基于PCA-SVM的储运过程故障诊断方法

针对储运过程工艺复杂、监控变量多且故障样本数据相对有限的问题,在介绍主元分析原理和支持向量机方法的基础上,提出了主元分析与支持向量机相结合的储运过程故障诊断方法,建立了提高故障诊断速度和诊断性能的故障诊断模型。首先采用主元分析法进行特征提取实现降维,其次构造新的训练和测试样本集,最后训练支持向量机分类器的故障诊断流程。以数字化油库为仿真实验对象,进行了油料收发过程中的故障诊断实验,验证了所提方法的有效性。     

基于LS-SVM方法的某核电站主泵故障诊断

主泵是核电厂非常重要的设备,它直接关系到整个核动力装置能否安全运行,对其进行有效的故障诊断十分必要。支持向量机(SVM)具有使用较少的训练样本达到较好分类效果、不需要故障分类的先验知识的特点,可以应用于主泵的故障诊断。为此,首先使用小波变换提取某主泵的转子质量不平衡、转子不对中、碰摩等三种典型故障的故障信息,然后使用最小二乘支持向量机(LS-SVM)方法对故障模型进行训练,最后对训练得到的模型进行故障诊断。诊断结果较好,从而验证了该方法的有效性。     

基于LSSVM与WNN的燃气轮机状态趋势预测

为了对燃气轮机未来状态趋势进行预测,提出基于最小二乘支持向量机(LSSVM)与小波神经网络(WNN)组合的燃气轮机状态趋势预测方法,把最小二乘支持向量机的预测结果分为两部分,将实际参数数据与前一部分的预测结果计算残差,然后利用小波神经网络对残差进行预测,再将预测的残差与最小二乘支持向量机的预测结果的后一部分进行合成,将合成的结果作为最小二乘支持向量机-小波预测模型的预测结果。结合某型燃气轮机进行试验验证,验证结果表明,组合的最小二乘支持向量机与小波神经网络预测模型预测效果更好,预测结果相对误差为0.12%。     

基于改进LS-SVM的雷达故障诊断技术

针对传统雷达系统故障诊断流程复杂、诊断时间长且准确率仍有上升空间的问题,将改进最小二乘支持向量机算法引入到雷达系统故障诊断中,建立雷达故障诊断模型。该方法很好地解决了分类和函数估计问题,加快了诊断速度,改善了最小二乘支持向量机的鲁棒性和稀疏性,并提高了诊断准确率。通过对某型雷达故障诊断实例仿真,对比改进最小二乘支持向量机和传统神经网络在雷达故障诊断上应用的效果,仿真结果验证了该方法较传统神经网络,具有更好的雷达故障诊断效率和准确率。     

基于改进LS-SVM的异步电机转子故障诊断

为了提高异步电动机转子故障的诊断精度,给出了一种基于改进最小二乘支持向量机(LS-SVM)的多故障分类算法。首先运用FFT处理电机的定子电流信号得到信号频谱图,从中提取故障特征向量;然后将特征向量送入改进算法进行故障诊断时,在原有多分类算法的基础上引入层次分析法确定故障类别的权重,根据权重值确定故障的诊断顺序,依次进行故障分类。实验表明,改进算法用于故障诊断节省了诊断时间,提高了诊断精度,具有很好的推广前景。     

最小二乘支持向量机在蓄电池剩余容量建模中的应用研究

蓄电池容量是表征蓄电池工作性能的重要指标,但铅酸蓄电池剩余容量难以建模。将蓄电池检测系统测量的电压、电流、密度作为输入,荷电状态为输出,并基于最小二乘支持向量机对蓄电池充放电过程剩余容量进行了建模仿真,实现了对蓄电池剩余容量的实时预测。分析了最小二乘支持向量机参数对建模的影响,并对几种建模方法进行了比较。结果表明:该方法具有预测精确度高、推广能力强、运行时间短等优点。最小二乘支持向量机在小样本、非线性建模方面的应用表明:它在拟合精度和预测能力上都比传统方法有一定的提高,具有良好的应用前景。     

预测偏差的LS-SVM预测控制

提出了一种基于预测偏差的最小二乘支持向量机预测控制模型.首先介绍了最小二乘支持向量机预测模型,研究了基于预测偏差的控制算法,并给出了基于预测偏差的最小二乘支持向量机预测控制结构.通过利用最小二乘支持向量机辨识被控系统模型,同时预测系统的未来输出,然后用预测偏差控制算法进行滚动优化和反馈校正.仿真实例中,针对同一系统与基于预测偏差的RBF网络预测控制进行对比分析,表明该模型对系统的预测结果有更好的控制作用,并具有一定的抗干扰能力,有效地提高了预测精度.     

基于改进支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集和改进加权最小二乘支持向量机的组合预测模型应用于导弹备件消耗预测的构想.首先阐述了粗糙集和加权最小二乘支持向量机的基本原理,并改进了最小二乘支持向量机的加权方法;然后建立了基于粗糙集和改进加权最小二乘支持向量机的导弹备件消耗预测模型,并分析了其实现过程.实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值.     

