地面驱动螺杆泵井合理生产参数配置方法

为了合理配置螺杆泵井的生产参数,使井和泵匹配,基于螺杆泵温度场以及泵内流体压力分布规律,以定子工作条件和泵举升性能为依据,建立了地面驱动螺杆泵井方案校核方法,绘制了方案校核图版.将生产方案划分为"合理方案区"、"烧泵区"和"泵‘击穿’区",提出了高效点和系统效率曲线相结合的生产参数优选方法,并以真实油井为例进行了计算分析.结果表明:高转速和高下泵深度会增加定子温度和泵举升高度,当其超过螺杆泵的临界使用值时即会引发"烧泵"和泵"击穿"现象.在现场应用中应根据方案校核图版上的高效点和系统效率曲线优选最佳生产参数组合,避开烧泵区和泵"击穿"区,以延长螺杆泵井的检泵周期,提高经济效益.     

支持向量机在发动机故障诊断中的应用研究

鉴于支持向量机(SVM)的优越性及汽车发动机的故障特点,本文提出将支持向量机应用到发动机故障的智能诊断中。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,而且模型简单。首先对采集的故障信号采取信息融合方式进行特征提取,以获得特征向量。在此基础上通过多分类支持向量机对发动机故障进行分类测试,建立了故障诊断模型。试验结果表明:该方法具有较高的诊断精度,达到了发动机的故障诊断要求。     

可变步长网格搜索法结合LIBSVM预测风机故障研究

针对风机的智能故障诊断,采用了一种可变步长网格搜索法寻优结合LIBSVM工具箱实现风机故障智能识别的方法。LIBSVM的信号特征输入选用风机振动信号的小波能量谱,用交叉验证法验证识别准确率,用LIBSVM仿真建立支持向量机分类模型,最后用测试样本测试,发现基于该方法可以保证支持向量机识别率并且可以有效减少运算量。     

基于支持向量机的面板堆石坝堆石料参数反演分析

在综合分析了各种参数反演方法的基础上,提出了支持向量机的堆石料参数反演方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的堆石料参数反演模型。以大量的实测数据作为学习样本和测试样本,验证基于支持向量机的参数反演分析方法及其可行性。研究表明,用支持向量机方法来反演堆石料参数是可行的。     

基于支持向量机的水电机组故障诊断

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量-故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于线性组合核函数支持向量机的病害图像识别研究

合理的选择、设计核函数是支持向量机方法的重要部分,不同的核函数代表了利用支持向量机解决非线性分类问题时,进行的不同的非线性映射.核函数使支持向量机可以很容易地实现非线性算法.为此,提出了一种新的核函数-线性组合核函数,将该核函数应用于支持向量机方法中,并使用该方法对北京地区甜瓜病害图像进行了识别分类;同时也与人工神经网络和其它经典支持向量机核函数的分类结果进行了对比,实验结果也验证了该核函数的有效性.     

基于可见/近红外光谱谱区有效波长的梨品种鉴别

基于最小二乘支持向量机(LS-SVM)建模方法,提出应用梨在可见/近红外光谱谱区的有效波长(EW)进行其品种鉴别的新方法.用210个样本作为建模定标集,30个样本进行预测.根据偏最小二乘法分析载荷图和回归系数图选择鉴别梨品种的有效波长,并建立EW与最小二乘支持向量机相结合的EW-LS-SVM模型,同时与应用逆反馈人工神经网络(BP-ANN)建立的EW-BP-ANN模型进行判别准确率的比较.结果表明,应用LS-SVM和BP-ANN建立的模型对建模样本和预测集样本的判别准确率分别为100％和93.3％.研究表明,应用EW-LS-SVM模型进行梨品种鉴别是可行的.     

基于支持向量机的水电机组故障诊

针对水电机组故障样本少的问题,本文将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量—故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于SVM快速增量算法的HACCP控制点分类

支持向量机方法已经在HACCP体系关键控制点的智能发现中取得较为满意的结果,但是在样本不断增加的情况下分类效率不高.本文采用支持向量机增量学习算法,优先选择可能成为支持向量的边界向量,减少参与训练的样本数量,进而实现增量学习.实验证明,改进的支持向量机增量算法在保证分类精度的同时,显著提高了分类速度.     

基于支持向量机的洪水预报模型初

用传统的机器学习方法进行洪水预报建模存在泛化能力难以保障，训练速度慢等一些困难。对统计学习理论和支持向量机的基本内容和核心思想进行了简要的介绍，探讨了基于支持向量机的洪水预报模型的建模方法。通过实例中的应用，该模型显示了泛化能力强，训练速度快，便于建模等优点，有良好的应用前景。     

基于高光谱的水稻稻曲病早期监测研究

为了快速、精准地感知水稻稻曲病的发生，实现稻曲病大面积早期监测，利用机载UHD185高光谱仪采集带有发病区域的多组水稻冠层高光谱图像数据，对图像数据进行预处理并建立数据集。对健康区域和发病区域进行分类训练，建立支持向量机(SVM)识别模型和主成分分析(PCA)加人工神经网络(ANN)的识别模型，通过验证样本来检验识别模型的准确性，达到识别发病水稻的目的。支持向量机识别模型选用两组特征波长下的假彩色图像：第1组波长组合(TZH1)为654、838、898 nm;第2组波长组合(TZH2)为630、762、806 nm,两组数据的错分误差/漏分误差总体分别达到4.24%和5.41%;其中S型核函数的SVM模型诊断性能最好，总体分类精度最高可达到95.64%,Kappa系数可达到0.94,基本达到了准确识别水稻稻曲病的目的。主成分分析加人工神经网络的识别模型选用前3个主成分，贡献率分别为93.67%、2.80%、1.24%,作为最优波长建立人工神经网络识别模型；其中非线性分类的效果优于线性分类的效果，总体分类精度达到了96.41%,Kappa系数可达到0.95。通过两个实验组数据的支持向量机...     

