作为后续故障信号特征数据集;最后,将BP神经网络、RBF神经网络、交叉验证优化的SVM、遗传算法优化的SVM和粒子群优化的SVM作为对比算法用于轴承故障诊断。30次有放回的随机抽样诊断结果表明,IPSO-SVM的平均诊断准确率达到97.72%,波动性和收敛误差均优于其他方法。     

基于柔性形态滤波和支持矢量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的强噪声背景以及现实中不易获取大量典型故障样本的特点,提出一种基于柔性形态滤波和支持矢量机(Support vector machine, SVM)的滚动轴承故障诊断方法。柔性形态滤波既可以有效地提取出信号的边缘轮廓和信号的形状特征,同时又具有稳健性;SVM具有良好的分类性能,特别在小样本、非线性及高维特征空间中具有较好的推广能力;SVM分类器的惩罚因子和核函数参数采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。首先对振动信号进行柔性形态滤波,然后提取滤波后信号的故障特征频率的归一化能量为特征矢量作为SVM分类器的输入参数,用于区分滚动轴承的外圈、内圈和滚动体故障,SVM分类器的参数采用标准粒子群优化算法进行优化。试验结果表明了方法的有效性。     

基于改进粒子群算法的小波神经网络分类器

针对传统BP-WNN和基本PSO-WNN算法收敛速度慢和泛化性能低的缺陷,在应用李雅普诺夫理论分析得到单个粒子稳定收敛的参数取值条件基础上,提出一种粒子群改进算法,并利用该算法来训练小波神经网络权值,以此构建一种高效的粒子群小波神经网络分类器。通过Iris标准分类数据集进行测试,结果表明所提出的改进算法与BP-WNN,PSO-WNN等经典算法相比,网络更易于全局收敛,迭代次数少、函数逼近误差小、分类精度高。将该分类器应用于非线性辨识和固井质量评价中,均取得了不错的效果,表明该分类器泛化能力强,具有良好的使用价值和应用前景。     

采用自适应变异粒子群优化SVM的行为识别

为了提高对视频序列中人体行为的识别能力,建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先,采用Harris3D检测器获取时空兴趣点(STIP),以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述,并引入Fisher向量实现对特征描述子的编码;由于固定参数下SVM动作分类模型存在泛化能力不足的问题,将粒子群算法应用于各动作分类器参数寻优过程中,针对种群多样性逐代变化的特点,构建粒子聚集度模型,并利用其动态调节各代粒子的变异概率;最后,利用KTH和HMDB51数据集对所提方法进行验证。结果表明,所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优,具备较强的全局寻优能力;在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%,优于其余2种识别方法。实验证明,AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。     

Fisher准则下的粒子群支持向量机在轴承故障诊断中的应用

针对粒子群算法对支持向量机参数进行优化时存在的收敛速度慢、分类准确率不高的问题,通过引入Fisher准则评估每个特征向量粒子的适应度得到最优特征子集,提出了一种基于Fisher准则下粒子群算法优化支持向量机(FIPSO-SVM)的新分类方法,该方法的目标是尽可能地加大类间间隔和减小类内间隔。采用滚动轴承数据集在时域和频域上得到32组特征向量,测试该方法在4种工作状态下的分类效果,最后,使用不同核函数和2种不同算法将全样本特征向量与最优特征向量子集的SVM分类结果进行对比。结果表明,FIPSO-SVM分类器不仅能够识别故障产生的位置,还能区别故障损伤的程度,FIPSO-SVM分类器具有更高的分类精度和更快的收敛速度,值得进一步在工程领域内推广。     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

基于改进FOA优化的SVM在故障诊断中的应用

针对支持向量机(SVM)的分类性能受本身参数选择影响较大的问题,提出了基于改进果蝇优化算法(LFOA)的SVM参数优化方法。给出了基于改进果蝇算法的SVM参数优化步骤,并用标准数据集进行了仿真实验,验证了算法在收敛速度和收敛精度上均好于其他几种方法。以滚动轴承为实验对象,应用LFOA-SVM进行了常见故障的诊断,与FOA、GA和PSO等方法相比,LFOA算法改善了SVM的分类性能,提高了故障诊断准确率,可有效应用于故障诊断。     

基于随机森林和量子粒子群优化的SVM算法

特征属性过多及内部参数的优选是影响支持向量机(SVM)模型泛化能力的重要因素，针对以上两个问题，为了提高SVM模型的泛化能力和分类精度，将随机森林(RF)算法和量子粒子群优化(QPSO)算法结合优化SVM模型的核函数参数和惩罚因子。首先利用RF算法计算出每个特征的重要性，通过特征选择筛选出重要性高的特征作为特征子集；再利用QPSO算法的全局搜索能力寻找出SVM模型的最优核函数参数和惩罚因子，最后将最优参数应用于SVM模型中进行分类预测。实验仿真结果表明，与其他机器学习算法相比，所提模型具有较高的训练精度和预测精度，也证实了该模型具有较好的鲁棒性和泛化性能。     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。