基于支持向量机的机械故障特征选择方法研究

在机械故障诊断中,对机器状态信号进行处理可得到故障特征集。但是此特征集中通常含有冗余特征而影响诊断效果。特征选择可以去除原始特征中的冗余特征,提高诊断精度和诊断效率。本文提出采用支持向量机(SVM)作为决策分类器,研究了使用SVM的错误上界如半径-间距上界代替学习错误率作为特征性能评价,并且使用遗传算法对特征集进行寻优的特征选择方法。此方法由于只需要训练一次SVM,相比常用的分组轮换方法有较高的计算效率。数值仿真和减速器的轴承故障特征选择试验中,采用此方法对生成特征集进行选择,并与常用的分组轮换法进行了对比。结果显示此方法有较好的选择性能和选择效率。     

基于灵敏度分析的支持矢量机特征选择

特征选择可以去除冗余特征提高机械故障诊断精度和诊断效率。对于支持矢量机(SVM)作为故障决策器, 提出基于特征灵敏度分析的特征选择方法。此方法通过分析候选特征子集对SVM输出的影响大小,以此作为特征选择标准,并采用遗传算法搜索最佳特征子集。数值仿真和柴油机故障特征选择试验结果显示此方法有较好的寻优特征子集的能力,能够提高故障诊断的精度和效率。     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

基于支持向量机的汉字识别方法研究

由于我国汉字的特殊性,汉字识别与字母和数字的识别有很大的不同,相对于字母和数字来说,汉字的识别是一个难点,采用常规的模板匹配方法难以保证识别正确率,所以需要寻找一种可以避免提取大量信息以减少识别误差的汉字识别方法--支持向量机(SVM,Support Vector Machine)方法。     

基于支持向量机的轴承表面缺陷检测

提出一种基于支持向量机的轴承表面缺陷检测算法,该算法把轴承中的非缺陷区域和缺陷区域分别看作两种不同的纹理模式,利用主成分分析法(PCA)对图像进行降维处理,然后用支持向量机方法对两类不同的样本采样学习,进行分类判断。实验结果表明,该算法能够较好地实现轴承缺陷的检测分类,有着深入研究的价值。     

基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

基于支持向量机的液压泵寿命特征因子提取方法

液压泵的性能状态参数包括振动、压力、流量、温度和油液等信息,如何从这些状态参数中选择能够影响和表征液压泵寿命的特征因子是进行液压泵性能评估与寿命预测的难点。基于此,研究了特征选择策略,提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,学习识别与选取能够表征液压泵寿命的特征因子,解决了液压泵寿命特征因子选取难的难题。应用实例表明该方法能够选择出反映液压泵性能的寿命特征参数。     

基于混沌特征和支持向量机的内燃机故障诊断

为解决内燃机故障诊断这一复杂问题,对6110型柴油机进行气门间隙故障模拟试验,测得振动信号,并计算其关联维数、最大Lyapunov指数、Kolmogorov熵3个混沌特征和它们的统计特征,作为故障特征量,利用支持向量机对故障进行识别。结果表明,用单一的混沌特征识别故障类型,效果较差;将统计特征与混沌特征共同作为故障的特征向量,效果较好。     

基于深度支持向量机的曲轴智能识别方法

针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力.该模型包含数...     

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.     

超声信号的特征提取与选择在缺陷分类识别中的应用

超声缺陷回波信号的特征提取与选择是超声波检测的基础和关键。结合待检测超声信号的特点,在时域、频域上研究了超声缺陷信号的特征提取,提出SBS和SFS结合的特征选择方法。在满足识别准确率的同时,有效地降低了分类器输入向量的维数,提高了运算效率。     

基于SVM实现虚拟协作伙伴的选择

随着经济全球化和网络进程的加快，企业只有开展协作与合作伙伴关系才能更好地生存和发展，因此确定伙伴选择的数学模型和优化非常必要。本文在介绍支持向量机(SVM-suppor tvector machine)基本原理和实现算法的基础上，探讨了支持向量机方法在实现虚拟协作伙伴选择中的应用。通过此模型，能为决策者提供一种有利的支持。     

基于支持向量机的摩擦焊超声检测缺陷识别

为准确识别摩擦焊试件接头主要缺陷类型,采用小波包变换对一维超声信号进行处理,利用“能量-故障”法提取信号特征值,并将特征值引入“一对多”支持向量机进行分类识别。通过验证发现,支持向量机较好解决了小样本、非线性和高维数问题,准确率高、容易在线实施,具有较强推广能力。     

基于改进支持向量机的磨粒铁谱识别的研究

提出了一个基于改进支持向量机的磨粒模式识别系统。该系统首先对磨粒的铁谱分析图像进行预处理，然后提取其特征参数，最后利用支持向量机对磨粒所属的类型进行分类。     

一种基于EMD与多特征支持向量机(SVM)故障诊断方法

针对齿轮箱故障振动信号的不平稳非线性冲击行为,本文提出了一种基于经验模态分解的特征值提取及多特征支持向量机的智能诊断方法。在电机频率分别取30 Hz、35 Hz、40 Hz;载荷分别取0 N∙M、15 N∙M、30 N∙M;采样频率为1500 Hz条件下,进行齿轮正常状态、齿面磨损和齿轮裂痕故障模拟实验。试验结果表明:该创新方法在有限样本数据分析中可以准确、有效地对齿轮箱的工作状态和故障类型进行分类,且支持向量机在故障诊断中使用方便,可以提高诊断的精确性,在齿轮箱故障诊断或类似振动信号的检测应用中具有很强的实用性。     

基于支持向量机的模糊稳健优化设计方法

在模糊稳健设计中,需要采用随机模拟方法计算模糊概率和非线性约束函数,但计算效率很低.为此,提出了一种基于支持向量机的模糊稳健设计方法.采用支持向量回归机对模糊概率进行仿真计算,采用支持向量回归机或分类机作为非线性约束函数的替代模型,显著降低了模糊稳健优化设计的机时消耗.给出了新方法的具体算法步骤,并通过模糊稳健优化设计...     

基于遗传算法的支持向量机分类器模型参数优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善。本文运用支持向量机建立模式识别分类器模型,研究影响模型分类能力的相关参数,在分析参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机分类器模型的参数自适应优化算法。最后,用算例表明了本文算法的正确有效性。     

基于支持向量机的智能差压变送器非线性校正研究

传感器或仪表的非线性特性是影响其测量精度的重要指标之一。文章采用支持向量机（SVM）的方法进行智能差压变送器非线性校正,选取RBF核函数,由于它数值限制条件少、模型相对简单,因此利用它可以隐式地将训练数据映射到高维空间,实现非线性变换中的线性分类,得到用于函数拟合模型的SVM。实验数据仿真表明,算法取得了较好的效果,非线性度达到±0.03%F.S,为差压变送器的非线性校正提供了一种新的方法。     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于支持向量机运动链同构识别的方法研究

介绍了由Vapnik等人提出的统计学习理论和由此发展的支持向量机,提出一种基于支持向量机的机构运动链同构识别的新方法。算例表明,在机构运动链同构识别中,采用支持向量机这一新方法,具有其他传统方法不可比拟的优势。