一种在线稀疏LSSVM及其在系统建模中的应用

为了减少在线最小二乘支持向量机(LSSVM)的计算量和存储空间,提出了一种在线稀疏LSSVM.这种LSSVM利用滑动时间窗中部分时刻的样本作为训练样本集.新时刻的样本总是加入训练样本集;每次删除样本时,若滑动时间窗最前端时刻的样本在训练样本集中,则删除它,否则从训练样本集中选择留一法预测误差最小的样本删除.与现有的在线LSSVM相比,这种在线稀疏LSSVM能用较少的样本学习系统较多的特性,能提高时空效率;与现有的在线稀疏LSSVM相比,它能摆脱陈旧样本的影响,更加适应系统的时变性.系统建模仿真实验表明,该在线稀疏LSSVM能节省时间和空间,具有较高的预测精度.     

小波包与SVM用于压缩机在线故障检测的研究

研究了滚动转子压缩机在线故障检测的方法.以压缩机壳体振动信号作为分析对象,应用小波包分解将信号分解至不同频带上,提取小波包分解系数的统计参数(包括有效值、方差、偏度和峭度)作为支持向量机(SVM)故障分类器的输入特征向量,用于判别正常与故障压缩机.测试结果表明:该方法用于转子式压缩机故障检测是有效的.     

基于GSRDPGE算法的转子故障数据集降维方法研究

针对旋转机械故障数据集因高维和信息冗余而导致故障分类困难的问题,提出有效降低数据维数的组稀疏残差判别保持图嵌入算法.首先,该算法改进了类间稀疏编码的方式,得到了更具判别性的类间稀疏权重矩阵;然后,通过加权的方式清除特征集中离群点对稀疏编码的影响;最后,以类内重构散度最小、类间重构散度最大为目标计算最优判别投影矩阵.通过Iris仿真数据集和双跨转子系统的故障数据集对所提算法进行验证,并与其他几种典型降维算法对比,证明该算法能够同时兼顾数据分布状态的全局性和局部性,使故障类别之间差异性更突出,并能够提高故障模式识别准确率.研究表明,该算法可为转子故障智能诊断提供参考依据.     

机械故障稀疏特征相似性度量优化研究

针对当前机械故障诊断研究忽略了对其参数的选取与优化,导致准确性较差等问题,提出基于量子遗传 算法优化的机械故障稀疏特征相似性度量方法。基于先进行信号非线性混合,再进行去混合。将峭度作为目 标函数,利用量子遗传算法,对盲源分离过程的分离矩阵参数与非线性去混合参数进行优化,实现机械故障盲 源分离。基于故障信号处理,利用量子遗传算法与最小二乘支持向量机(LSSVM: Least Squares Support Vector Machine)相结合实现机械故障稀疏特征相似性度量。当LSSVM在机械故障诊断时对模型参数选取,利用量子遗 传算法针对 LSSVM 模型参数进行优化。将 LSSVM 参数选取问题转换为优化问题,利用优化后的 LSSVM 分类 模型实现机械故障稀疏特征相似模式分类。实验结果表明,该方法可以实现高效盲源分离,机械故障诊断准确 率高,运行性能良好。     

基于支持向量回归机的同步发电机励磁电流预测方法

为了能更准确、容易地在线诊断出同步发电机转子绕组匝间短路故障,提出了一种基于支持向量回归机的励磁电流预测方法.利用同步发电机正常运行时不同工况下的机端电压、有功功率、无功功率和励磁电流来建立发电机励磁电流的支持向量回归机预测方法.利用该方法预测正常运行时所需励磁电流,并与在线实测的励磁电流进行比较,误差(相对误差)超过阈值就诊断为发生匝间短路故障.通过微型同步发电机动态模拟实验表明,该方法的精度优于BP神经网络法和遗传规划法.     

转子断条故障检测新方法研究

简介了笼型异步电动机转子断条故障在线检测方法,指出如何精确检测出电机转子断条故障信号是一个重要的问题。针对这一问题,提出了一种小波包分析结合FFT的处理方法,并应用该方法对模拟信号和实验信号进行了分析,分析结果表明该方法能够精确检测出电机断条故障信号。     

电机转子绕组匝间短路故障诊断研究

分析了探测线圈检测电机转子绕组匝间短路故障的机理,构建故障诊断系统.以WTMM为基础,对信号进行分析并计算波峰特征的Lipschitz指数.以MATLAB为后台对信号进行仿真,以Lipschitz指数α的方差为定标,得出发生匝间短路故障的位置和故障程度.实验表明,通过Lipschitz指数来判断故障发生及其故障程度是一...     

负熵最小化加权最小二乘支持向量机及其应用

提出了一种负熵最小化加权最小二乘支持向量机分类模型,并应用于水下底质识别任务.该模型在原始最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)基础上引入权重,通过权重分布的负熵最小化调节和控制权重的稀疏度,然后使用该稀疏分布权重进一步进行加权LSSVM再学习,从而实现对原始LSSVM分类边界的调整优化.将负熵最小化加权LSSVM应用于水下钴结壳底质识别,实验结果表明,该负熵最小化加权LSSVM能显著减小钴结壳错判率和识别正确率,有效提高底质识别效果.     

基于全局代表指标的LSSVM最优稀疏化算法

缺少稀疏性是最小二乘支持向量机(least square support vector machine, LSSVM)的主要问题之一,本文针对此问题提出一种LSSVM的最优稀疏化算法.首先,定义了特征空间中样本的密度、离散度并进一步导出样本的全局代表指标(global representative indicator, GRI).然后,以样本剪切率和邻域大小为优化变量,以校验样本集的均方根误差(root-mean-square error, RMSE)为目标函数将LSSVM的稀疏化问题转换为带约束的最优化问题;其中,样本剪切以GRI为指标进行.针对优化问题提出了基于PSO的求解方法.最后,以二维sin c函数模型为对象探讨了GRI指标与样本支持值的关系,验证了本文最优稀疏化算法的正确性和合理性,并呈现了3种稀疏化方法的对比研究结果.     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达.以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比.结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度.     

