一种基于SVR的发动机多模式故障诊断方法

针对传统基于支持向量分类机(SVC)的发动机多模式故障诊断方法需要多个二类分类器的问题,提出了一种基于支持向量回归机(SVR)的多模式故障诊断方法。该方法首先应用归一化的故障数据样本和一个支持向量回归机构建一个发动机故障诊断回归模型,再对支持向量回归机的输出结果进行基于距离的聚类操作得到发动机的故障模式,诊断模型的参数向量采用一种基于Tent混沌映射的量子粒子群优化算法及样本测试集的均方根误差与平均相对误差同时最小的准则进行整定。实验结果表明,所提出的方法能够克服常规支持向量分类机多模式故障诊断方法需要多个二类分类器的缺陷,降低了建模的时间复杂度,有效地提高了发动机的故障诊断性能。     

基于全矢支持向量回归的设备频谱成分预测研究

支持向量机(SVM)在解决小样本、非线性及高维问题方面表现突出,支持向量回归(SVR)目前被广泛应用于设备状态趋势预测中用于故障定量分析。故障预测用于定性分析的相对较少,为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术进行倍频成分预测。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障了SVR预测数据特征提取的完整性,提高预测精度。对特征频率进行分别预测,然后重新生成预测的频谱图。该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢支持向量回归(FVSVR)频谱成分预测方法具有较高的预测精度,可以对一些故障定性分析。     

基于支持向量机的涡扇发动机EGT回归分析

针对直接测量排气温度(EGT),无法准确判断涡扇发动机健康状况这一问题。考虑影响EGT的主要性能参数:修正风扇转速、外界大气总温、飞行马赫数和飞行高度,建立了基于支持向量机(SVR)的涡扇发动机EGT回归预测分析模型。同时,编写BP神经网络EGT回归预测分析程序。以某民用航空涡扇发动机为研究对象,选取300组飞行实验数据。通过实例分析研究表明,SVR在发动机EGT预测分析中具有较高的预测精度,SVR预测值较BP神经网络预测值精度略高。     

基于支持向量机的航空发动机磨损趋势预测

基于支持向量机开发的航空发动机磨损趋势预测技术运用结构风险最小化准则,可通过内积函数将低维空间的非线性问题转化为高维空间的线性问题,在发动机滑油光谱监控中十分有用.阐述了支持向量机的原理和数学模型,建立了适用于航空发动机磨损趋势预测的支持向量机回归模型和自回归模型,并对支持向量的核函数模型参数进行了讨论.对实际发动机的润滑油光谱监控数据趋势预测结果表明,基于支持向量机回归模型的趋势预测技术具有很高的预测精度和很强的实用性,可有效提高通过润滑油光谱监控技术预报航空发动机磨损类故障的预测能力.     

基于改进QPSO-SVR的航空发动机排气温度预测

为了减少航空发动机排气温度的随机性对飞机安全飞行的影响,提出了改进量子粒子群优化支持向量回归机(improved quantum behaved particle swarm optimization support vector regression,简称IQPSO-SVR)的航空发动机排气温度预测模型,以A319飞机的V2500发动机为例,选取状态监控所监测的性能参数数据作为训练样本和测试样本,其中航空发动机的高压转子转速、低压转子转速、燃油流量、高压压气机出口温度以及时间t作为模型的输入,以航空发动机排气温度作为模型的输出,在不同组训练样本的条件下,对改进量子粒子群优化过的支持向量回归基模型进行测试,并与量子粒子群优化支持向量回归机(quantum behaved particle swarm optimization support vector regression,简称QPSO-SVR)、支持回归机(support vector regression,简称SVR)进行对比。研究结果表明,改进量子粒子群优化支持向量回归机在航空发动机排气温度预测中相较其他两方法准确性更高,同时,在添加噪声的情况下,IQPSO-SVR也具有较好的预测能力。     

基于SVR的传感器故障诊断方法研究

为了检测传感器的工作状态,提出了一种新的诊断方法:基于SVR(回归性支持向量机)的传感器故障诊断方法。在简要介绍支持向量机(SVM)的基础上,主要论述了回归性支持向量机(SVR)及传感器故障诊断的方法。实验表明,该方法设计简单、易于实现,能适应故障诊断的需求。     

