基于BP神经网络的齿爬式升船机横导向装置结构损伤识别*

为了准确有效地实现齿爬式升船机横导向装置的损伤识别，提出以固有频率变化率、应力、位移作为输入特征参数，由损伤结构分类器、损伤位置分类器、损伤程度分类器构成的结构损伤识别模型。以向家坝升船机横导向装置为例，对18种损伤状态下的横导向装置进行模态分析和静力学分析，得到1 646组训练样本和100组测试样本，分别采用BP神经网络、支持向量机和贝叶斯算法进行结构损伤识别模型的训练与识别准确率测试。结果表明：基于BP神经网络算法的横导向装置结构损伤识别模型对损伤结构、损伤位置、损伤程度的识别准确率分别为93%、90%和91%，比基于支持向量机、贝叶斯算法的识别准确率分别平均提高7%、13%，该模型能够有效准确地对横导向装置进行损伤识别。     

复杂结构船舶配电系统故障恢复算法

利用遗传算法、支持向量机以及神经网络等传统算法对船舶配电系统故障进行诊断,误诊率和漏诊率较高,影响了后续故障修复,不利复杂结构船舶配电系统故障恢复。针对上述问题,以模糊C—均值聚类算法取代以上3种故障诊断算法,解决误诊率和漏诊率高的问题,之后在故障诊断的基础上,实现故障修复,从而完成整个故障恢复。结果表明:与遗传算法、支持向量机以及神经网络3种传统故障诊断算法相比,模糊C—均值聚类算法的误诊率和漏诊率均更低(误诊率:1.14%,1.22%,2.00%;漏诊率:1.40%,0.43%,0.34%),说明本算法的诊断性能更好,更能全面、准确的检测出配电系统发生的故障,保证了后续故障修复的效率和准确性。     

基于支持向量机方法的模拟电路故障诊断

模拟电路故障诊断是电路故障诊断的难点问题,也是制约电路故障诊断技术发展的瓶颈.支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.本文采用支持向量机方法对模拟电路故障诊断进行了研究,并从核函数、模型参数等方面对其故障诊断性能进行了分析.实验表明,支持向量机方法能获得比神经网络方法更好的故障诊断性能.     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

基于DPC-GMM算法的船舶燃油系统故障诊断

[目的]传统的高斯混合模型(GMM)算法存在收敛速度较慢的固有缺陷,容易产生过拟合现象,导致参数计算陷入局部最优,不能很好地用于船舶燃油系统的故障诊断。[方法]首先,分析GMM算法及参数估计算法,结合密度峰值聚类(DPC)算法,提出一种基于DPC-GMM算法的船舶燃油系统故障诊断方法;然后,通过训练船舶燃油系统状态所对应的高斯混合模型参数,实现对船舶燃油系统故障的无监督诊断;最后,基于获取的船舶燃油系统故障数据,验证该方法的有效性。[结果]实验结果表明,采用基于DPC-GMM算法的故障辨识准确率高、识别速度快,优于传统的反向传播(BP)神经网络和支持向量机(SVM)诊断算法。[结论]研究结果对船舶燃油系统的故障诊断有重要的指导意义。     

支持向量机的舰船发动机故障诊断

发动机故障诊断是舰船领域的一项关键研究内容,舰船发动机故障与多种因素相关,而且故障类型很多,针对传统舰船发动机故障诊断模型存在的局限性,设计基于支持向量机的舰船发动机故障模型。首先采集舰船发动机工作状态信号,并从工作信号中提取舰船发动机工作状态特征;然后对舰船发动机工作状态特征进行降维处理,并采用支持向量机构建舰船发动机故障诊断的多分类器;最后采用仿真模拟实验测试了本文舰船发动机故障诊断模型的性能,支持向量机可以准确识别各种舰船发动机故障,舰船发动机故障诊断性能要优于传统舰船发动机故障诊断模型,而且诊断效率可以满足舰船发动机故障在线诊断要求。     

船舶同步柴油发电机动力故障诊断数学建模分析

利用基于神经网络构建的模型和基于支持向量机构建的模型对船舶同步柴油发电机动力故障进行诊断,存在故障诊断准确性较差,诊断时间较长的问题。针对上述问题,基于粗糙集理论构建一个新的数学模型,对故障进行诊断。该模型构建首先需要确定故障样本集及故障征兆集,然后构建二者的隶属度矩阵最后在最大隶属度原则下选取出隶属度矩阵中最大的隶属度,并对照柴油发电机发生故障概率,实现故障诊断。结果表明:与基于神经网络构建的模型和基于支持向量机构建的模型相比,基于粗糙集理论构建的数学模型,诊断准确性提高3.2%和6.4%,诊断时间缩短19.6 min和30.3 min。     

