共查询到16条相似文献,搜索用时 0 毫秒
1.
2.
3.
提出运用主成分分析法和支持向量机技术相结合的分析法来减少影响设备寿命周期费用因素的数量,降低建模的难度。利用主成分分析法来约简影响因素,采用支持向量机技术来建模,减少非线性数据带来的不确定性。采用Matlab中的支持向量机工具箱,建立回归估算模型,并以实例分析验证本方法的可行性。 相似文献
4.
5.
针对船用LNG双燃料发动机设备复杂,故障预测效率低、准确度差的问题,提出一种长短期记忆网络与改进粒子群优化算法优化支持向量机融合的预测模型。利用LSTM模型时间序列变化的能力对设备未来的运行状态进行预测,然后采用非线性自适应惯性权重改进PSO算法对SVM参数进行寻优,以提高其寻优能力和收敛速度;改进的LSTM-PSO-SVM融合模型可实现对设备故障状态的快速、准确预测。通过对某船用LNG双燃料发动机的故障预测仿真,结果表明上述模型具有更高的故障识别准确率和更快的识别速度,能够准确预测船用LNG双燃料发动机潜在故障。 相似文献
6.
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. 相似文献
7.
基于PCA和C-SVM的涡轮部件故障诊断 总被引:1,自引:1,他引:0
针对某型三轴燃气轮机高、低压涡轮部件容易出现的8种故障,提出一种基于PCA(主成分分析)与C-SVM(C-支持向量机)相结合的涡轮部件故障诊断模型.采用主成分分析方法对表征涡轮部件故障模式的测量参数进行特征提取,选择对故障模式影响最大的若干主成分作为C-SVM的输入样本,进而对高、低压涡轮部件故障进行诊断.通过实验表明,即使在较少样本的情况下,应用PCA与C-SVM相结合仍能取得较好效果. 相似文献
8.
9.
基于粒子群K均值聚类的空中目标识别 总被引:1,自引:1,他引:0
舰艇编队面临的空中威胁日益复杂多样,正确、快速地识别目标是赢得对空防御作战的前提。在分析各传感器测量得到的空中目标威胁特征指标的基础上,将舰艇编队防空作战目标识别问题转化为最优聚类问题,建立基于粒子群聚类的目标类型识别模型。通过主成分分析将样本各特征值标准化、降维投影到新的特征空间,引入粒子群优化算法构建最优聚类识别模型,实例分析表明该方法有效,计算速度快,降低了实用的复杂度,提高了目标识别的可靠性。 相似文献
10.
《舰船科学技术》2015,(8):45-51
根据多个技术和经济指标进行船舶主尺度优化论证是船舶设计人员需要着重解决的问题。提出结合粒子群优化和主成分聚类两阶段的方法进行船舶主尺度论证分析。建立了以载重量、建造费用、服务航速和提供舱容为设计指标的水面船主尺度论证模型。采用多目标粒子群优化算法对船舶优化模型进行求解,获得问题的Pareto解集。使用主成分聚类分析对该数据集进行综合评价。先将Pareto解集进行主成分分析,使用前2个主成分就能够表达原始数据的绝大部分信息,再通过对主成分进行聚类,获得不同类别中Pareto解集的特征,根据第一主成分得分获得每个聚类中设计样本的排序,最终可以从Pareto解集中得到折中解。利用主成分分析和聚类技术还研究了变量在主平面上的映射以及聚类特性。给出了1艘水面船的主尺度论证算例,表明本文给出的方法合理可行。 相似文献
11.
12.
13.
为了精准识别电磁阀故障,确保船用柴油机安全、平稳运行,提出基于小波包分解的船用柴油机燃油电磁阀故障诊断方法。采用小波包分解法对船用柴油机燃油电磁阀电流信号作分解,获取其多频带特征。通过核主成分分析法对其作降维处理,完成敏感特征选择。将其作为最小支持向量机的输入,自适应蚁群优化算法通过自适应调整挥发因子、状态转移规则确定最优模型参数,实现燃油电磁阀故障的准确诊断。结果表明:故障、正常工况下的燃油电磁阀电流特性曲线存在较大差异;该方法可提取电流信号的8个频带特征、不同频带特征间差异度大;特征选择有利于提高燃油电磁阀故障辨识度。本文方法可实现燃油电磁阀故障诊断,诊断效果突出。 相似文献
14.
15.
16.
船用机械零部件退化的敏感特征难以提取,导致其寿命估计均方误差增加。为此,设计一种基于改进支持向量回归的船用机械零部件寿命估计方法。采用小波变换法去除全寿命周期数据噪声,提取零部件退化的时域特征,利用集合经验模态分解获取频域特征。经主成分分析法完成特征降维处理后,确定机械零部件退化的敏感特征。采用考虑莱维飞行机制的改进蚁狮优化算法寻求支持向量回归模型最佳参数。将提取到的敏感特征输入至改进支持向量回归模型中,得到船用机械零部件寿命估计值。实验结果表明,当步长为6时,支持向量回归模型的均方误差指标最小、决定系数指标最大,可实现机械零部件寿命精准估计。 相似文献