基于多特征混合与支持向量机的动态过程异常监控

为提高动态过程异常模式的监控效率,提出基于多特征混合与多分类支持向量机的动态过程质量异常模式识别模型。采用离散小波变换提取原始数据的低频近似系数和重构数据特征;抽取重构数据的形状特征并与低频近似系数进行混合,形成质量模式的混合特征;采用粒子群优化的多分类支持向量机进行异常模式识别。仿真实验表明,所提出的识别模型比采用单一类型特征或融合特征的整体识别精度均有显著提高,且大大降低了模型训练时间。     

基于主元分析的SVM动态过程质量异常模式识别

质量异常模式识别是实现生产动态过程在线质量监控与诊断的关键。针对现有质量异常模式识别在实际应用中存在的计算复杂和识别精度不高等问题,提出了一种基于主元分析的SVM动态过程质量异常模式识别的方法。运用PCA技术对原始样本数据进行特征提取,有效去除原始数据中的噪音并降低数据维数;在特征提取的基础上,将主元特征向量作为SVM分类器的输入向量,进而利用粒子群寻优方法实现了对分类器参数优化选取,并进一步训练得到支持向量机分类器。最后,使用优化后的分类器对质量异常模式进行识别。仿真实验结果表明,该方法整体识别精度达到97.5%,适用于生产过程的质量监控和诊断。     

基于MSVM的多品种小批量动态过程在线质量智能诊断

提出了基于多分类支持向量机(MSVM)的多品种、小批量动态过程在线质量智能诊断方法。离线训练时,提取异常模式仿真数据的小波重构特征,对 MSVM识别和估计模型进行训练和测试,同时建立异常因素诊断库;在线诊断时,对“监控窗口”数据特征的过程模式及参数进行识别与估计,而后利用异常因素诊断库实现对多品种、小批量动态过程实时在线智能诊断。某精密轴加工过程实例验证了该智能诊断方法的有效性。     

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵（GCMWPE）与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射（S-Isomap）算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机（BAS-SVM）诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明：GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。     

基于二次特征提取与SVM的异常步态识别

长期以异常步态行走将导致人体足部、踝关节、大腿疼痛乃至身体骨骼疾病.针对目前普遍采用的基于计算机视觉的步态识别技术对数据采集环境要求严苛、视频图像分析受环境影响较大等问题,基于人行走时的足底压力变化特征进行步态识别,足底压力数据经由穿戴式步态采集器,可以不受环境限制且能实现较远距离的步态识别.并提出一种基于二次特征提取与支持先向量机的异常步态识别方法.该方法采用主成分分析法对从足底压力变化曲线中提取出来的步态特征进行二次提取.获取包含样本数据信息的主要特征信息,通过多分类支持向量机模型对步态进行识别.实验结果表明:该方法对异常步态的平均识别率达到92.625 5%,具有较高的识别精度.     

人机交互动态手势轮廓提取仿真研究

为提高动态手势识别的精确性,在手势特征提取、动态手势识别等方面进行实验研究。采用基于肤色模型的分割方法对手势图像进行处理,分别对手势轮廓特征和手势运动特征进行提取,提出基于HMM-NBC模型的手势识别算法,定义10种手势并建立动态手势样本库,进行手势识别研究,并与支持向量机手势识别算法相比较,研究表明:HMM-NBC模型算法的手势识别速度明显高于支持向量机算法,具有较高的识别率,平均手势识别率为88.8%。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机（support vector machine,简称SVM）在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机(support vector machine,简称SVM)在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于KPCA SVM的柴油机状态识别方法的研究

为了有效地对柴油机的运行状态进行状态识别,根据柴油机的特征信息和识别的特点,研究了基于核主元分析(KPCA)和支持向量机(SVM)进行柴油机状态识别的故障诊断方法.首先,对柴油机进行特征提取,构成一个特征向量.然后对其进行核主元分析,计算得到能反映设备状态的特征向量,有效去除信息的冗余.最后,将得到的特征向量进行支持向量机的训练学习,识别柴油机的状态.通过实验室柴油机燃烧系统不同运行状态下的识别分析,验证了此方法的可行性和实用性.     

