基于GA优化SVM的滚动轴承故障诊断方法研究

在滚动轴承故障诊断研究中,常采用时域、频域或者时频域分析方法对振动监测数据进行故障诊断。时域中的无量纲指标因对故障敏感,而被广泛运用于机械故障诊断中,但目前无量纲指标在诊断过程中存在严重重叠问题,造成诊断准确率低。为了解决这个问题,研究了基于互无量纲指标和支持向量机(SVM)结合的滚动轴承故障诊断方法。针对SVM对参数依赖性强,且在参数选择上没有系统理论而导致欠学习或过学习的问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的滚动轴承故障诊断方法。利用遗传算法进化搜索原理,以预测的准确率作为适应值,对SVM参数进行寻优,从而得到较优的支持向量机分类模型。实验表明,基于互无量纲指标和GA-SVM算法的故障诊断方法能够准确地识别旋转机械滚动轴承的状态。     

基于SVM的空调系统智能故障诊断研究

空调系统作为武器装备管理系统的一部分,在国防工程中的作用至关重要,致使其结构和功能日益复杂,因此对自动检测提出了更高的要求。为了有效地提高空调系统故障诊断的效率和精度,本文提出了一种基于主成分分析(PCA)特征提取的支持向量机(SVM)混合诊断模型。该模型首先进行归一化预处理,消除奇异数据;然后利用主成分分析对数据属性进行简约,消除冗余信息并进行特征提取,支持向量机进行故障诊断;最后采用网格搜索法和交叉验证法对SVM的惩罚函数和核函数参数进行寻优。通过实例验证表明,整个处理过程将诊断识别率从58.018 1%提高到了99.953 6%,能有效地进行空调系统的故障诊断和定位,并可实现故障的准确区分。     

基于改进支持向量机的石煤提钒行业清洁生产评价研究

采用遗传算法(GA)对支持向量机(SVM)进行改进,并将其应用于石煤提钒行业清洁生产评价.在系统研究石煤提钒工艺类型的基础上,根据前期已建立的石煤提钒行业清洁生产评价指标体系,提出GA改进SVM的应用思路,通过对3种工艺类型企业的现场数据采集,形成训练和测试样本,并利用GA算法确定出各类参数(惩罚参数C和核函数参数g),分别为强酸浸工艺C=2.1049,g=5.2184;弱酸浸工艺C=0.0035286,g=1.9947;水浸工艺C=0.39587,g=1.4105.GA-SVM模型测试结果表明,分类精度达到100%.通过与其他评价方法对比表明,训练好的GA-SVM方法针对小样本数据在分类精度和可操作性上都较其他方法有明显优势,实现了对石煤提钒行业清洁生产水平的定量评价.     

基于主成分分析和粒子群优化支持向量机的边坡稳定性评价

为科学评价边坡工程的稳定性,优化边坡稳定性的预测精度,提高工作效率,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对边坡稳定性影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,然后通过粒子群算法优化支持向量机参数,最终建立边坡稳定性评价模型,并对边坡实例的稳定性进行预测,结果表明:PCA-PSO-SVM模型的运行速度快,预测准确率达909%,满足工程要求。     

基于遗传-支持向量机和遗传-径向基神经网络的有机物正辛醇-水分配系数QSPR研究

基于遗传算法(GA)的因子筛选和支持向量机(SVM)的非线性回归,提出了1种改进的有机物定量结构-性质相关(QSPR)建模方法--遗传-支持向量机(GA-SVM),并将其用于38种食品工业常用有机物正辛醇-水分配系数(Kow)的QSPR建模.结果显示,QSPR模型选取了分子量、Hansen极性、沸点、含氧率和含氢率5种参数;模型的预测值与实测值间的误差平方和(SSE)、均方差(RMSE)和决定系数(R2)分别为0.048、0,036和0.999,表明模型具有较强的预测能力;同时,交叉验证的结果(SSE=0.295,RMSE=0.089,R2=0.995)也表明,模型具有良好的稳健性,因此,GA-SVM算法适用于对有机物正辛醇-水分配系数的QSPR建模.此外,将基于GA-SVM的QSPR模型分别与基于遗传-径向基神经网络(GA-RBFNN)和基于线性算法的模型进行了比较,结果表明,应用GA-SVM建立的QSPR模型无论从稳健性还是预测能力上都优于应用其它2种算法建立的模型,因此,GA-SVM算法比GA-RBFNN和线性算法更适合于对有机物正辛醇-水分配系数进行QSPR建模.     