基于EIP以太网模块的电机振动数据采集系统

针对电机故障早期预报和诊断问题,利用电机振动值可表征故障的特性,通过借助位移、速度和加速度三类传感器实现较宽范围振动频率的采集,并通过以太网模块EIP-341经由Ethemet网络远传上位机系统或符合CIP协议标准的PLC进行在线故障检测.该系统具有远传功能和数据存储功能,把采集数据存储到U盘内部,通过查询和分析历史数据,可更好地分析电机故障特性,有效预防电机故障的发生.     

基于LSSVM的开关磁阻电机转子位置估算

针对开关磁阻电机(SRM)中位置传感器在恶劣环境下存在脱落、故障的隐患,提出了基于最小二乘支持向量机(LSSVM)的SRM转子位置估算方法.利用改进的电压脉冲法获取电机磁特性数据,将交叉验证法与凑试法相结合以选取合适参数,并对LSSVM进行训练.与改进的反向传播神经网络(BPNN)的位置估算相比,LSSVM的训练时间缩短了72%,训练样本的均方误差减小了7.8%,测试样本均方误差减小了19.6%,且测试样本误差较训练样本减小64.5%.在Simulink中利用S函数建立仿真系统,结果表明,在高速、低速、负载突变的情况下,LSSVM位置估算模块的平均误差在0.1°以内,说明其训练速度快,泛化能力强,精度高,鲁棒性好.     

利用系统动态模型参数“在线”诊断电机故障

为了解决电机故障的在线诊断,首先对电机的系统动态模型参数进行在线最小二乘估计,根据估计的系统模型参数的变化,利用基于模型参数估计方法实现系统故障检测。根据模型参数的检测诊断方程,识别系统的故障因素,结合应用实例,证明其方法是可行有效的。     

检测转子断条时定子电流故障特征分量的新方法

本文探讨了一种笼型异步电动机转子断条故障在线检测方法，指出如何精确检测出电机转子断条故障信号是一个重要的问题。针对这一问题，提出了一种小波包分析结合FFT的处理方法。该方法弥补了单独使用FFT无时间分辨力和无法准确识别微弱故障特征信号的缺点。分析结果表明，该方法能够精确检测到电机转子断条故障信号，是切实可行的。     

航空发动机油液磨粒与故障关系RVM预测方法

支持向量机方法应用于发动机油液磨粒与故障关系预测时,常出现稀疏性不强、计算量大、核函数必须满足Mercer条件等问题。针对这一问题,在原理介绍和推导的基础上,利用某型航空发动机滑油光谱分析得到的237组数据中的7种金属磨粒浓度及其对应的发动机工作状态,对相关向量机预测方法进行了检验。采用相关向量机、最小二乘支持向量机和反向传播神经网络方法,对发动机工作状态进行预测。结果表明,在同等条件下,与LSSVM和BP-NN相比,RVM拥有计算量较少、预测时间较短,精度较高等优势,可广泛应用于发动机油液磨粒分析与故障预测。     

基于支持向量机的传输线故障类型识别算法

针对电力传输路由线路故障类参数多识别率不高等问题,利用提取故障特征向量和支持向量机结合的算法识别线路故障类型.提取故障线路特征向量,采集变化量的有效值,计算突变量所占三相突变量有效值总和的比例系数,将比例系数与零序电流判别系数结合构造故障特征向量.训练支持向量机以测试集特征向量作为输入,利用训练好的支持向量机判别分类,实现故障类型识别.实验表明,提出算法可克服多重困难针对输电线路十种类型故障进行学习并识别,并保证精度和效率.     

基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标———铁水硅含量[ Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机( R-S-LS-SVR)与多目标遗传参数优化的铁水[ Si]动态软测量建模方法。首先,针对标准最小二乘支持向量机( LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGIII加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标。在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[ Si]在线软测量模型。工业实验及比较分析验证了所提方法的有效性和先进性。     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

基于振动信号分析的感应电机气隙偏心故障诊断

电机的偏心故障会引起气隙磁场不均匀,由电磁感应理论可知,不平衡的磁场作用在定转子上会产生不平衡磁拉力,使电机发生异常振动,故电机的振动信号可间接反映内部磁场变化,进而有利于判断电机内部是否发生气隙偏心故障.主要分析了振动信号与偏心故障间的关系,先分析电机气隙大小对磁场的影响,计算出振动作用力大小;再通过故障模拟平台测得数据对理论分析得出的故障特征频率进行验证;总结了气隙偏心故障与电机机械振动现象间的关系.     

基于LSSVM概率输出与证据理论融合的变压器故障诊断

为了利用相对较少的故障数据样本对变压器主要故障类型进行较准确的判断,基于智能互补和数据融合的思想,提出基于最小二乘支持向量机LSSVM( least square support vector machine)概率输出与证据理论融合的故障诊断方法。该诊断方法具有以下特点：可融合蕴含变压器运行状态的多种特征信息,输出变压器各种故障的概率,为变压器检修提供更多的可用信息;充分发挥了LSSVM在小样本情况下具有较强泛化能力的优势。算例结果表明,该诊断方法的故障诊断准确率达到91.1%,优于传统的IEC三比值法(故障诊断准确率75.6%)及LSSVM分类法(故障诊断准确率82.2%),有效降低了诊断误判的风险。