基于粗糙集和 SVM 理论的柴油机故障分类预测诊断

文中利用粗糙集和 SVM 理论相结合的方法对柴油机故障进行快速准确分类预测诊断。首先对收集的故障特征数据进行预处理,再运用粗糙集理论进行属性约简得到最优决策属性表,然后使用 SVM 理论中的分类预测规则对最优决策属性表进行诊断分类,得出诊断结果。通过实例分析验证了该诊断方法优于单一的粗糙集诊断和 SVM 诊断。     

基于SVM的雷达故障预诊断技术研究

文章将支持向量机（SVM）引入雷达故障预诊断,实现了雷达进入潜伏性故障时就提前诊断,很好地解决雷达故障诊断流程复杂、诊断时间长等问题。这是由于SVM可以很好地解决小样本、非线性分类问题,而这正是潜伏性雷达故障的特点。文章最后通过实例充分说明了该算法在排除雷达潜伏性故障方面的能力。     

模糊支持向量机在船舶柴油机故障诊断中的应用

探讨了支持向量机（SVM）的机理，并通过计算每一个样本的模糊隶属度，引入了模糊支持向量机（FSVM）的概念，解决了SVM中的不可分区域问题；应用FSVM对船舶电站主柴油机进行故障诊断，研究了FSVM参数的选择方法。仿真结果表明，FSVM具有较好的诊断效果和较强的抵抗噪声的能力。     

基于支持向量机的SCR整流电路故障诊断方法

提出一种基于支持向量机(SVM)的可控整流电路故障诊断方法。只需要通过对整流阀输出波形的直接分析,利用SVM进行模式识别,就可对整流装置进行故障诊断。以三相桥式晶闸管(SCR)整流电路为例,进行了验证。通过实验研究结果表明:该方法能准确地对可控整流电路进行故障诊断和故障定位,具有良好的实用价值和广阔的应用前景。     

基于LDA-GA-SVM的船舶电力推进系统故障诊断

在船舶电力推进系统发生故障时,进行快速准确诊断对于船舶航行的安全性至关重要。文章针对电力推进系统中永磁同步电机的常见故障,提出基于线性判别分析(LDA)与遗传算法(GA)优化的支持向量机(SVM)相结合的船舶电力推进系统故障诊断方法。以"烟大轮"作为研究对象搭建故障仿真模型,以此为基础生成故障数据。运用小波包算法结合LDA算法提取故障数据中的特征向量,再利用经过GA优化后的SVM模型对故障特征向量进行分类。分析仿真验证结果,与未优化的SVM模型对比,GA-SVM具有更高的故障诊断准确率。     

基于VMD和SVM的减速箱故障分析

本文基于VMD和SVM理论,对实验采集到的减速箱正常运行信号波形、缺齿、断齿故障状态运行的信号波形进行VMD分解,选取峭度、能量、散度、样本熵及能量熵五个特征值构建支持向量积,并选取样本集对信号进行SVM训练,训练结果表明本文采用的支持向量机诊断方法效果理想,具有一定的实际应用价值。     

基于SVM模型的船舶油污损失估算

将SVM引入了船舶油污损失赔偿额的估算中,通过从历史船舶溢油事故案例中选取了十组样本数,以污染损失赔偿额与影响因子集作为训练样本,建立了船舶溢油事故污染损失额估算的SVM模型。并对SVM模型进行仿真训练学习,并将训练好的神经网络应用于对相关案例的估算。研究结果表明应用SVM方法进行溢油损失估算结果客观、可靠,为船舶油污索赔和环境保护提供了有力的理论依据。     

基于支持向量机的模式识别方法研究

本文对支持向量机的原理和应用进行了综合论述。首先,概要叙述了支持向量机(SVM)的产生背景和发展前景。简要介绍了SVM的定义、分类及算法。最后,对SVM在文本识别、数字识别、人脸检测、人脸识别、人脸认证、回归分析及预测、图像检索、特征提取等方面的应用进行了讨论。     