泥石流危险性评价模型适用性的影响机制研究

以支持向量机(SVM)模型为例,基于云南地区和黄河积石峡水库区两地的泥石流样本,探讨了SVM模型的适用性是否受到泥石流系统空间变异性的影响。以上述两地区的泥石流样本为原始数据,引入灰色关联度模型进行灰色关联度分析,研究了空间变异性对泥石流危险性评价模型适用性的内在影响机制。结果表明:空间变异性对泥石流评价模型的适用性有很大的影响;并且使不同地区同一评价指标对泥石流危险性的重要程度发生改变,影响了模型的适用性。     

支持向量机在太湖叶绿素a非线性反演中的应用

根据湖泊监测的特点,采用支持向量机(SVM)方法,反演太湖叶绿素a的浓度分布.将2005年8月太湖29个现场水质监测点数据分为训练测试样本集和验证样本集,利用训练测试样本集以及与其时间同步的MODIS遥感影像,分别构建了4种SVM模型.对比分析表明,直接以波段反射率以及水深信息构成输入向量的SVM模型预测效果最好.利用训练测试样本构建了线性回归模型、主成分分析模型(PCA)以及神经网络模型(ANN),并利用验证数据比较了上述3种模型与SVM模型的预测结果.结果表明ANN模型和SVM模型预测能力明显优于另外2种模型,其中SVM模型对低值和高值均有较好的预测精度,平均相对误差仅为15.91%,预测精度比ANN模型提高了10%.利用SVM模型和ANN模型分别反演了2005年8月15日太湖叶绿素a浓度分布,比较了2种模型反演结果的异同,分析了太湖叶绿素a分布特征及其成因.     

基于PSO-SVM算法的空气质量分类研究

由于空气组成成分多、含量波动较大,严重影响着分类结果的准确率,因此为了增加空气质量分类预测的可靠性,提出了粒子群（Particle Swarm Optimization,PSO）优化支持向量机（Support VectorMachin,SVM）算法的分类方法。此方法首先通过迭代寻优的方式在全局搜寻最优粒子作为支持向量机的运行参数,之后通过训练集数据进行机器学习建立了支持向量机多分类模型,最后将测试集的输入向量导入该模型得到分类结果。分析结果表明,粒子群优化的支持向量机分类方法能够有效的抑制人为设定运行参数对分类结果的影响,提高了支持向量机的分类准确率,为空气质量等级分类问题提供了一个新的研究思路。     

基于粗糙集和支持向量机的标准农田地力等级评价

标准农田是耕地的精华,是确保国家粮食安全的关键。科学评价标准农田地力等级对标准农田培肥和土壤改良有着重要意义。将粗糙集(Rough Set,RS)理论和支持向量机(Support Vector Machine,SVM)相结合,提出了基于RS和SVM的标准农田地力等级评价方法,同时,利用遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了GASA优化SVM参数算法。该方法首先在确定标准农田地力等级评价指标的基础上,利用地力调查样本数据及传统的指数和法评价结果构建RS决策表,应用RS穷尽算法对决策表进行约简,剔除冗余的评价指标,然后用约简后的评价指标作为SVM的输入,运用GASA优化SVM参数算法对SVM进行训练,建立标准农田地力等级的RS-SVM评价模型。应用该方法对温州市鹿城区标准农田地力等级进行评价,与未用RS约简的SVM模型和BP神经网络模型评价结果进行对比,SVM模型和BP神经网络模型的输入指标数均为15个,其评价正确率分别为100%和90%;RS-SVM模型的输入指标数为14个,其评价正确率分别为100%,结果表明,该方法通过RS约简评价指标后,SVM评价精度并没有降低,但降低了SVM输入向量维数和计算复杂度,提高了训练效率;SVM 用于标准农田地力等级评价,具有比BP神经网络更高的评价精度,可有效用于标准农田地力等级评价,为耕地地力评价提供了新方法。     

