基于EMD和SVM的农用柴油机故障诊断研究

针对农用柴油机振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对气阀机构不同工况下的去噪缸盖振动信号进行分析,计算各内禀模态函数与去噪信号的互信息值以确定主IMF分量,并求其包含时间信息的能量熵以定量描述信号不同时频段的能量分布,将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型。试验结果表明,该方法在小样本情况下也具有较高的精度和较强的泛化能力,但不同转速时需重新采样以保证充足的诊断精度。     

基于经验模态分解近似熵和支持向量机的农用柴油机故障诊断

针对往复机械振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解（EMD）、近似熵（ApEn）快速算法和支持向量机（SVM）相结合的机械故障诊断方法。运用经验模态分解方法对特定时段的振动信号进行分析,计算各个内禀模态函数（IMF）的近似熵,作为故障特征向量,并输入到支持向量机以判断机械的工作状态和故障类型。柴油机故障诊断试验结果表明,该方法能有效提取故障特征,在小样本情况下也具有较高的精度和较强的泛化能力,对其他机械故障的诊断具有一定借鉴意义。     

最小二乘支持向量机方法在农用柴油机故障诊断中的应用研究

采用最小二乘支持向量机法对农用柴油机故障进行计算机仿真诊断。结果表明：该方法能够提高故障诊断的准确性,减少误诊。     

基于小波包分析的滚动轴承的故障诊断方法研究

用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法。在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征。并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断。     

基于多小波和PSO-RBF神经网络的水电机组振动故障诊断

【目的】研究水电机组振动故障诊断的方法,为水电机组状态监测提供一种新的信号处理方法。【方法】对水电机组的振动信号进行多小波变换,提取振动信号的特征向量,将此特征向量作为学习样本输入到经过粒子群优化的径向基神经网络,通过训练后建立频谱特征向量和故障类型的映射关系,然后以测试样本和多故障测试样本为例进行应用检验。【结果】优化后的神经网络在第30次迭代时就达到了目标值,而优化前则需要56次迭代才能达到目标值。测试样本的诊断结果和测试样本的多故障诊断结果显示,期望输出与实际输出基本一致,故障识别的正确率达到100%。【结论】多小波-能量和经过粒子群优化的RBF神经网络结合的方法适用于水电机组的振动故障诊断,其诊断精度高,具有工程应用价值。     

基于GA-LSSVM的苹果糖度近红外光谱检测

【目的】结合遗传算法和最小二乘支持向量机(GA-LSSVM),优化苹果糖度近红外光谱检测的数学模型,提高模型的检测精度和稳定性。【方法】在GA-LSSVM模型建立过程中,采用遗传算法自动获取最小二乘支持向量机的最优参数。【结果】相比于偏最小二乘法(PLS)、传统最小二乘支持向量机(LSSVM)和遗传偏最小二乘法(GA-PLS)数学模型,GA-LSSVM法建立的模型预测效果最优,模型的相关系数为0.94,预测均方根误差为0.32°Brix。【结论】GA和LSSVM相结合的优化方法在提高苹果糖度近红外光谱检测精度和稳定性方面是可行的。     

基于灰狼优化算法的最小二乘支持向量机红枣产量预测研究

最小二乘支持向量机预测时,其参数的选取大部分只依赖于人工经验,无法实现自适应寻优,阻碍了其学习与泛化能力。针对该问题,采用灰狼优化算法对最小二乘支持向量机参数寻优,以1978—2016全国红枣产量数据为研究对象,利用最小二乘支持向量机的最优参数对红枣产量数据进行拟合与预测。为避免过拟合现象,将1978—2007和2013—2016年数据分别作为模型的训练与预测数据,2008-2012年数据用于交叉验证,同时为检验该模型的预测性能,将其与ARIMA模型的预测效果进行对比分析。实证分析表明,基于灰狼优化算法的最小二乘支持向量机模型预测的平均相对误差小于ARIMA模型预测的平均相对误差,其可适用于红枣产量的预测,也进一步表明灰狼优化算法对最小二乘支持向量机参数优化的有效性。     

基于支持向量机响应面的车身部件声特性优化

针对车身部件声学特性优化中计算设计灵敏度复杂和传统响应面法准确度较低的问题,提出用支持向量回归机方法构造响应面.支持向量机根据结构风险最小原理,具有小样本学习性能.本文用最小二乘支持向量机(LS-SVM)构造汽车地板部件的模态频率、域点声压的响应面,对其优化找到最优点.结果表明:与最小二乘法相比,支持向量机构造的响应面更接近仿真试验,优化结果与实际最优解更为接近.     