基于K最近邻决策的支持向量机分类算法及仿真

将基于支持向量机(SVM)的分类方法和最近邻法(NN)相结合,提出了一种SVM-KNN的分类方法。通过SVM算法对训练样本进行训练并找出支持向量,在进行待识别样本判断时,当其与最优分类面距离大于某一给定阈值时采用SVM决策模型,否则运用K最近邻法决策其类别,从而减少SVM算法的误判概率。仿真实验结果显示,运用该算法无论对于合成数据还是真实数据,在分类精度上比单独的SVM都有较明显的提高。     

基于SVM的液压设备仿真模型的故障诊断

阐述了SVM算法在液压系统的故障诊断领域中的应用及其诊断效果.以全液压克令吊模型为研究对象,将克令吊模型的回转回路作为一个独立系统,使用功率键合图方法建立其数学模型,并用Matlab中的Simulink对模型进行计算机仿真,对回转回路选择不同的参数进行流量的特性仿真,运用支持向量机理论依据流量值的特性对回转回路进行故障分类,得到了令人满意的故障分类正确率.     

基于粒子群优化支持向量机的水面无人艇故障诊断

通过故障诊断可以对水面无人艇可能要发生的故障进行预报、分析和判断,从而及时调整控制策略以抑制故障的继续发展,为消除故障、维修设备提供准确的技术支持.SVM是基于统计学习理论的一种机器学习方法,常用于故障诊断,在解决小样本、高维度、非线性模式识别问题中有独特优势.SVM分类的准确率由其属性参数直接决定,而最佳的属性参数往往很难直接得到.基于粒子群优化SVM(PSO-SVM)的水面无人艇故障诊断方法,即将粒子群优化算法(PSO)用于SVM属性参数的优化选择中,充分发挥了PSO算法的全局搜索能力和易于实现的优势.水面无人艇故障诊断实例分析结果表明,PSO-SVM的故障诊断精度高于BP-NNs、GS-SVM、GA-SVM。PSO-SVM适用于水面无人艇故障诊断.     

基于支持向量机的船舶柴油机故障诊断的研究

通过建立VC维统计学习理论,利用数学建模,建立并划分最优超平面以取得支持向量来训练,选取并考虑相关的影响因子以此构建样本数据集,以期对柴油机故障实现精确的诊断;而对于非线性空间情况,可采用核函数的思想来转化为线性空间,以此降低算法的复杂度;通过与人工神经网络方法的比较,表明该方法具有运算速度快,泛化能力强等优点;支持向量机(SVM)可以较好解决柴油机故障诊断中的机器过学习、小样本、高维数、非线性等问题。     

支持向量机在船舶电力推进系统故障诊断中的应用

针对人工神经网络收敛速度慢、容易陷入局部最优解等不足,本文采用支持向量机技术建立船舶电力推进故障诊断系统。确定支持向量机的核函数和分类方法,结合训练样本,采用基于网格搜索的K重交叉验证法进行核函数的参数优化,从而得到支持向量机故障诊断模型。利用支持向量机工具箱函数,在MATLAB中进行故障诊断模型的仿真计算,结果表明基于支持向量机所建立的故障诊断模型有较强的诊断准确性和泛化推广能力,从而提高船舶的安全性。     

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。     

SVM在船舶柴油机故障检测系统中的应用研究

支持向量机(Support Vector Machine,简称SVM)是目前模式识别领域中最先进的机器学习算法,采用了核函数的思想,把非线性空间的问题转换到线性空间,降低了算法的复杂度.文中对SVM在船用柴油机故障诊断中的应用进行了论述,运用支持向量机理论对其进行了故障诊断的仿真研究和试验研究.     

船用空压机气阀监测诊断系统研究

气阀是空压机中关键的零部件,对其磨损故障进行监测诊断研究具有重要的工程意义。文章采用希尔伯特-黄变换(HHT)得到CZ60-30船用往复式空气压缸盖表面振动信号的时频谱图,并从中提取标准差、峭度、不变矩等时频特征参数,用支持向量机(SVM)实现故障的识别,并基于Lab VIEW虚拟仪器软件开发了船用空压机气阀磨损智能监测诊断系统。结果表明:通过时频联合分析判断气阀故障正确率可达到96.97%。