给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

基于支持向量机的再热汽温逆模型控制

为提高再热汽温的控制品质,本文提出了基于支持向量机的逆模型控制方法。采用支持向量机进行系统模型及逆控制器模型的建立,并对再热汽温系统进行仿真研究。结果表明,支持向量机具有较高的建模精度及较强的泛化性能,与常规PID控制进行比较,基于支持向量机的逆模型控制表现出良好的控制性能。     

轨道车辆一系垂向减振器劣化辨识方法研究

减振器是轨道车辆的重要部件,在目前的研究中,缺少对轨道车辆一系垂向减振器劣化阶段进行辨识的研究.为了实现对减振器的劣化阶段进行辨识,提出了一种基于粒子群优化支持向量机(PSO-SVM)模型的减振器性能劣化辨识方法.首先通过仿真软件获得减振器的加速度信号,提取特征后利用SVM模型对特征进行筛选融合,其次使用粒子群寻优算法...     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

改进投票策略的Morlet小波核支持向量机及应用

主要研究了现有支持向量机存在的问题,提出基于贝叶斯优化投票策略和Morlet小波作为核函数的改进方法.通过贝叶斯优化改进支持向量机分类投票策略,实现对不可分区域数据的有效分类.通过建立Morlet小波核支持向量机,使向量机更加适合冲击非线性信号的分类,并用一个滚动轴承的实例说明方法的鲁棒性和可靠性.     

基于GA优化的SVM涡轮泵故障诊断

针对液体火箭发动机涡轮泵故障诊断中出现的多故障分类问题,为提高支持向量机学习机器的分类性能,提出了一种基于遗传算法的支持向量机参数优化算法,利用遗传算法的全局搜索性能对核参数进行了优化.结果表明,遗传算法能够加速支持向量机参数的优化搜索,所建模型对含有较强的噪音背景的故障样本进行了很好的分类诊断,表现出了很好的抗噪和分类能力.     

基于支持向量机的软测量方法在火电厂节能监测中的应用

针对国内火电厂热工过程中传统的测量方法不易测量参数的困难,探讨研究了软测量方法在火电厂节能监测中的最新进展与应用.提出了基于支持向量机的软测量方法.支持向量机是新的机器学习方法,较好地解决了小样本、非线性、高维数、局部极小点等实际问题.以其为依据建立了烟气含氧量的软测量模型,并将模型用于烟气含氧量的预估,结果证明支持向量机是软测量建模非常有效的方法.     

基于最小二乘支持向量机退化数据的可靠性评估

传统的可靠性评估依赖于产品的失效数据,需要大量的统计数据和试验样本,试验周期长、费用高。针对这一问题,提出了在不需要失效数据的前提下,通过性能退化数据进行可靠性评估的方法。方法建立了基于最小二乘支持向量机的性能退化模型,并用改进的NSGA-Ⅱ算法对模型参数进行了寻优,给出了优化结果和可靠性评估过程。最后通过实例验证了该方法的有效性和可行性。     

非线性控制系统的支持向量机辨识建模研究

针对非线性控制系统辨识建模难的问题,系统研究了基于支持向量机的非线性控制系统的辨识建模理论和方法,然后利用回归支持向量机(Support Vector Regression,SVR)设计了一个非线性控制系统的辨识建模系统.仿真试验结果表明,SVR具有很高的建模精度和较强的泛化能力,从而验证了该辨识方法的有效性和先进性.     

基于AR-SVM的转子故障诊断

将时间序列建模与支持向量机相结合并应用于转子故障诊断领域.用时间序列理论进行故障建模,可以在缺乏对实际故障机理了解的情况下从机组自身的运行过程中动态获取故障的统计特征信息.而支持向量机作为模式识别领域的新工具,其具有小样本学习能力等显著优势.这里首先对实验台振动信号建立时间序列模型,然后用模型参数来训练一个支持向量机作为故障诊断的分类器.实验结果表明,这种方法有很好的实用性.     

基于支持向量机的直升机建模

为建立高精度的直升机仿真模型,首次把支持向量机方法引入直升机智能化建模领域。对实际飞行数据进行野值剔除、高频滤波和微分平滑等预处理。在此基础上,利用支持向量机建立了直升机自转着陆过程的旋翼转速模型。与神经网络模型相比,该模型具有结构简单、运算速度快、泛化能力高等特点。理论分析和仿真结果表明,用支持向量机建立直升机的仿真模型是切实可行的。     

基于SVM和遗传算法的新型直线电机结构参数优化

建立了一种新型圆筒直线电机的有限元模型,并验证了有限元模型的正确性。基于正交和随机方法安排了有限元仿真试验,获得了用于非线性电磁建模的样本空间。进一步采用支持向量机回归建模方法,建立了直线电机的非线性数学模型,而后采用遗传算法进行了直线电机结构参数多目标优化,得出最优结构参数组合。有限元仿真验证表明,基于支持向量机和遗传算法的优化方法用于研究该种新型直线电机电磁结构参数优化是可行的。     

基于RS-SVM集成的排气阀故障诊断方法研究

提出了一种基于粗糙集理论和支持向量机算法的阀门故障诊断方法。该方法可完成对不确定,不完整数据的约简,然后在此基础上设计支持向量机多分类器进行故障诊断。     

基于EMD信息熵和支持向量机的往复压缩机轴承故障诊断

往复压缩机工况恶劣、结构复杂、易损件多等特点,增加了压缩机故障诊断难度。将EMD信息熵和支持向量机(SVM)技术相结合,应用于压缩机轴承故障诊断。通过EMD对压缩机轴承信号进行分解,计算其信息熵值,并提取出能反映轴承工作状态的信息熵,将其作为特征向量训练SVM网络。结果表明,EMD信息熵和支持向量机相结合的方法,可以准确识别压缩机轴承故障。     

一种基于SVM的多类判别算法

在介绍支持向量机(SVM)两类分类和对经典的多类分类方法进行了分析的基础上,提出了一种新的多类分类算法(BSM),并通过实验加以验证.     

基于遗传算法的支持矢量机及其在企业资源计划中的应用

为使支持矢量机的参数确定过程更简单高效,提出了一种基于遗传算法的支持矢量机算法.该算法首先确定误差惩罚因子和核参数,利用遗传算法,通过对训练样本自动进化得出对应最优分类超平面,减少了耗时,完成了对确定过程的智能化和参数结果值的最优化;其余两个参数则由支持矢量机算法确定.该算法在Ratsch标准模式库中进行了实验结果的对比,结果表明具有优势,并在一粮食企业的企业资源规划系统资信评估中成功应用,证明该算法具有更好的识别率和更高的性能.     

基于混合核函数支持向量机的齿轮诊断方法研究

支持向量机是一种基于统计学习理论的新型机器学习方法,它具有在训练样本很少的情况下达到很好的分类效果的优点.把支持向量机技术应用于齿轮故障诊断,通过预先使用局部、全局核函数支持向量机的分类结果适当选取各自在混合函数中的权重,来作为混合核函数进行支持向量机分类.实验和数据分析证明,使用混合核的支持向量机比单独使用全局或局部...     

基于支持向量机的X射线焊缝缺陷检测

为提高对焊缝缺陷的检测精度,提出采用支持向量机(Support Vector Machine,SVM)分类的方法对X射线焊缝图像进行分割.选择训练样本图像的灰度、形态学梯度作为训练向量的特征分量对SVM进行训练,得到SVM分割模型后,将测试样本输入分割模型进行分割处理.以气孔缺陷为例,证明了该方法能实现焊缝气孔缺陷的准确分割,与其他分割方法相比,可提高缺陷检测的精度.