支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于信号时频特性与GA-SVM的液压泵故障诊断方法

为提高液压泵故障诊断的准确率和速度,提出一种小波包频带能量结合信号时域统计量方差和均方根值的信号特性表示方法,以及一种用于寻找支持向量机最优惩罚因子和径向基核函数模型参数的实值编码遗传算法。实验结果表明这种信号特性表示方法能够很好地展示液压泵不同工作状态下的特征,使不同状态下的信号具有明显的区分度。通过与幂级数分格的网格搜索法对比,验证了实值编码的遗传算法能够有效且快速地找到支持向量机的最优参数。     

人工智能在故障诊断中的应用研究

针对神经网络存在的缺点和不足,主要分析神经网络和粗糙集、支持向量机、粒子群、小波相结合使用的方法.粗糙集和神经网络相结合用于故障诊断,可以通过粗糙集的知识约简功能大量消除训练样本中的冗余信息,减少神经网络的输入层节点,简化网络结构,缩短训练时间;基于神经网络和支持向量机的复合故障诊断技术不但可以进一步提高个体模型预测精度,而且可以使故障诊断模型始终处于最优识别状态;粒子群优化神经网络能够加快网络收敛速度,提高训练精度;小波神经网络能够很好地对故障进行分类,具有较高的识别精度.     

基于小波-支持向量机的齿轮故障诊断研究

针对齿轮工作状态的识别与智能故障诊断问题,提出了应用小波与支持向量机相结合进行齿轮智能故障诊断的方法.将齿轮不同工作状态下的振动信号经小波包分解后的频带能量作为特征向量,并以此作为训练样本对多个支持向量机构成的齿轮多故障分类器进行训练,进而实现对齿轮的智能诊断.通过对提升机齿轮的故障诊断研究表明,小波包与支持向量机相融合的故障诊断与识别技术发挥了两者的优点,是提取机械故障特征进行设备状态自动识别的有效方法.     

改进的粒子群算法的小波支持向量机预警模型

将小波函数引入支持向量机核函数,同时在支持向量机的学习算法上,引入了改进的粒子群优化算法,使得支持向量机的参数得到最优解,从而建立上市公司财务困境预警模型。实验结果表明,本文提出方法的预测准确率高于普通的小波支持向量机预警模型。     

小波包隐Markov模型刀具状态识别研究

针对切削过程中振动信号的特点,利用小波包得到信号能量分布,借助于隐Markov模型(HMM),并以信号的能量分布为特征进行分类,得到一种基于小波包和HMM的切削过程监测新方法.利用实测的钻削振动信号,对该方法进行验证.结果表明该方法能够较有效地识别切削过程刀具的工作状态.     

功率信息互相关法的刀具破损在线监测

为了在数控机床加工中对刀具破损进行有效监测以避免对工件及机床造成损坏,提出了一种利用机床加工功率特征信息和互相关算法的刀具破损在线监测方法。该方法通过Mallat多分辨分析小波算法提取工件正常加工时的主轴功率变化特征序列作为监测刀具状态的特征参考模板,在工件批量加工时采用改进的实时小波算法提取在加工工件的特征向量序列并与特征参考模板序列进行局部实时广义互相关系数计算,当刀具发生破损失效时,与正常情况相比在采样点计算时窗内的两特征向量子序列的相关性显著降低,将表征序列相关性的广义互相关系数定义为刀具状态系数(Tool Condition Index,TCI),对该系数设定合理的门限值即可监测刀具状态的异常。该方法在几种典型刀具破损的在线监测中均能准确识别刀具失效,实验结果表明其具有一定的实用性。     

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．     

基于小波相关向量机的产品质量模型

针对常用的质量建模方法精度不高且难以给出预测区间,提出了基于小波相关向量机的产品质量模型.应用仿真数据和带钢热镀锌锌层质量的实际生产数据分别建立了小波相关向量机模型.结果表明,小波相关向量机方法与支持向量机及传统的相关向量机相比,具有更好的预测精度,而且给出了预测区间.多组带钢热镀锌锌层质量实际数据的相对预测误差的平均值为4·52%,为保证产品质量提供必要的决策支持和分析手段.     

Machinery Condition Prediction Based on Support Vector Machine Model with Wavelet Transform

Soft failure of mechanical equipment makes its performance drop gradually,which occupies a large proportion and has certain regularity. The performance can be evaluated and predicted through early state monitoring and data analysis. The vibration signal was modeled from the double row bearing,and wavelet transform and support vector machine model（ WT-SVM model） was constructed and trained for bearing degradation process prediction. Besides Hazen plotting position relationships was applied to describing the degradation trend distribution and a 95%confidence level based on t-distribution was given. The single SVM model and neural network（ NN） approach were also investigated as a comparison. Results indicate that the WT-SVM model outperforms the NN and single SVM models,and is feasible and effective in machinery condition prediction.     

基于小波分解和支持向量机的ENSO预测试验

为了改善ENSO的预测效果,基于Nino综合区的海温距平时间序列,采用小波分解和最小二乘支持向量机结合的方法,引入多步递阶预测的思想,建立ENSO的预测模型.试验结果表明:基于小波分解和最小二乘支持向量机结合的多步预测方法,可以有效提高ENSO的预报精度.同时,该模型具有同时得到不同时效的预测结果,建模方便,计算效率高...     

基于多变量希尔伯特频域模型的癫痫发作预测

癫痫发作具有突发性和反复性,对患者生命安全构成巨大威胁.为了对癫痫发作进行有效地预测,提出了多变量希尔伯特频域模型的癫痫发作预测方法.将希尔伯特边际谱、希尔伯特边际谱的变化方向和希尔伯特加权频率组成一个三维特征向量作为多变量希尔伯特频域模型,输入到支持相量机中,实现癫痫的发作预测,最后采用癫痫发作预测特征方法对预测结果进行评估.实验结果表明:采用多变量希尔伯特频域模型分析方法预测δ波和θ波的癫痫发作,癫痫预测范围在30~45 min,患者有足够的时间采取措施应对;癫痫发作周期在5~10 min,缩短患者等待时间,降低焦虑程度;与多种相关方法进行比较,该方法具有较低的错误预报率和较高的预测敏感度.     

利用AR模型和支持向量机的调速阀故障识别

提出一种基于时间序列的自回归(AR)模型和支持向量机故障识别方法.以液压调速阀的故障识别为例,利用采集到的调速阀体的振动信号建立AR模型;然后,将AR模型自回归系数和残差方差组成的特征向量输入到支持向量机.最后,通过支持向量机完成对调速阀的正常和各种故障工况的分类识别.实验结果和分析表明,识别率不仅与核函数的选取有关系...     

多金属矿产综合信息区域深部成矿预测——以临江市东港地区靶区预测为例

针对现有成矿预测方法存在预测精度低、效率不高的问题,提出多金属矿产综合信息区域深部成矿预测方法。采用地理信息系统(geographic information system,GIS)建立多金属矿综合信息库,数字化处理成矿信息。建立证据权模型,结合信息库,通过计算控矿地质因素的对比度,获取最优缓冲距离,完成区域深部成矿信息提取。基于此,利用遗传算法优化支持向量机参数,基于优化参数后的支持向量机完成成矿预测。实验结果表明:所提方法的最优缓冲距离计算准确率较高,支持向量机参数优化耗时短,且成矿预测精度在90%以上,不受数据状态的影响,预测度也优于传统方法,表明所提方法能够高效完成成矿预测。     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.