齿轮泵工作原理的探讨

目前,有关教材及手册对齿轮泵的工作原理几乎一致认为：当泵的齿轮旋转时,随着啮合点变化,吸油腔工作容积增大,形成部分真空,产生吸油作用;在压没腔中,由于轮齿逐渐进入啮合,其工作容积减小,向压力管路产生压油作用。事实上,这种对泵工作原理所做的解释是不全面的。笔者从齿轮泵流量和吸油区产生真空机理两方面对这一问题的实质进行了探讨。     

基于支持向量机的玉米品种识别

选取郑单958、辽单565、京科25玉米品种作为研究对象,从玉米籽粒的数字图像中提取与玉米籽粒的颜色、形状、尺寸等有关的6个形态结构参数,利用支持向量机(SVM)算法进行训练识别,同时与BP人工神经网络(NN)方法进行比较,结果表明,SVM算法识别效率较高,达到92.3%.     

高压大排量径向柱塞泵滑靴副流固热耦合数值模拟

针对高压大排量径向柱塞泵滑靴副油膜的摩擦与润滑失效问题,在充分考虑油液的弱可压缩性以及黏温、黏压特性基础上,对滑靴副流场及固体域结构展开流固热耦合数值模拟,探讨不同工况对滑靴副油膜的支承特性以及滑靴、定子结构强度变化的影响规律.研究结果表明:随着径向柱塞泵工作压力的升高,滑靴副油膜压力有较大幅度的上升,油膜的速度场与温度场基本不变;随着径向柱塞泵转速的增大,滑靴副油膜内油液的速度及温度均有较大幅度的上升,油膜的压力场基本不变;滑靴的最大变形与应力均出现在滑靴副中心油腔底部的阻尼孔出口边缘,该部位几何结构较薄,且承受中心油腔高压油压力载荷与温度载荷,是整个滑靴结构中强度最薄弱的部分;同时,黏性摩擦产热导致的油膜温升对滑靴副的结构强度有较大影响,也是限制柱塞泵转速提升的一个重要因素.研究结果可为高压大排量径向柱塞泵滑靴副优化设计提供一定的参考.     

小排量汽油机变排量机油泵齿轮设计

变排量的机油泵可以根据发动机工况精确控制机油泵的流量,有效降低机油泵的驱动功,但由于齿轮设计不合理,会造成齿轮的断裂问题。针对这种情况,根据对机油泵转速、机油输出流量、工作压力等的设计要求进行齿轮泵齿轮的设计,确定齿轮相关参数,通过校核齿面接触疲劳强度和齿根弯曲疲劳强度来确定计算的结果。最后,应用有限元分析外啮合齿轮给定工况,观察外啮合齿轮接触应力和齿轮变形情况,从而验证该齿轮具有一定可靠性。     

基于SVM和AdaBoost的棉叶螨危害等级识别

针对自然条件下棉叶螨虫害等级识别难的问题,在自然条件下以普通手机采集棉叶图像作为实验对象,首先使用大津法和连通区域标记算法,将棉花叶片图像与背景分离,然后,提取不同棉叶螨危害等级棉叶图像的颜色、纹理和边缘特征数据,使用支持向量机(Support vector machine,SVM)单独进行分类实验,得到平均识别正确率为76. 25%,最后,采用SVM和AdaBoost相结合的算法,生成最优判别模型,实现对棉叶螨危害等级的识别,平均识别正确率为88. 75%。对比实验表明,提出的棉叶螨危害等级识别方法比BP神经网络的平均识别正确率高13. 75个百分点,比单独采用SVM算法高12. 5个百分点,比单独采用AdaBoost算法高8. 75个百分点,SVM和AdaBoost相结合的算法可较好地对棉叶螨危害等级进行识别,为棉叶螨数字化防治和变量喷药提供了数据支持。     

基于无人机多光谱遥感的矮林芳樟叶片精油产量反演

芳樟(Cinnamomum camphora(Linn.)Presl)精油在林业经济发展中具有巨大市场潜力,多光谱遥感产量预测是高效反演芳樟精油产量的新方式。本研究以矮林芳樟收获期精油产量为研究对象,利用无人机多光谱遥感技术,筛选敏感植被指数作为输入变量,以地面同步观测的精油产量作为输出变量,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向传播神经网络(Back propagation neural network, BPNN)3种机器学习方法构建矮林芳樟精油产量预测模型。结果表明,修改型土壤调节植被指数(MSAVI)、优化土壤调节植被指数(OSAVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)和非线性植被指数(NLI)对矮林芳樟精油产量呈现较高敏感性,其相关系数R分别为0.765 1、0.813 1、0.771 1、0.779 4、0.818 3。SVM、RF、BPNN 3种机器学习方法构建的矮林芳樟精油产量预测模型训练集的决定系数R²分别为0.723、0.853、0...