4200轧机垂直振动分析

针对4200轧机建立了垂直振动的力学模型,用Madab计算该振动系统的固有频率和相应振型,分析出第3倍频程对板厚影响最大,并总结出了产生第3倍频程的原因以及解决方法.     

4200厚板轧机机座垂直方向振动的研究

将轧机机座与轧件作为一个系统来研究。根据轧辊和机架的分布质量和挠曲线变形，按照瑞利法正确解决了模型中等效质量和等效刚度，并建立了一个多自由度振动的力学模型，同时以４２００厚板轧机为例，对该模型进行了理论分析与计算。     

基于RS和SVM的水泥回转窑故障诊断研究

将粗糙集和支持向量机两种理论相结合应用于水泥回转窑的小样本故障诊断。首先介绍了粗糙集(RS)理论和支持向量机(SVM)理论的基本理论知识,然后将RS理论应用于水泥回转窑故障信息的知识约简,再利用SVM理论对RS理论约简后的数据进行训练和分类。这种融合之后的诊断方法不仅充分发挥了两种理论的优点,同时克服了SVM对冗余信息和有用信息识别的局限性,有效地降低了SVM的输入信息空间维数,弥补了RS理论法对输入信息中的噪声敏感、抗干扰能力差的缺点,有效地提高了诊断的效率和准确率。     

基于PF能量特征和SVM的变速箱轴承故障诊断方法

内圈点蚀、外圈压痕是变速箱滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于局部均值分解(Local mean decomposition,简称LMD)的PF(Product Function)分量能量特征和支持向量机(Support Vector Machine,简称SVM)相结合的变速箱滚动轴承诊断方法.将采集的振动信号进行LMD局部均值分解,获得若干个PF分量,并以计算的PF分量的能量熵作为特征量输入支持向量机,进行滚动轴承的故障类型的识别.通过对滚动轴承正常状态、内圈点蚀故障和外圈压痕故障的诊断效果对比分析表明,相对于基于神经网络的轴承故障诊断方法,基于PF分量能量特征和支持向量机的诊断方法有着更高的故障识别率.     

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.     

基于SVM的分布式入侵检测系统

支持向量机（Support Vector Machine．简称SVM）具有泛化性高、全局最优、对样本的充分性要求不高等优点,在集中式的入侵检测问题中得到较好应用．文章将SVM算法推广到分布式入侵检测环境中,提出基于SVM的分布式学习算法。并在KDD Cup 99数据集上与集中式方式进行了对比实验．结果表明,该算法不仅能降低网络中的通信负载．而且取得了与集中式方式相当的检测性能．     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

基于Seeded-Kmeans和SVM的分类算法

支持向量机（Support vector machines）在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法（SK-SVM）。用Seeded-Kmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。     

基于PSR和SVM方法的化工过程单变量故障诊断

基于相空间重构(SPR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选,然后对筛选出的关键变量进行相空间重构,再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试,结果表明在单一故障和多故障情况下,本方法均可实现化工过程的单变量故障诊断;与传统SVW方法相比,相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。     

基于SVM和神经网络组合预测模型的物流需求预测

物流需求的定量数据是区域物流发展政策和规划的重要依据,影响物流需求的因素很多,传统的预测方法无法全面考虑各种因素,预测精度较低。为了提高物流需求预测的精度,采用组合预测的方法,建立一种基于支持向量机和神经网络的组合模型。首先采用支持向量机进行预测得到预测基本数据,然后通过BP神经网络进行残差修正,通过算例仿真分析,结果表明组合预测模型具有更高的精度,是一种有效的预测方法,为物流需求预测提供了新的思路。     

支持向量机在齿轮故障诊断中的应用

针对齿轮故障诊断中的小样本事件,采用了支持向量机（SVM）方法.采集齿轮3种典型故障（断齿、磨损、剥落）和正常状态的振动信号,提取时域指标和能量特征作为SVM输入向量,并采用交叉验证（K-CV）法优化SVM参数,最终得到的故障诊断准确率为100%.结果表明SVM是一种有效的齿轮故障诊断方法.     

基于支持向量机的轧制过程灵敏度分析

利用支持向量机(SVM)建立轧制力模型,并由该模型分别对各输入变量进行偏微分,以计算轧制过程出口厚度灵敏度系数,从而解决解析方法难以求解的轧制过程模型“代数环”问题．对轧机第一机架试验仿真,结果表明,基于SVM方法获得的灵敏度具有很高的精度,且由灵敏度确定的控制量可以获得很好的控制效果,同时也表明第一机架辊缝对出口厚度的影响比张力要大,以辊缝控制方式调节出口厚度比张力控制方式具有更高精度．     

二叉树支持向量机的旋转机械故障诊断

针对SVM二叉树多类分类优先级的确定问题,通过旋转机械故障实验平台和数据采集系统,采集旋转机械故障实验台转子正常、转子不平衡、转子不对中、转子轴承内圈裂缝、转子轴承外圈裂缝5种工况下的振动信号,进行零均值化处理;选择信号的主要频段进行信号重组,提取其时域无量纲特征值,利用并联式SVM的正检率大小确定SVM二叉树多类分类的优先级,进行故障类型的识别。通过实验,实现了训练样本的完全可分,说明此种方法的有效性。     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

基于粗糙集的支持向量机故障诊断

该文结合粗糙集属性约简及支持向量机分类机理,提出了一种新的故障诊断方法。首先利用粗糙集对过程特征变量进行约简,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息。基于该特征信息建立支持向量分类机用于故障的诊断。以高压直流输电系统为例,对交流单相接地故障和直流接地故障进行诊断,诊断时间分别为12ms和11ms,诊断正确率分别为98.8%和96.8%。     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

基于小波包熵的轴承状态监测和早期故障诊断技术

滚动轴承是旋转机械中最常用的轴承之一。但其早期故障诊断仍是亟待解决的问题。研究旨在通过基于小波包熵的状态监测技术提早发现轴承的早期故障,进而利用最小二乘支持向量机(LS-SVM)精确诊断轴承的故障类型。利用加速轴承寿命试验台的轴承全寿命数据和故障轴承数据验证了方法的有效性和实用性。结果表明,相比传统监测指标,小波包熵有较好的早期预警能力;结合小波相对能量指标,LS-SVM能快速有效地诊断滚动轴承早期故障。     

利用支持向量机SVM识别车辆类型

支持向量机（Support Vector Machine，SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力，已被广泛地应用于多类分类问题的研究．以车辆轮廓特征为对象，将二类分类支持向量机SVM应用于多类车辆类型的识别，并与其它分类器的分类结果进行了对比．通过9次交叉验证实验，结果表明SVM对车辆数据样本的测试准确率达到了85．59％，其分类性能优于其它分类器．     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.