基于支持向量机的机械设备状态趋势预测研究

提出了用支持向量机对机械设备状态趋势进行预测的新方法,构造了相应的支持向量回归机,并分别用仿真数据和实际数据对其性能进行了验证．将该支持向量回归机应用于某机组振动信号的预测,采用径向基核函数和合适的参数,使该向量回归机对振动量峰峰值的单步预测误差小于2％,24步预测误差小于5％,表明该算法对机械设备的运行状态趋势具有较好的预测能力．     

铁谱技术智能化应用研究进展

铁谱技术是诊断机械设备发生磨损故障的有效办法,但传统铁谱技术难以实现对油液进行在线监测和磨粒的自动识别,而铁谱技术的智能化发展使得磨粒自动识别得以实现;从在线铁谱智能图像理论、BP神经网络、支持向量机和模糊集理论4个方面综述了铁谱技术智能化的应用研究,为后续深入研究铁谱智能化识别系统起到重要的指导意义。     

基于最小二乘支持向量机的网络流量预测

为了提高网络流量预测准确性,将最小二乘支持向量机应用于网络流量预测。介绍了最小二乘支持向量机的原理与方法,并将该模型应用于实际网络流量预测计算。结果表明,该方法能有效地进行流量预测,相对于BP神经网络和ARMA模型方法,该方法具有更好的预测精度。     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。     

状态时间序列预测的贝叶斯最小二乘支持向量机方法

为实现对电子系统状态时间序列的有效预测,提出一种基于贝叶斯证据框架的最小二乘支持向量机在线预测方法.该方法以逐次增加最新状态数据并剔除最旧状态数据的方式更新最小二乘支持向量机预测模型,利用分块矩阵求逆运算简化了新旧状态数据交替增减所带来的预测模型重训问题,通过贝叶斯证据框架实现预测模型超参数的在线动态优化.应用于雷达发射机中高压电源与多注速调管的状态时间序列预测实例表明,该方法的预测精度与计算效率比自适应灰色模型方法分别高9.52%与73.26%,具有预测精度高、预测稳定性高与计算效率高的优点,适用于电子系统在线状态时间序列预测.     

基于自适应支持向量机的磨粒识别技术研究

通过对铁谱磨粒类型进行识别,可有效监测机械装备磨损状态,有利于尽早发现和消除故障隐患。对粒子群优化算法进行改进,采用改进的粒子群算法同时优化支持向量机的惩罚参数和核函数参数,建立了自适应磨粒识别模型。通过对磨粒样本进行仿真实验,识别正确率达到98%,并与BP神经网络方法进行对比,结果表明了该方法的有效性及优越性。     

一种组合导航系统故障检测算法

在研究组合导航系统常用故障检测方法的基础上,将两种χ2故障检验法的检验量相结合,提出了一种针对组合导航系统的二叉树模糊支持向量机故障检测算法.该算法综合应用了Kalman滤波器、二叉树支持向量机等理论,采用模糊因子有效地减弱了噪声样本数据对支持向量机训练结果的影响,采用二叉树支持向量机的多个支持向量机实现对组合导航系统的多级故障进行多级分类和故障检测.最后,针对MINS/GPS组合导航系统,进行了相关仿真研究,仿真结果证明了该方法的有效性.     

面向污水处理过程的预测元-RVM故障诊断建模

污水处理系统是一个复杂的非线性大系统,存在作业环境恶劣、控制目标复杂等问题。这些问题导致污水厂故障频发,因此急需开发高效的监测技术。本研究提出了一种新的故障监测技术,即预测元-相关向量机方法。该方法是将可预测元算法与相关向量机进行有机结合。首先利用可预测元算法对在污水厂采集的数据进行特征提取,去除重复特征和冗余信息。然后,利用处理后的数据训练相关向量机模型。为了验证所提方法的优越性,将预测元-相关向量机与相关向量机(RVM)、主元分析-相关向量机(PCA-RVM)和独立元分析-相关向量机(ICA-RVM)3种方法同时用于监测国际水协会提供的污水仿真基准平台(BSM1)。实验表明本研究所提方法诊断精度高于3种基础方法。     