SVR优化算法及其在蓄电池容量预测中的应用

提出一种优化的支持向量机回归算法(SVR)并应用于阀控密封铅酸蓄电池(VRLA)的容量预测.选定径向基函数作为支持向量机同归算法的核函数,分别使用遗传算法和遗传退火算法对核参数进行寻优,在此基础上建立了蓄电池容量预测模型.比较了在遗传算法和遗传退火算法两种参数优化方法下支持向量机回归算法对VRLA容量预测的精准度.仿真结果表明,基于遗传退火算法寻优的支持向量机回归算法用于VRLA容量预测的性能优于单一的遗传寻优算法.     

SVR在航空发动机基线挖掘中的应用研究

针对航空发动机基线难以获取的问题,利用支持向量回归机(support vector regression,SVR)算法,采用厂家监控系统数据和飞机快速存储记录器(quick access recorder,QAR)数据两种方式对基线进行挖掘分析,提供了获取基线的多种途径和方法,取得了比较可靠的结果。支持向量回归机在处理非线性回归分析时具有快速、准确的优点,能够进行单参数及多参数的基线回归分析,通过计算结果比较分析,多参数基线回归与单参数基线回归、一元线性基线拟合相比具有偏差小、精度高的优势,能够有效提高发动机基线监控的准确性。     

支持大数据的参数自适应支持向量回归方法

为解决大数据条件下的高效精准预测问题，提出一种基于均值漂移聚类与海洋捕食者算法的参数自适应支持向量回归方法。将大数据样本划分为训练组、验证组和测试组；采用均值漂移聚类算法处理训练组得到聚类中心；设定支持向量回归(SVR)参数，随机生成多个SVR参数组；基于参数组和聚类中心，采用支持向量回归算法对验证组样本进行预测以得到预测精度，然后采用海洋捕食者算法更新SVR参数组，循环本步骤直到满足截止条件，从而获得最优SVR参数组；基于该最优参数组，用SVR获得测试组的预测精度。与高度类似方法在预测精度、稳定性和数据损失等方面进行比较，验证了该方法的可行性和有效性。     

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.     

Robustness of thermal error compensation modeling models of CNC machine tools

In order to achieve effective control of thermal error compensation of computer numerical control (CNC) machine tools, the prediction accuracy and robustness of the compensation model is particularly important. In this paper, the temperature of sensitive points and thermal error of the spindle in Z direction are measured. Using a combination of fuzzy clustering analysis and gray correlation method to select temperature-sensitive points and then using multiple linear regression of least squares and least absolute estimation methods, distributed lag model, and support vector regression machine to establish prediction models of the relationship between temperature of sensitive points and the thermal error. Also, the temperature values of sensitive points and the thermal error in the experimental conditions of different ambient temperatures and different spindle speeds are measured. By comparing the prediction accuracy of various prediction models under different experimental conditions verify the robustness of the models. Experimental results show that when the modeling data are less, the prediction accuracy of multiple linear regression of least squares and least absolute estimation methods and distributed lag model is declined, and their robustness are poor, while support vector regression model has good prediction accuracy and its robustness remains strong when changing the experimental conditions. However, when modeling data are rich, the prediction accuracy of various algorithms is improved, but the robustness of support vector regression model is volatile. The robustness analysis of different models provides a useful reference for the thermal error compensation model, selection of CNC machine tools, and has good engineering applications.     

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。     

基于最小二乘支持向量机预测器的传感器故障检测与数据恢复

本文介绍了最小二乘支持向量机（LS-SVM）回归的基本原理，提出了一种基于LS-SVM回归的时间序列预测器，并将其用于传感器的故障检测和数据恢复。论述了LS-SVM预测器的实现方法和步骤，并且将其应用于压力传感器的故障检测和数据恢复，同线性神经网络预测器、RBF神经网络预测器和BP神经网络预测器的比较结果表明，LS-SVM预测器具有更高的预测精度，更好的外推能力，计算效率最高，因此，LS-SVM预测器是传感器故障检测和短期数据恢复的一种有效方法。     