基于机器学习的长沙市空气污染物浓度预报研究

基于2014～2019年长沙市6种空气污染物日均浓度的监测数据、同期的气象数据,利用随机森林重要性评估的方法对影响污染物浓度的预报因子进行筛选,构建了基于随机森林算法和支持向量机算法的2种机器学习预报模型对6种空气污染物浓度分别进行预报。结果表明：各污染物浓度预报结果的均方根误差随着AQI指数的增加而变大;经随机森林变量筛选优化之后2种模型对各种污染物浓度的预报准确率都有所提升,且预报准确率都随着预报时效的增大而降低。整体而言,支持向量机回归模型对长沙市空气污染预报具有更强的泛化能力,误差更小。     

BP神经网络与Sugeno模糊积分融合 的转子系统故障诊断

目的针对BP神经网络对转子故障诊断方法存在的局限性,提出一种融合Sugeno模糊积分和BP神经网络的转子故障轴心轨迹识别诊断方法。方法首先利用轴心轨迹图像的不变矩为特征向量,提取常见旋转机械转子故障特征,随后利用多个BP神经网络对故障类型进行识别,最终采用Sugeno模糊积分对BP神经网络识别结果进行决策,从而构建转子故障诊断模型,并应用于转子系统故障的诊断。结果通过机械故障仿真模拟实验平台采集了6种常见转子系统故障信号,利用matlab2012a软件编程建模仿真处理,试验表明,该模型有效地提高了转子系统多类别故障的识别正确率。同时,该方法对同一故障类型识别所需样本少,大大节省了数据获取和处理的时间。结论该方法提出并用于转子系统故障诊断中,诊断准确性高,可靠性强,利用样本数据量少,节约时间,对小样本数据的故障诊断有着良好的效果。     

基于条件变分自编码器的齿轮箱故障诊断

目的实现齿轮箱故障类型的智能识别诊断。方法针对传统故障诊断方法通用性不广、数据依赖强、泛化能力弱并需人工提取特征问题,提出一种基于条件变分自编码器的故障诊断方法。以故障类别概率分布为目标并将振动信号频谱作为条件,通过条件变分自编码器,建立齿轮箱振动信号频谱到对应各故障下的条件概率模型,并通过多层神经网络结合变分推断方法进行训练优化,实现对齿轮箱各类型故障的高精度分类诊断。结果在仅有少量训练数据条件下,实现了准确的故障识别。结论条件变分自编码器在齿轮箱振动信号频谱概率分布建模上具有优异性能,对故障信号数据量的依赖低、泛化能力强,无需人工提取特征。能有效实现齿轮箱故障的智能分类诊断。     

基于AVMD与DPC-FCM的旋转机械无监督故障诊断方法

目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition, AVMD)与密度峰值算法优化的模糊C均值算法(Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM)结合的无监督诊断方法。方法 首先,将多尺度排列熵与峭度相结合的综合系数作为适应度函数,对VMD算法的惩罚因子alpha和模态个数K进行参数寻优,提取分解后本征模态函数(Intrinsic Mode Function,IMF)的平均样本熵与平均模糊熵,并输入至聚类算法中。其次,提出利用密度峰值聚类算法确定FCM的初始聚类中心,降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中,实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性,同时DPC算法可以有效提高FCM算法无监督聚类的准确性,二者结合可以有效实现旋转机械故障的智能分类。     