基于SVM的轮胎胎面生产过程专家故障诊断

支持向量机(Support vector machine SVM)是在统计学习理论研究小样本情况下机器学习规律的新理论基础上发展起来的。本文提出了基于支持向量机算法的专家系统模型,分析了其可行性;将支持向量机嵌入专家系统,故障诊断系统充分发挥了支持向量机和专家系统两者的优势,结合轮胎生产线的实际故障情况,提高了该系统的综合诊断性能。     

基于支持向量机的液压调节器多类故障辨识

针对目前故障诊断中故障数据样本获取及特征提取困难的问题,分析了液压调节器的4种典型故障,建立了基于支持向量机的多类故障分类器,并直接将少量的时间序列信号作为分类器的输入。实验结果表明,在小样本情况下,不必对信号预处理以提取特征,该分类器便可实现液压调节器的多类故障分类,证明该方法是有效、可行的。     

SVM在合成孔径雷达图像目标识别中的应用

提出一种采用Zernike矩和支持向量机SVM结合对SAR图像中的舰船目标类型进行分类识别的算法。此算法首先对SAR舰船切片图像进行预处理,再采用Zernike矩提取SAR舰船图像切片的旋转不变特征算子;然后,利用支持向量机的方法对目标样本进行训练构造分类器,并采用"一对一"多类方式实现多类舰船目标的识别。最后,仿真建立3类舰船三维模型,并利用本文算法进行分类识别,实验结果表明本文算法能够有效识别舰船目标。     

基于SVM—ANN混合模型的某型舰炮武器随动系统故障诊断研究

支持向量机和人_T神经网络是在故障诊断方面比较常用的两种方法.针对支持向量机和人工神经网络在故障诊断方面的优势和不足,提出了一种基于SVM-ANN混合模型的故障诊断方法,并将其应用在某型舰炮武器随动系统的故障诊断中,该方法具有诊断速度快、诊断精度高等优点.     

基于粗糙集和优化DAG-SVM的船舶主机故障诊断方法

[目的]船舶主机各子系统之间是复杂的非线性关系,对于监测点在短时间内采集的大量数据,传统的故障诊断方法难以高效地完成任务。以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图—支持向量机(DAG-SVM)的故障诊断方法。[方法]首先,将数据挖掘中的粗糙集理论引入传统的支持向量机(SVM)诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免"误差累积";最后,基于某超大型油轮模拟器,开展数值实验分析。[结果]实验结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方法提高了3.38%,而时间消耗也降低了2.42 s。[结论]该诊断方法对船舶主机的故障诊断研究具有一定的参考价值,也可为SVM在其他小样本分类中的应用提供数据支撑。     

应用HOG-CHT组合特征的行人检测

为了进一步提高HOG特征和CHT特征的检测率性能,改善低误判率条件下的检测性能,文中采用一种自适应阈值级联线性支持向量机的方案,在特征提取阶段将HOG特征和稀疏化的CHT特征相组合,形成一种表达能力更强的HOG-CHT组合特征.根据正、负类样本在上一级分类器中的输出值,自适应地选取阈值,将难以分类的样本作为下一级分类器的训练样本.在INRIA Person数据集上的实验结果表明:在误判率为0.02的条件下,HOG-CHT组合特征可以将检测率提高至97.60%;在误判率为0的条件下,相较于单个向量机分类器65.23%的检测率,自适应阈值级联线性支持向量机则可以将检测率提高至84.60%.文中提出的HOG-CHT组合特征具有更强的表达能力,自适应阈值级联支持向量机的分类方案很好地改善了系统低误判率部分的检测率.     

航运企业客户信用监测预警研究

提出了基于系统模糊优选和支持向量机的客户信用监测预警模型,该方法首先通过系统模糊优选模型划分样本类别,处理了不确定性信息,标示出样本的信用警级,其次利用标示样本对支持向量机进行训练,建立基于二叉树的多类支持向量预警模型;最后,对航运企业客户信用进行监测预警实验,并与BP神经网络和Logit模型进行对比,实验表明该方法有效、可行.     

