共查询到20条相似文献,搜索用时 703 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
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。 相似文献
5.
《中国舰船研究》2018,(6)
[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。 相似文献
6.
7.
8.
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。 相似文献
9.
10.
11.
12.
《中国舰船研究》2020,(1)
[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。 相似文献
13.
《江苏科技大学学报(社会科学版)》2017,(1)
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. 相似文献
14.
15.
16.
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. 相似文献
17.
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%。 相似文献
18.
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. 相似文献
19.
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。 相似文献
20.
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。 相似文献