基于支持向量机的滚动轴承早期故障诊断

针对航空发动机故障诊断过程缺乏大量实际故障数据的问题,提出了一种基于支持向量机和小波包相结合的滚动轴承的早期故障诊断方法.该方法利用有限的故障样本,以结构风险最小原理为基础,建立滚动轴承早期故障特征与其运行状态之间的对应函数关系,即故障分类器,并以该函数的输出判定轴承的早期故障类型.实验结果表明,小波包分析能够有效的提取滚动轴承中微弱的早期故障特征,支持向量机可以对这些早期故障特征进行准确识别.     

基于超球的支持向量机增量学习算法

支持向量机方法已经成功地应用于解决分类和回归问题,但是在训练支持向量机时需要求解二次规划问题,使得支持向量机的训练时间过长,训练样本量越大,这个缺陷越明显.将超球方法与回归支持向量机相结合,提出一种增量学习的新方法.该方法使用两个同心超球缩减训练集,以达到提高训练速度的目的.通过分析表明,这种新的增量学习方法较普通支持向量机训练方法有较低的计算复杂度.实验结果表明,该算法可以在不降低预测准确性的同时减少大量建模时间.     

基于小波包分析与支持向量机的电力电子整流装置故障诊断

针对当前电力电子整流装置使用的故障诊断方法在应用过程中表现出的缺陷,提出了一种基于小波包分析与支持向量机的电力电子整流装置故障诊断方法：首先使用小波包分析方法对故障信号波形进行分解,提取故障特征向量,然后使用支持向量机理论构造多分类故障分类器对提取的故障特征向量进行分类.仿真实验结果表明,该方法能够有效地完成对电力电子整流装置的故障诊断,具有很好的工程应用价值.     

多包传输机制下航空发动机分布式控制系统故障检测

考虑航空发动机分布式控制系统中,传感器与控制器间采用多包传输机制,传感器节点将测量数据封装为多个数据包发送给控制器,在每一采样时刻,同时产生的多个数据包只有一个能够发送,不能发送的数据包则被数据总线丢弃,针对这种情况,设计了神经网络预估器,用预估值来更新未被传输的数据包,使多包传输分布式控制系统"变为"单包传输分布式控制系统,建立了基于状态预估的多包传输分布式控制系统模型,构建了相应的故障观测器,将观测器误差系统看成一个离散周期系统,并应用周期系统稳定性理论推导了神经网络预估器和故障观测器能够稳定工作的条件。最后,给出了具体的故障检测步骤,仿真结果验证了所提出的故障检测算法的有效性。     

A Parallel Decision Model Based on Support Vector Machines and Its Application to Fault Diagnosis

Many industrial process systems are becoming more and more complex and are characterized by distributed features. To ensure such a system to operate under working order, distributed parameter values are often inspected from subsystems or different points in order to judge working conditions of the system and make global decisions. In this paper, a parallel decision model based on Support Vector Machine (PDMSVM) is introduced and applied to the distributed fault diagnosis in industrial process. PDMSVM is convenient for information fusion of distributed system and it performs well in fault diagnosis with distributed features. PDMSVM makes decision based on synthetic information of subsystems and takes the advantage of Support Vector Machine. Therefore decisions made by PDMSVM are highly reliable and accurate.     