基于混合推理的枪械故障诊断

目的 提高枪械研制过程中的故障诊断效率与正确率,针对现场排除难度大、单一诊断方法准确率低且操作过程复杂等问题,建立RBR-CBR混合推理模型,实现枪械故障的快速准确诊断。方法 针对枪械故障因果关系复杂、随机性大和迭代更新快等特点,提出以RBR为主、CBR为辅的推理模式。采用RETE算法进行RBR推理,提高规则匹配的效率;采用可拓方法,建立枪械故障实例的物元模型;对数值型和区间型不同组合形式的局部相似度进行准确表征;基于最近邻近法进行实例相似度分析。结果 基于RBR和CBR的混合推理方法,开发了枪械故障诊断专家系统。此专家系统可有效指导研制过程中枪械故障问题的诊断和排除。结论 利用混合推理方法,在保证枪械故障诊断速度的前提下,提高了故障诊断准确率,证明了基于RBR和CBR的混合推理方法的有效性和此专家系统的高效性。     

基于优化算法的弹药贮存寿命预测方法

目的 实现对缺失及不足的制导弹药贮存失效数据预测及补充的能力。方法 首先通过4种不同的预测算法（GA-BP、PSO-BP、GA-SVM、PSO-SVM）,对自然贮存条件下弹药贮存失效数据进行预测,其次根据最小二乘拟合法,实现弹药贮存寿命评估模型的构建,再通过寿命评估模型,计算出不同方法下对应的贮存寿命。结果 通过不同模型的构建,4种预测方法与无优化条件下均能实现弹药贮存失效数据的预测,并且在规定可靠度,GA-BP和PSO-BP预测精度比另外2种方法更低。结论 GA-SVM与PSO-SVM更适合弹药贮存失效数据的预测,且效果更好。     

海洋平台不间断电源锂离子蓄电池故障诊断

目的针对海洋平台不间断电源(Uninterrupted Power Supply,UPS)可靠性要求高,工作环境复杂等特点,建立一种基于多模型粒子滤波的海洋平台UPS故障诊断系统。方法该系统基于飞思卡尔芯片建立各模块间的通信,并根据锂离子电池故障实验后的参数建立故障模型,通过条件概率对海洋平台UPS的正常、过充、过放和过热四类状态进行诊断,提高海洋平台UPS的可靠性。结果使用部分实验所得数据测试了诊断系统对单一故障和复合故障诊断的结果,得到诊断算法对过充、过放和过热三种故障的诊断时间在5 s以内,准确率极高。结论测试结果显示,设计得到的海洋平台UPS故障诊断系统可以准确迅速地诊断故障类型。     

基于人工免疫算法的离散隐马尔科夫故障诊断模型优化

目的解决离散隐马尔科夫模型在行星齿轮箱故障诊断中的自适应性和泛化性问题。方法建立人工免疫优化模型,将包含易被误判样本的多样本集作为抗原,以其正确识别率为适应度函数,不断对初始观测矩阵进行增殖、变异和选择,获得识别率最高时的初始观测矩阵,利用人工免疫算法对隐马尔科夫故障诊断模型的初始观测矩阵进行优化。结果将该方法应用于行星齿轮箱的故障诊断中,通过不同工况下的对比试验、单样本和多样本优化对比试验,验证了优化后的隐马尔科夫故障诊断模型的诊断效果。结论优化后的隐马尔科夫故障诊断模型具有更好的适应性,诊断精度显著提高。     

基于通勤时间距离的LE污水处理过程故障检测方法

污水处理过程的性能监测与故障诊断,对于保障污水处理过程正常运行及保证出水质量达标具有重要意义.针对污水处理过程数据具有非线性、不确定性及且易受随机噪声影响等特征,提出了一种新的基于通勤时间距离的LE流形学习算法实现对复杂过程数据的特征提取.改进算法采用通勤时间距离方式进行样本间的相似度衡量并构造邻域图,理论分析和仿真测试表明改进算法可有效克服基本LE算法的邻域参数敏感问题并提高了算法的鲁棒性.将基于通勤时间距离的LE流形学习算法用于污水处理过程故障检测建模,在低维流形子空间构造综合统计量进行过程监测.应用结果表明,与基于PCA方法和LE方法的故障检测模型相比,基于改进算法的故障检测模型可及时探测故障的发生,具有较低的故障漏报率和故障误报率.为污水处理等复杂工业过程的故障监测提供了一种可行的解决方案.