基于小波包和Elman神经网络的异步电机转子断条 故障诊断方法

提出了一种基于小波包分析（WPA）和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明：基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

基于改进小波神经网络的滚动轴承故障诊断

根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。     

基于遗传小波神经网络的电梯故障诊断分析

利用小波分析具有能量分布特征提取的特性和遗传算法优化BP算法的能力,提出了一种基于遗传算法、小波与神经网络的电梯故障诊断方法,并应用电梯故障数据作为实例进行了验证．遗传算法小波神经网络模型诊断速度快、鲁棒性好、故障诊断正确率高．     

基于非线性分析的复杂机电系统故障特征提取

针对复杂机电系统振动信号呈现复杂非平稳性的特点,采用Hilbert-Huang变换(HHT)和基于小波包分解的频带能量比例非线性分析方法,对机电转子系统碰摩和不对中故障试验信号进行分析.分析结果表明:基于非线性分析的HHT和小波包频带能量比例方法弥补了原有传统频谱分析的不足,可以清晰的表征故障的瞬时和局部特性,实现故障特征的有效提取.     

近红外光谱在砂糖橘果形指数分析中的应用

基于小波变换的原理,分别利用阈值滤波、小波包、小波收缩3种常用的去噪方法,对砂糖橘样品的可见/近红外光谱信号进行去噪处理,探讨每种去噪方法的最优参数组合(小波函数、分解尺度、阈值)的同时选择最适去噪方法,并通过偏最小二乘法(PLS)对去噪后的重构光谱和砂糖橘果形指数建模。结果表明,小波包去噪有利于消除导数光谱中的噪声,提高建模精度,其最优参数组合为默认阈值条件下,小波函数Bior1.3、2尺度分解,去噪后的砂糖橘果形指数光谱建立的PLS模型的预测集R为0.9632,RMSEP为0.0779。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。对灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘支持向量机预测的最大误差7．12％,平均误差4．81％。最小二乘支持向量机模型有较高的预测精度和良好的推广能力,可做为灌区粮食产量预测的一种新方法。     

Fish species classification by color,texture and multi-class support vector machine using computer vision

Remote diagnose of fish diseases for farmers is unrealized in China, but use of mobile phones and remote analysis based on image processing can be feasible due to the widespread use of mobile phones with camera features in rural areas. This paper presents a novel method of classifying species of fish based on color and texture features and using a multi-class support vector machine (MSVM). Fish images were acquired and sent by smartphone, and the method utilized was comprised of the following stages. Color and texture subimages of fish skin were obtained from original images. Color features, statistical texture features and wavelet-based texture features of the color and texture subimages were extracted, and six groups of feature vectors were composed. LIBSVM software was tested using leave-one-out cross validation to find the best group for classification in feature selection procedure. Two multi-class support vector machines based on a one-against-one algorithm were constructed for classification. The feature selection results showed that the Bior4.4 wavelet filter in HSV color space achieved greater accuracy than the other feature groups. The classification results indicate that only the DAGMSVM meets the requirement of time efficiency for the system. The results of this study suggest that the best classification model for fish species recognition is composed of a wavelet domain feature extractor with Bior4.4 wavelet filter in HSV color space and a one-against-one algorithm based DAGMSVM classifier.     

基于高光谱成像技术的油菜SPAD值空间分布预测及最佳测量叶位

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。     

基于小波包的水力机组振动故障信号消噪方法研究

在水轮发电机组故障诊断中,提取监测信号中的奇异信号特征,对准确判断机组运行状态具有重要意义。研究充分利用水力机组振动故障信号的特征和小波包的特点,采用小波变换的方法,通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析,并针对南桠河姚河坝水电站水轮发电机组实测数据进行检验,取得了良好效果。表明所研究的故障信号消噪方法能有效地从信号中提取信息。     

基于联盟博弈和极限学习机的棉花异性纤维识别方法

针对棉花异性纤维（棉花采摘、摊晒、收购、储存、运输及加工过程中混入棉花中的非棉纤维）识别问题,提出了一种基于联盟博弈和极限学习机相融合的棉花异性纤维识别方法,该方法利用基于联盟博弈的特征选择方法确定最优的特征集,随后利用极限学习机进行棉花异性纤维识别并与支持向量机、ｋ近邻法进行了试验比较．试验结果表明,该方法、支持向量机和ｋ近邻法可以实现的准确率分别为90.15％、88.46％和86.30％．相对于另两种方法,该方法具有最高的识别准确率,并使特征集的特征数由75个降为25个．