基于ESVR信息融合的航空发动机故障诊断研究

提出了一种基于进化支持向量回归机(ESVR)融合的航空发动机故障诊断技术,整合基于模型的卡尔曼滤波器和基于数据的神经网络两种算法对故障诊断的优势,实现了对航空发动机气路部件异常监测,以及故障的定量诊断.解决了发动机模型精度有限和各种故障模式的传感器测量参数有限情况下的气路部件故障诊断精度差、效率低,且容易发生误诊的问题.以某型双轴涡扇发动机典型气路部件故障诊断为例,验证了基于ESVR信息融合的故障诊断技术的有效性.     

一种基于改进RVM变压器故障诊断新方法

对比于支持向量机(SVM),相关向量机(RVM)在分类性能方面优势明显.引入核主成分分析(KPCA)和量子粒子群算法(QPSO)对RVM电力变压器故障诊断模型进行优化.设定标准化的变压器主要特征气体含量为输入量,以二叉树的分类方法建立基于KPCA-QPSO-RVM的变压器故障诊断模型.通过实例分析,并且与SVM、RVM方法对比,证明该方法可以取得更优秀的故障诊断精确率,相关向量个数明显少于支持向量个数,诊断速度显著提高.     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机(SVM)参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性,提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明:应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

遗传关联向量机高光谱影像分类

基于高光谱影像临近波段相关性高, 直接在高维空间分类并非最优,并且使用交叉验证进行分类器参数寻优过程繁琐,提出了遗传关联向量机（GA RVM）高光谱影像分类算法,使用遗传算法搜索面向关联向量机（RVM）的最优参数和特征子空间, 消除冗余信息, 简化参数优化过程.实验环节验证了GA RVM算法的有效性,剔除约50%冗余波段后,总体分类精度提高3%, 对难分地物改进尤为明显, 其中混分最严重的2种大豆精度提高了8%.     

基于改进鲸鱼算法优化支持向量机的故障诊断的研究与应用

故障诊断在工业生产过程中具有很重要的作用,尤其是对于要求比较高的分子蒸馏来说,微小的故障都会造成其提纯率,因此提出一种基于改进鲸鱼算法优化支持向量机的故障分类方法(improved whale optimization algorithm-support vector machine, IWOA-SVM),加入反向学习策略和对数权重因子到普通鲸鱼算法中。首先,用反向学习策略(opposition-based learning, OBL)代替随机初始种群,用反向学习策略选取出反向种群,对种群进行择优选择,一方面OBL能够高效地提高群智能算法的全局搜索能力,另一方面提高鲸鱼算法在重复迭代中的多样性,使其跳出局部最优解;其次,引入自适应权重因子并将其加入到鲸鱼优化算法中,利用权重因子的动态变化,很大程度上增强了全局搜索能力;最后,采用改进之后的鲸鱼算法对SVM的参数进行寻优,并利用优化之后的支持向量机对刮膜蒸发过程获得的故障数据进行诊断识别,将IWOA-SVM的结果与其他3种做对比。结果表明,IWOA-SVM算法分类准确率提升了2%,且其准确率保持在98%以上,在分类结果的准确性以及算法的鲁...     

基于人为误差的支持向量机——AE-SVM

传统的支持向量机是将分类问题转化成二次规划问题来解决的。针对传统的支持向量机算法及其变形算法忽略了训练集数据含有较大人为误差参与时其算法精度所存在的保障问题,提出了基于人为误差的支持向量机(artificial error—support vector machine以下称AE-SVM)的基本理论,并建立了AE-SVM的理论模型。该模型是C-SVM模型的改进和推广。     

构造特征复杂性减低的支持向量机

支持向量机(SVM)较一般的机器学习方法显示出更好的泛化能力.然而,在实际的数据中经常存在着大量冗余、噪声或者不可靠的特征,这严重影响到SVM的性能.因此,有必要减低特征复杂性以获取更好的SVM结果.本文提出了一种基于遗传算法(GA)的嵌入式框架下的特征优化算法,以构造改进SVM.针对选择的UCI成人数据库的实验表明,与原始的SVM相比,提出的改进SVM方法获得了更少的支持向量数目和更好的分类精度.     

基于改进变分模态分解的有载分接开关机械状态监测

为提高变压器有载分接开关(On-Load Tap-Changer,OLTC)机械状态智能诊断水平,提出了基于改进变分模态分解(Improved Variational Mode Decomposition,IVMD)-权重散度的OLTC机械状态特征提取方法,以及和声搜索算法(Harmony Search,HS)优化相关向量机(Relevance Vector Machine,RVM)的故障分类方法.本文进行模拟实验测得了多组不同工况下的OLTC机械振动信号,通过IVMD算法将振动信号分解为一系列有限带宽本征模态函数(Intrinsic Mode Function,IMF),计算IMF分量与原始振动信号的K-L散度(Kullback-Leibler Divergence,K-L),再乘上权重系数得到权重散度,以权重散度来表征多组OLTC机械振动信号的时频域复杂度.同时构建了RVM多分类模型,并通过和声搜索算法对RVM的核函数选择进行了优化,有效地实现了对于权重散度的分类.实验与数据分析结果表明,本文所提综合诊断方法精度较高,可准确提取机械故障特征,能够为OLTC智能故障诊断提供必要的参考.     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型.采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优.实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的.     

