基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

LabVIEW与MATLAB联合编程在制冷系统故障诊断中的应用

制冷系统作为建筑的主要能耗设备,其故障的及时诊断与纠正有助于提高能源利用率,减少对环境的影响。缺乏诊断平台是制约制冷系统故障智能诊断推广应用的重要因素之一。基于MATLAB软件强大的数据处理能力和LabVIEW软件便捷的虚拟仪器开发功能,进行联合编程,实现优势互补,并将粒子群优化（PSO）算法引入最小二乘支持向量机（LSSVM）,作为故障诊断的内核,建立了制冷系统故障诊断平台。对离心式冷水机组七类典型故障的诊断实验结果表明：该联合编程方法可行,可以实现界面友好、功能丰富、方便快捷的制冷系统故障诊断;所建立的PSO-LSSVM模型总体诊断正确率高达99.70%,正常和每类故障的诊断正确率均在99%以上。该平台具有一定的开放性和扩展性,后续可以根据需要对诊断算法及其他功能模块进行更改或添加,也可增加不同算法之间的比较分析或集成诊断,改善其灵活性,推进其推广应用。LabVIEW软件的采用,也为故障检测与诊断嵌入系统控制提供了可能。     

基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究

汽轮机通流部分故障特征数据较多、故障类型复杂,很难建立精确的机理模型。提出一种基于加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,WLS-SVM)的改进算法,该算法用输出变量的留一交叉检验误差取代原有误差确定加权系数,解决了WLS-SVM由于加权系数与模型支持值相互影响,样本在剔除与不剔除之间反复变化而不收敛的问题。实验结果表明该方法能有效地剔除异常样本,减少故障特征量的数目,提高了校正模型的稳健性及WLS-SVM特征预测的速度和预测的精度。     

燃料成分分析及基于LS-SVM对锅炉效率的预测

利用回归分析的方法,根据实验数据,拟合出灰分,挥发分,全硫与发热量之间的线性系数,确定成分相关性。基于最小二乘支持向量机(least square-spport vector machine,LS-SVM)建立了电站锅炉能源消耗及排放模型,实现了对排烟温度、飞灰含碳质量分数等模型参数的软测量以及对锅炉效率的预测。     

基于LS-SVM的燃烧状况智能诊断

运用D-S证据理论以及多传感器信息融合理论建立了数据融合目标识别系统,将其应用于燃烧状况诊断系统中,并利用最小二乘支持向量机理论以及自适应遗传算法理论解决了D-S证据理论当中基本概率分配函数难以获取的问题.所建立的燃烧诊断系统取得了比常用的燃烧状况诊断系统更高的燃烧状况诊断准确率,其中稳定燃烧诊断正确率为84%,不稳定燃烧诊断准确率为79%.     

基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于小波变换和LS-SVM的短期风速预测方法

针对风速序列的周期性和非平稳性,提出了基于小波变换和LS-SVM相结合的风电场风速预测模型,利用小波变换的多分辩分析法对风速序列进行分解,将风速序列投影到不同尺度上.结合LS-SVM的小样本学习能力强和计算简单等特点,将小波分解后的各风速子序列分别采用LS-SVM进行训练和预测,最后将各预测结果进行叠加得到最终的风速预测值.与LS-SVM风速预测方法进行比较,采用该文提出的方法可明显提高短期风速预测的精度,并具有较强的适应性,具有一定的工程应用前景.最后通过具体实例验证了该模型的有效性.     

基于最小二次支持向量机数据驱动的Hammerstein系统故障诊断与分离方法

本文在最小二乘支持向量机(LS-SVM)框架,针对Hammerstein非线性系统,设计了一种数据驱动故障诊断与分离(FDI)方法。具体内容包括:构造单适当的输出系统设计基于等价空间的残差生成器,进一步将残差生成器扩展至多输出情况。为了解决实时监控问题,通过低阶和稀疏逼近理论构造半参数残差生成器,此残差生成器带有参数动力学方程和非参数静态函数。在半参数框架下,通过设计参数化矩阵重构实现对传感器/执行器故障的检测与分离。最后,本文给出一个仿真实例验证了所提方法的有效性和实用性。     

基于EEMD和LSSVM的船用柴油机故障诊断

针对船用柴油机故障诊断时振动信号的非平稳特性和难以获取大量样本的实际情况,提出一种总体经验模态分解EEMD和最小二乘支持向量机LSSVM相结合的诊断方法。运用EEMD方法对特定时段的振动信号进行分析,计算各内禀模态函数IMF,并求其包含时间信息的能量熵,以之作为特征向量输入到LSSVM分类器来判断柴油机的故障类型。经实例验证,该方法能在保持信号完整性的前提下有效提取故障特征,在小样本情况下具有较高的诊断精度、较快的诊断速度和较强的泛化能力,能有效应用于同类型机械的故障诊断。     

基于支持向量机的燃气轮机故障诊断

分析燃气轮机的8种典型常见故障,建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性。同时和神经网络方法对比后发现：在小样本情况下,支持向量机方法的计算结果比神经网络要好,推广能力更强,而且效率高于神经网络。本方法针对故障诊断样本少的特点,为建立智能化的燃气轮机状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值。     

基于支持向量机的柴电混合动力故障诊断研究

对柴电混合动力系统级故障诊断进行了研究,利用仿真软件搭建了实时整车模型,并构建了基于支持向量机的柴电混合动力系统的诊断框架.采用一对一方法构建多分类器,故障识别准确率达到98％.构建了柴电混合动力系统故障诊断实时仿真平台,进行了基于支持向量机的柴电混合动力系统故障诊断实时仿真,验证了实时环境下基于支持向量机诊断算法能有...     

基于K-L变换的支持向量机在汽轮机故障诊断中的应用

支持向量机应用于故障诊断是近年来研究的热点,在支持向量机算法的基础上,以汽轮机故障为例,引入了K-L变换对故障特征进行提取。结果表明,经K-L变换后的支持向量机算法能够保证故障信息的完整性,有效识别临界故障状态,提高了故障的分类精度,扩展了支持向量机的应用范畴。     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于正交最小二乘模型拟合的DPF故障诊断方法

根据柴油机颗粒过滤器(DPF)堵塞与泄漏故障型式开展了排气阻力试验和发动机台架试验,获取了排气流量、排气温度、排气压差等主要故障特征参数数据。通过与传统压降模型进行对比分析,将正交最小二乘方法应用于DPF的故障诊断,形成基于正交最小二乘模型拟合的DPF故障诊断方法,并用试验采集到的主要故障特征参数数据对模型拟合方法进行了可行性验证。通过定义一个错误系数向量,分析了广义故障空间中不同故障型式DPF所形成的故障区域,为DPF故障诊断技术的发展提供了理论依据。通过错误系数向量能够判断出故障程度及堵塞、泄漏等故障型式,基于该结果可以进行DPF故障诊断。     

基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断

为了对火电厂磨煤机作出早期故障预测并有效判别其故障类型,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的磨煤机故障诊断新方法,并采用该方法对某电厂的HP碗式中速磨煤机的故障特征数据进行了仿真试验.结果表明:该方法可提取变量的特征信息,以有效地捕捉变量间的非线性关系,从而能有效地处理故障征兆与故障类型之间的不确定性,具有很好的分辨力,而且故障诊断的正确率很高.     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。