一种基于Tsallis熵的最小二乘支持向量机稀疏算法

最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)算法是一种优化的支持向量机(Support Vector Machine,SVM)算法,针对该算法稀疏性差,支持向量过多的问题,提出了一种基于Tsallis熵的稀疏算法。分析了最小二乘支持向量机算法的训练过程,提出了增量算法和Tsallis熵的概念,以此为基础提出了一种解决算法稀疏性的改进算法;最后对算法进行了仿真。仿真结果表明,该改进算法相比于传统算法稀疏性更强,适用于大样本集的系统辨识。     

基于自适应原理的传感器增益故障诊断方法

基于自适应原理提出一种传感器增益故障诊断方法。首先将传感器增益故障表示为传感器偏差故障,再将其表示为执行机构故障,利用自适应原理估计出传感器偏差故障幅度,最后用最小二乘法估计出增益故障幅度。分别对有、无系统噪声和模型误差的情况进行了讨论,最后给出仿真结果     

基于小波包和支持向量机的舰用发动机故障诊断

舰用发动机是一个复杂的大系统,由于受到海洋恶劣气候的影响,其故障发生的概率大大增加,因此,对舰用发动机故障诊断进行研究具有重大实际意义。以舰用发动机的主泵轴承为例,提出了基于小波包和支持向量机的故障诊断方法。首先采用振动加速度传感器获取轴承的振动信号,然后对采集数据进行多层小波包分解,求各频带信号能量,形成各种故障模式下的特征向量。将形成的故障特征向量训练集输入到支持向量机,通过训练建立诊断分类器,并运用测试数据对建立的诊断分类器进行测试。实验结果表明,该方法可以很好地实现舰用发动机故障诊断效能,具有很好的工程应用前景。     

利用最小二乘支持向量机求解潜艇内外磁场映射模型

为提高潜艇磁隐身能力,应对潜艇固定磁场进行实时监测,提出利用最小二乘支持向量机的潜艇内外磁场映射方法。结合内外映射法和最小二乘支持向量机原理,通过交叉验证优化模型参数,建立由内到外的潜艇磁场映射模型。以潜艇外部垂向固定磁场变化量为分析对象,仿真和实验结果均与标准值吻合良好。与径向基神经网络算法相比,该方法的泛化能力和推算精度有明显提高,且更符合工程实际,对闭环消磁技术的研究具有指导意义。     

基于最小二乘支持向量机的测控数据融合

提出利用最小二乘支持向量机方法研究GPS和雷达系统对机动目标联合测量中的数据融合问题,GPS数据经过时间配准处理与雷达数据达到时间同步,经过空间配准和坐标系变换,进行卡尔曼滤波,以滤波估计坐标值作为支持向量机的输入,以最小二乘支持向量机为同步融合中心,输出为目标轨迹的融合估计值,仿真结果表明这种方案可以达到比融合前数据更贴近真实值的效果.     

基于支持向量机的多元文本分类研究

根据文本分类的特点,在对最小二乘支持向量机方法进行详细分析的基础上,创建了基于最小二乘支持向量机的多元文本分类器.实验表明,采用该文本分类器能够在保持较高分类精度和召回率的基础上,提高训练效率,具有一定的可行性.     

涡轮泵状态监控及传感器故障识别的新异类检测方法

为了在故障样本稀缺、故障模式不完备的情况下监控涡轮泵状态,并剔除传感器失效故障造成的虚警,提出用于涡轮泵状态监控及传感器故障识别的单类支持向量机新异类检测方法。该方法以正常状态为目标类构建单类支持向量机检测器,用于检测涡轮泵是否出现异常;以传感器故障为目标类构建单类支持向量机检测器,用于判断检测到的异常是否属于传感器故障。对涡轮泵试车数据的分析结果表明了该方法的有效性。     

基于粗糙集与最小二乘支持向量机的飞机综合智能论证

结合粗糙集的属性约简理论与最小二乘回归支持向量机的回归思想,提出了一种基于粗糙集与最小二乘回归支持向量机的飞机设计综合智能论证模型。首先根据历史数据建立属性决策表,然后应用粗糙集理论对飞机综合论证指标参数属性进行约简来获得影响飞机设计综合论证的核心指标,最后再利用支持向量机回归模型建立与飞机综合论证核心因素之间的非线性映射模型来对飞机的作战效能进行预测。仿真实例验证了该方法可以降低模型的复杂度,加快SVM的训练速度并具有良好的预测效果。     

KPLS-SVM在缺失飞参数据估计中的应用

飞行参数的缺失给飞行事故调查工作带来了很大困难.将核的偏最小二乘法与支持向量机耦合,建立基于状态匹配的飞行参数估计模型可以较好地解决缺失飞参数据的估计问题.首先将初始输入映射到高维特征空间,进而利用偏最小二乘法在特征空间中提取对缺失飞参数据影响较强的得分向量, 最后将提取的得分向量作为输入建立支持向量机模型.既克服了输入变量间的相关性问题, 又降低了支持向量机的输入维数.仿真也说明了使用该方法估计缺失飞行参数的可行性和有效性.     

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。     

脉冲功率电源故障诊断方法研究

脉冲功率电源是电磁发射系统中最容易发生故障的薄弱环节,脉冲功率电源故障会使整个系统性能下降。针对脉冲功率电源故障,提出基于多层小波分析提取故障信息的模式搜索支持向量机故障诊断方法。通过建立脉冲功率电源的软故障模型,进行仿真分析获得电流故障数据样本,对故障样本进行离散小波分解,获得指定层细节信息的小波系数作为故障特征量;对故障特征量进行主成分分析,将小波系数进行降维,以便有效地进行故障诊断。通过实验,将所提方法故障诊断结果与其他三种故障诊断结果进行比较,验证了所提方法的有效性。     

基于鲁棒性一类SVM的综导系统信息故障检测方法研究

为了提高舰艇综合导航系统的可靠性,并考虑到系统准确建模和大量故障数据获取的困难性,提出了一种基于鲁棒性一类支持向量机(support vector machine, SVM)的信息故障检测方法。该方法采用鲁棒性一类SVM的分类原理,并根据分类平面方程构造检测统计量,结合主元分析(principal component analysis, PCA)的方法实现实时的故障检测。实测数据试验表明,所提出的算法对含有野点的导航信息阶跃性故障和渐变性故障的检测能力优于普通一类SVM算法,而且该方法对参数的变化具有较低的敏感性。