基于BP改进的KNN算法在北京密云土地覆盖分类中的应用

针对k近邻(k-nearest neighbor,KNN)算法在土地覆盖分类中存在将山体阴影覆盖下植被误分成水体的问题,提出改进的KNN算法。改进算法充分利用神经网络能有效区分山体阴影覆盖下植被和水体的特性,实现BP神经网络与KNN算法的融合,整体提高了北京市密云区土地覆盖分类精度。实验结果表明:相对于支持向量机(support vector machine,SVM)、随机森林、BP神经网络和KNN算法,改进算法分类精度最高,达到了95.20%,分类精度比未改进KNN算法提高了6.43%。改进算法的Kappa系数在对比算法中也是最高的,达到0.93。此外,实验结果也表明改进算法可应用于中分辨率遥感图像分类中。     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks, CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders, SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明：利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

基于人为误差的支持向量机——4E-SVM

传统的支持向量机是将分类问题转化成二次规划问题来解决的。针对传统的支持向量机算法及其变形算法忽略了训练集数据含有较大人为误差参与时其算法精度所存在的保障问题,提出了基于人为误差的支持向量机（artificial error-support vector machine以下称AE—SVM）的基本理论,并建立了AE—SVM的理论模型。该模型是C—SVM模型的改进和推广。     

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。     

SVM与BP神经网络在石煤提钒行业清洁生产评价中的对比研究

为比较 BP 神经网络(ANN) 和支持向量机方法(SVM) 两种机器学习方法对清洁生产的评价能力， 以理论原理为基础，比较了两种机器学习算法在应用原理方面的差异．并以石煤提钒生产工艺中水浸工艺为对象， 对 BP 神经网络和支持向量机在清洁生产水平评价上进行了对比研究．结果表明: 支持向量机方法分类精度为 100%; BP神经网络为 90%但易陷入局部最优，因此支持向量机方法在解决小样本评价问题时具有较高的实用价值.     

基于Sigma点卡尔曼滤波的燃气轮机气路故障诊断

针对燃气机复杂的机械和电子控制系统易发生故障的问题,利用Sigma点卡尔曼滤波进行了燃气轮机的在线非线性故障诊断.首先改进了燃气轮机滤波用离散非线性模型,提高了模型精度.采用单形采样构建Sigma点卡尔曼滤波器,降低了计算量.在Simulink平台实现了气路故障诊断系统,并进行了单故障、复合故障、渐变故障、突变故障的测试验证.结果表明:设计的诊断系统具有较高的检测、跟踪精度和故障模式、燃气轮机工况适应性.     

支持向量机及其在机械故障诊断中的应用

针对目前机械故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足，提出了应用支持向量机进行机械故障诊断的方法，研究了将小波包分析与信号能量分解用于机械故障的特征提取。该方法将振动信号小波包分析后的信号频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。该分类器只需少量训练样本，而且不必预先知道故障分类的经验知识就能实现正确分类。研究结果表明：选用不同核函数及其参数的多故障分类器对分类精度有影响；在样本不带噪声和带15％噪声情况下，支持向量机的分类精度均高于BP神经网络的分类精度，具有更好的分类性能。     

基于改进WOA的输电线路故障分析

针对传统支持向量机数据识别分类准确率较低的问题，设计一个改进鲸鱼算法，优化支持向量机识别输电线路故障.通过Simulink仿真搭建电网模型，提取输电线路故障特征，进而使用支持向量机识别故障；利用立方混沌映射初始化种群，引入自适应惯性权重，并把对数螺旋方程中的b设置为动态值以改进鲸鱼算法，并与传统算法进行比较.结果表明：改进鲸鱼算法对输电线路故障分类的鲁棒性强、计算效率高、寻优能力强.     

基于遗传算法优化的相关向量机的燃机涡轮叶片故障诊断

以遗传算法、相关向量机理论作为理论指导,采用基于遗传算法优化相关向量机算法对提取的特征向量进行故障分类,并通过与未优化的相关向量机、支持向量机、BP神经网络方法对比,结果发现通过遗传算法优化的相关向量机算法的故障分类正确率要高于相关向量机算法、支持向量机算法和BP神经网络的故障分类方法的正确率,仿真实验验证了优化后的算法在燃机涡轮叶片故障诊断中的优越性和可行性。