一种改进灰狼算法优化LSSVR的混凝土泵车砼活塞剩余寿命预测方法研究

为了解决混凝土泵车砼活塞因无法及时更换导致设备停机的问题，提出一种改进灰狼算法优化最小二乘支持向量回归(LSSVR)的剩余寿命预测方法，该方法使用差分算法(DE)优化原始灰狼算法(GWO)，解决了其容易陷入局部最优解的问题，提高了收敛速度，使用优化后的算法优化最小二乘支持向量回归的两个参数，建立剩余寿命预测模型。通过真实的砼活塞寿命监测数据，使用3种评估指标对比LSSVR、GWO-LSSVR、DE-GWO-LSSVR这3个模型的预测效果，并与相关研究的结果进行对比。实验表明，DE-GWO-LSSVR模型拥有最高的预测精度，可以为砼活塞的预测性更换以及机械零件的故障诊断提供指导意义。     

设备状态趋势的SVM预示技术研究

SVM采用结构风险最优化准则,预示推广能力强并有很好的鲁棒性。分析了SVM技术的理论,推导了SVM进行机电设备趋势预测的理论算法,给出了进行预测的步骤,建立了SVM用于故障趋势预示的模型。将该模型用于某机组振动烈度的预示,进行了不同核函数和不同C值和ε值的比较,证明采用径向基函数和适当的损失函数,取得了较好的预测效果。并将SVM与AR模型的提前20步预测结果进行了比较。结果证明该算法对设备状态的趋势具有较好的预示能力。     

基于组合模型的雷达故障预测分析

基于灰色 GM(1,1)模型和回归模型的建模原理,将两种模型进行拟合,建立了新的组合模型,并采用该模型对武器装备的故障进行预测。该组合模型充分利用了两种预测方法提供的信息,实现了两种模型之间功能和优势的互补,有效提高了预测精度。最后,以某型雷达发射机的等时距测量的输出电压为例估计系统的故障时间,并依此推断出该系统的故障发生时间。     

基于支持向量回归方法的齿轮箱故障诊断研究

提出了一种基于支持向量回归的齿轮箱故障诊断方法。通过提取能反映齿轮箱工作状态的特征参数,并将分类问题转化为回归问题,针对性地构造了多分类支持向量回归决策机构并将其用于齿轮箱故障诊断,避免了投票决策机构等票数无法分类问题。相比于人工神经网络,该方法具有收敛速度快、泛化能力强的优点。     

基于SVDD和相对距离的设备故障程度预测

针对设备故障程度预测问题,提出一种基于支持向量数据描述和核空间相对距离的预测算法。首先通过实验分析法,优化选取了对设备故障程度敏感的频域特征参数及核函数参数;然后分别单独训练设备不同故障程度的数据样本,得到相应的描述设备故障程度的各独立封闭超球体,并引入待测样本点至各超球体中心的相对距离,确定样本所属的故障程度,在此基础上建立设备故障程度预测模型。通过转子振动台所模拟的不平衡故障数据进行实验验证,表明所提出方法能有效预测设备的故障程度。     

基于支持向量机的车内噪声声品质预测

提出了采用支持向量机的车内噪声声品质预测方法,对采集的车内噪声样本采用基于小样本理论的支持向量机回归方法,建立车内噪声声品质客观评价参量与主观评价结果的关系模型对车内噪声声品质进行预测.实例分析表明,选取适当的车内噪声声品质客观评价参量,利用支持向量机回归方法建立的车内噪声声品质预测模型的预测精度较高.     

回归与时变自回归模型

提出回归-时变自回归（regression and time-varying autoregression,RTVAR）模型和广义回归-时变自回归（generized regression and time-varying autoregression,GRTVAR）模型,将误差项为平稳序列（均值和方差为常数）的回归-自回归模型推广到误差项为广义时变自回归序列（均值、方差及自回归系数都变化）的情况。文中给出RTVAR模型和GRTVAR模型参数的估计方法,并建立广义回归-时变自回归预测公式。该模型能充分发挥回归和时变自回归各自的特点,通过自回归对回归分析中的误差项进行补偿,同时采用回归分析解释变量的作用,大大提高时间序列的分析与预测精度,可广泛用于自动控制、故障诊断以及经济预测等领域。