基于PCA和SVM的柴油发动机冲击故障诊断方法研究

针对柴油发动机振动信号进行故障诊断技术研究,提出了一种基于主成分分析和支持向量机的柴油发动机冲击故障诊断方法。首先利用小波包分解提取出冲击故障的特征;再利用主成分分析技术获得敏感特征参数,进而减小数据处理的复杂程度;最后利用支持向量机对敏感特征参数样本进行训练,获得分类模型,进而实现故障分类。将该方法用于柴油机实际故障分类,诊断准确率较高,证实了本文方法对多种冲击故障诊断的有效性。     

基于改进LSTM-SVM的多传感器船舶旋转机械快速故障诊断方法

微小故障的快速诊断是预防和减少重大显著性故障发生的关键.近年来,基于深度学习的智能故障诊断方法已成为船舶旋转机械领域研究的热点.本文提出了一种基于改进的LSTM-SVM的循环神经网络深度学习算法,解决船舶旋转机械在多传感器监测环境下的快速故障诊断问题.该算法首先采用多层堆叠的LSTM网络作为特征提取器捕获多通道时间序列原始数据中的故障微弱特征,然后在网络末端采用非线性支持向量机(SVM)代替传统的Softmax函数作为分类判别器,进一步提升诊断准确率.实验结果表明,提出的方法具有更高的诊断准确率和更快的诊断速度,更适用于多传感器监测环境下微小故障的快速诊断和实时检测.     

船舶航线数据库关键数据提取数学建模分析

针对传统关键数据提取模型提取准确率和召回率双低的问题,建立了一个新的船舶航线数据库关键数据提取数学模型。该模型首先需要构建一个分类器,利用分类器将数据库中的数据进行分类;然后将四叉树、R-树相结合构建一个复合型OR-树结构关键数据索引;最后利用建立好的关键数据索引在分类好的数据中提取关键数据。结果表明:与利用主成分分析或粗糙集理论建立的提取模型相比,利用本次构建的模型进行关键数据提取,提取准确率提高3.3%和9.4%,召回率提高6.2%和7.9%。     

基于决策SVM的入侵检测技术研究

在网络入侵检测中，数据类别不均衡训练集的使用将产生分类偏差，支持向量机是一种新型的统计学习模型，在处理小样本和学习机的推广能力上有很大的优势．针对支持向量机解决k个多类分类问题存在训练样本数据大、训练困难的问题，提出基于支持向量机的决策树训练算法，构建了基于支持向量机决策树的入侵检测系统模型．利用KDDCup99数据集，将本文提出的算法与Lee-Carter方法和1-v-R方法进行了对比实验．通过实验和比较表明，该方法的训练效率大大提高，并且具有较高的检测率．     

基于随机森林算法的船舶电站故障诊断

针对船舶电站故障诊断中常用的BP神经网络算法存在的收敛速度慢和诊断准确率不高等问题,提出一种基于随机森林算法的船舶电站诊断模型。在Simulink软件中搭建船舶电站故障模型,通过在Simulink中仿真得到船舶电站故障数据,分析基于随机森林算法的船舶电站故障诊断原理。在MATLAB软件中分别建立基于随机森林算法和BP神经网络算法的船舶电站故障诊断模型,并对二者的故障诊断结果进行对比分析。结果表明,基于随机森林算法的诊断模型相比基于BP神经网络的诊断模型,能显著提高船舶电站故障诊断的效率和准确率。     

融合主成分分析与支持向量机的船舶异常行为识别方法

为解决船舶异常行为识别率低下的问题，综合考虑船舶属性和运动特征，提出了一种融合主成分分析和支持向量机的船舶异常行为识别方法。根据船舶作业过程对船舶行为模式进行划分，并明确船舶行为模式相关的船舶运动特征；进而以船舶自动识别系统数据为基础，运用主成分分析算法提取最具代表性的船舶运动特征；最后运用支持向量机算法对船舶异常行为进行识别。选取青岛港附近水域的船舶轨迹进行试验分析，结果表明：青岛港附近水域最具代表性的船舶运动特征共10个，总贡献率为84.40%;船舶异常行为识别结果的平均精确率和平均召回率分别为83%和84%,均优于对比模型。研究成果可以为船舶位置异常、轨迹异常、航速异常、航向异常等异常情况的智能发现和海事监管提供支撑。