基于KPCA-FSVM的液压泵可靠性寿命分布识别

为了准确快速识别出液压泵的可靠性寿命分布模型,提出了一种基于核主元分析和模糊支持向量机的可靠性寿命分布模型识别方法。该方法充分利用核主元分析非线性特征提取的优势和模糊支持向量机良好的分类能力,建立了适合可靠性寿命分布识别的模糊支持向量机模型,并将其应用于液压泵可靠性寿命分布模型识别。仿真实验结果表明,该模型能够降低计算的复杂度,具有良好的泛化能力,能够准确地识别出液压泵无故障工作时间数据所属的寿命分布类型。     

冷轧过程断带故障的诊断研究

在冷轧过程中,断带故障是冷轧工序的主要生产故障之一。针对冷轧过程断带故障的特点,提出一种基于核主元分析(KPCA)非线性特征提取和最小二乘支持向量机(LSSVM)分类的故障诊断方法。此方法采用KPCA理论将冷轧过程原始空间数据映射到高维空间,并在高维空间进行主元分析,从而降维、去相关性,得到冷轧过程非线性特征向量。将降维后的特征主元作为LSSVM输入进行训练和识别,根据LSSVM的输出结果判断冷轧过程工作状态与故障类型。仿真结果表明:基于KPCA非线性特征提取和LSSVM分类的故障诊断方法计算速度快,能有效地提取冷轧过程断带故障特征,识别断带故障类型。     

基于优化有向无环图支持向量机的多变量过程均值异常识别

针对多变量过程均值异常模式类型数量太大、一般模式识别工具难以适应的问题,提出优化有向无环图支持向量机.该方法识别效率高,并通过启发式方法生成优化的拓扑结构,即先根据定义在核空间的模式类型平均差异测度对类型编号排序,再依序提取对应两分类支持向量机组成有向无环图结构,使越易区分类型间的支持向量机越靠上层布置,由此缓解分类误差累积效应和弥补上层出现类型分类容错能力的不足,保证相对较高的总体分类准确度.仿真实验表明,优化有向无环图支持向量机用于多变量过程均值异常模式的识别相比其他几种多分类支持向量机在识别精度和效率上具有综合优势.基于优化有向无环图支持向量机构建了多变量过程均值异常识别模型,并在实际齿轮生产中进行了应用实验,验证了模型的有效性和实用性.     

应用小波包能量谱及SVM的安瓿内浮类异物识别

目的：为了解决安瓿内漂浮物与悬浮物的识别问题,本文提出了一种基于小波包能量谱的特征提取及支持向量机的识别方法。方法：首先通过图像序列差分及点检测分割提取杂质存在区图像作为目标区;然后将目标区沿安瓿瓶轴线方向逐行叠加形成一维信号;对一维信号进行小波包分解,采用主成分分析方法提取小波包分解特征向量中独立主成分;以小波包特征向量中独立主成分的能量谱作为异物类型特征;将提取的特征作为支持向量机的输入向量,采用序列最小优化方法实现训练样本快速分类。实验过程中选择不同类型的核函数和相应参数进行训练和测试。结果：实验结果显示,相对于传统BP网络,SVM在将识别用时减少近60%,识别精度提高了35%。结论：能够满足在生产中对浮类杂质的提取和快速识别的要求。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

基于数据驱动的电动执行器故障诊断方法

本文针对在流程工业自动化系统中大量使用的电动执行器,结合热工系统的应用背景,提出了一种基于数据驱动的电动执行器故障诊断方法.该故障诊断方法包括特征提取和故障识别两部分:采用主成分分析法提取故障特征信号;采用基于支持向量机的方法进行故障识别.构造多类支持向量机分类器,建立了电动执行器多故障诊断模型.仿真实验研究证明了该诊断方法的可行性和有效性.     

基于粗糙集与支持向量机的加工过程异常检测

为提高加工过程异常模式检测的自动化程度,在建立控制图数学描述的基础上,利用蒙特卡洛法构建了控制图数据集,研究了基于邻域粗糙集的控制图时域特征约简方法,提出了基于支持向量机的控制图异常模式识别模型。通过仿真实验,使用遗传算法优化了异常识别模型的主要参数,并对不同核函数、不同分类模型的识别精度进行了分析与对比。通过实际生产数据测试验证了所构建模型的有效性与可用性。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

基于KPCA和MKL-SVM的非线性过程监控与故障诊断

利用核主元分析非线性过程监控的优势,结合多重核学习支持向量机在故障诊断方面的准确性,提出了基于核主元分析和多重核学习支持向量机的非线性过程监控与故障诊断方法。该方法运用核主元法对数据进行处理,在特征空间构建T2和SPE来检测故障的发生,若有故障发生,则计算样本的非线性主元得分向量,将其作为MKL-SVM的输入值,通过MKL-SVM的分类进行故障类型识别。将上述方法应用到Tennessee Eastman(TE)化工过程,多种故障模式的仿真结果表明该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。