基于活动轮廓模型的在线铁谱图像分割研究

为了准确分割磨粒区域以得到油液中铁谱磨粒的含量，从而获取设备油品及故障信息，以图像可视在线铁谱传感器获取的磨粒图像为对象，引入了基于曲线演化理论和水平集方法的两个区域几何轮廓模型，即LBF模型及IR模型。通过对比这2种模型的分割效果发现：IR模型具有更高的分割准确率和更快的收敛速度。然后进一步分析了模型参数对分割结果的影响，得出不同磨粒浓度条件下对应最优分割效果和最短运算时间的分割参数值，为在线监测中磨粒图像分割参数的自适应选择提供了依据。实验结果表明，研究所采用的分割模型对于磨粒图像具有更高的分割准确率和收敛速度，为后续快速、准确计算油液中铁谱磨粒含量提供了保证。     

航空发动机轴承腔的热分析计算

轴承作为航空发动机的关键部件之一,对发动机的可靠性起着决定性的作用。文中针对航空发动机轴承腔运用热网络法建立了轴承腔的热平衡方程组,并求解了该方程组,从而获得了10种不同工况下的温度场计算结果。计算分析与实际测试结果基本相符,从而为发机轴承的滑油量提供了技术准备。     

基于油液监测的柴油机磨损故障诊断系统

运用专家系统的原理和构建万法,建立了知识库模型,编写了搜索推理代码,并在此基础上基于C#和SqlServer采用油液分析技术中的光谱分析、铁谱分析和常规理化分析,建立了柴油机磨损故障诊断系统．该系统可用于诊断磨损的部位、类型和性质．以济南柴油机厂的4190柴油机为研究对象,对该系统进行了检验,实验结果表明该系统能够定位柴油机磨损故障的部位,并诊断其故障性质及原因．     

基于EEMD的柴油机缸套磨损故障诊断

针对柴油机缸套磨损故障诊断问题,在实车上测试了柴油机机体振动信号,应用经验模态分解(EMD)对不同磨损状态下的柴油机机体振动信号进行了分析,然而,EMD存在的模态混叠问题使其难以获得准确的基本模式分量(IMF).为此引入基于总体经验模态分解(EEMD)的改进的局域波分析方法,利用EEMD获取无模式混淆的IMF,通过Hilbert边际谱分析信号能量随瞬时频率的变化特征.工程实测分析结果验证了应用该方法进行柴油机缸套磨损故障诊断的有效性.     

支持向量机在变压器故障诊断中的应用

针对变压器传统检测方法的局限性,本文提出了一种基于支持向量机的电力变压器故障诊断方法,并构建了相应的数学模型。仿真结果表明,该模型能有效提高变压器故障诊断的准确率。     

基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出一种基于主成分分析(principal component analysis,PCA)和支持向量机(support Vector machine,SVM)模型的滚动轴承故障诊断方法.通过比较不同方法计算的标准差和拉依达准则对数据进行误差分析,利用MATLAB软件中的PCA函数对数据进行主成分分析,将8个原始变量降维成3个综合变量,分别从降维前和降维后的输入属性数据中随机选取70％的数据作为训练集来建立SVM分类模型和PCA-SVM分类模型,而把剩余的30％作为测试集来对模型的性能进行仿真测试.MATLAB仿真测试的结果表明,PCA-SVM模型的分类效果更好,其预测正确率对于绝大多数故障诊断来说是可以接受的,可以作为一种故障诊断的评价标准.     

基于多分类支持向量机的有杆抽油泵故障诊断研究

针对传统方法对有杆抽油泵系统进行故障诊断存在的缺陷,提出了基于支持向量机的抽油泵故障诊断方法.为解决高维、非线性分类问题,通过引入核运算技巧,分析非线性软间隔分类学习机具体算法,并得到使分类间隔最大的最优分类超平面方程.提出了特殊情况下的样本数据标准化处理具体算法,采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性.采用一对多SVM分类器对抽油泵工况进行了多分类仿真试验,并与BP网络、RBF网络、最小距离法等加以比较,试验结果表明一对多SVM分类法理论严谨,方法可行,自适应好,可在线运行,在解决有杆抽油泵故障诊断问题中表现出了良好的性能,有助于提高采油效率,实现远程采油控制智能化,建设数字油田.