基于MVRVM回归和RVM二叉树分类的自确认气动执行器故障诊断算法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于多变量关联向量机(MVRVM)回归和关联向量机二叉树分类的气动执行器故障诊断方法,该方法利用多变量关联向量机回归建立气动执行器的正常模型,然后将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。以残差作为输入建立关联向量机二叉树多分类机,诊断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于RVM一对一分类的故障诊断方法进行了比较,结果表明该方法是解决气动执行器故障诊断的小样本和非线性问题的一种有效方法。

基于RVM230减径机组的高速线材压延工艺优化与产业化应用

随着钢铁工业的不断发展,高速线材的生产效率和产品质量成为企业竞争力的关键因素,其中RVM230减径机组作为一种先进的设备,在高速线材生产中具有重要作用,但是如何通过工艺优化提升RVM230减径机组的性能,进一步提高生产效率和产品质量,仍是一个急需解决的问题,因此本文将通过对RVM230减径机组的深入分析,探讨高速线材压延工艺的优化方法,并分析其在产业化应用中的实际效果和面临的挑战,希望能够为钢铁企业提供有效的解决方案。

RVM致炎细胞因子上调导致5-HT释放参与调控慢性术后疼痛

【目的】探讨延髓头端腹内侧部(RVM)内致炎细胞因子肿瘤坏死因子α(TNFα)和白介素-1β(IL-1β)释放增多导致5-羟色胺(5-HT)向脊髓释放增多在慢性术后疼痛(CPSP)模型中的作用。【方法】按照随机方式将SD大鼠进行如下分组:对照组、皮肤/肌肉切开和牵拉(SMIR)(1d,7d)组、SMIR+RVM内注射TNFα或IL-1β中和性抗体组、SMIR+RVM内注射TNFα或IL-1β组、SMIR+RVM内注射溶剂组,用up-down方法测量大鼠50%机械刺激撤足阈值,免疫组化检测RVM内TNFα或IL-1β表达情况,酶联免疫吸附测定法(ELISA)方法观察RVM及脊髓背角内5-HT含量的变化。【结果】SMIR可引起大鼠机械痛敏,表现为50%机械刺激撤足阈值下降,持续至少3周。SMIR后,RVM内神经元和星形胶质细胞中的TNFα和IL-1β表达上调。TNFα或IL-1β中和抗体(每天一次行SMIR术前30 min给予,共4次))微量注射入RVM可阻断SMIR引起的50%机械刺激撤足阈值下降,并可降低RVM及脊髓背角5-HT的含量。正常动物RVM内注射TNFα和IL-1β也可导致50%机械刺激撤足阈值下降,且引起RVM及脊髓内5-HT含量增加。【结论】RVM中致炎细胞因子增多可能通过引起5-HT释放增多参与调控SMIR后慢性术后疼痛的发生发展。

基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型

传统的混凝土拱坝位移预测模型仅考虑各类影响因子对预测结果的影响,未充分挖掘残差序列中的有效信息。为此,首先运用关联向量机(RVM)结合粒子群(PSO)算法建立拱坝位移预测的PSO-RVM模型;然后采用奇异谱分析(SSA)对残差序列进行分解,并根据奇异值的累计贡献率筛选分量进行重构;其次利用随机森林算法(RF)对重构序列进行预测,得到残差序列的修正值;最后将PSO-RVM模型预测值与残差序列修正值叠加,建立基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型PSO-RVM+。工程实例表明,奇异谱分析与随机森林算法能有效提取残差序列中的有效信息并对残差进行修正;相较于PSO-RVM、RVM及传统的回归模型(SWR)等位移预测模型,PSO-RVM+组合预测模型的预测性能更优、适应性更强。本研究能为大坝安全监控与健康诊断提供一种新的思路。

基于RVM与ARMA误差校正的短期风速预测

为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。

回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD—DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0.096m^3/min,平均相对误差为2.43%,预测精度有所提高。

一种基于QPSO-RVM的模拟电路故障预测方法

提出了一种可应用于模拟电路故障预测的方法。通过提取被测电路的频域响应信号,计算皮尔逊相关系数,从而表征电路元件的健康度;在获取元件在不同时间点的健康度数据的基础上,推导出电路元件发生故障时的健康度阈值;将经量子粒子群算法优化的相关向量机算法用于故障预测,预测各个时间点的元件健康度变化轨迹并估计模拟电路的剩余有用寿命。该预测方法计算简单、通用性强,适用于实时预测。故障预测仿真实验与实例实验证明了方法的有效性与先进性。

傅里叶变换近红外光谱结合RVM与新聚类算法鉴别灵芝孢子油多样掺假类别

食品掺假种类众多,手段隐蔽,成为食品安全检测一个重要难题。为摆脱传统模型识别食品中是否存在新掺假类别的局限性,实验以纯净的灵芝孢子油和掺杂不同比例花生油、玉米油、薏仁油、地沟油的五种类别为研究对象,采用傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy,FT-NIR)收集12 400~4 000cm^(-1)范围内的近红外光谱。假设掺杂地沟油为新掺假类别,利用前四种类别的校正集样本构建相关向量机(RVM)多分类器,分别对建模的预测集样本和掺杂地沟油样本进行判别,并借助新聚类算法对判别为纯净的灵芝孢子油的样本做进一步分析验证。研究表明,RVM分类器对于建模的预测集样本判别准确率高达93.75%,说明模型有较强的判别能力,但由于模型局限性,掺杂地沟油样品被误判为纯净的灵芝孢子油;在新聚类算法的决策图上,纯净灵芝孢子油校正集和预测集混合样本的聚类中心数为1,而纯净灵芝孢子油校正集和掺杂了地沟油混合样本聚类中心数为2,直观验证判别结果的准确性。结果表明利用FT-NIR技术结合RVM分类器与新聚类算法对于灵芝孢子油掺假能够有效识别,并且能够定性识别新型掺假类型,为解决食品掺假多样化问题提供一种新思路。

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。

基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法。相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法。并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优。利用矿井无线传感器网络检测到的各项历史数据试验。结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持。

基于Fast-RVM的在线软测量预测模型

生化需氧量(biochemical oxygen demand,BOD)是评价水质好坏和污水处理效果的关键指标之一。由于污水生化处理过程复杂,在线仪表维护困难,生化需氧量无法得到快速精确地测量。针对这一问题,提出了一种基于Fast-RVM的在线软测量回归模型来实时在线预测出水指标BOD。该模型采用基于贝叶斯框架的相关向量机来在线预测输出指标,并且引入快速边际似然算法来加快模型的更新速度。通过污水数据的仿真实验,结果表明该在线模型的预测精度高于离线模型,泛化能力强,模型在线更新的快速性尤为突出,能较好地实现污水处理中出水水质的实时在线预测。

基于综合健康指数与RVM的系统级失效预测

针对具有多维状态变量、多种工作模式和故障模式的复杂工程系统,提出一种基于综合健康指数(synthesized health index,SHI)与相关向量机(relevance vector machine,RVM)的系统级失效预测方法。在离线训练阶段,先根据有限失效历史数据建立各工作模式下的健康评估模型,并据此获得各历史退化轨迹的SHI序列;然后再使用RVM对这些序列进行回归处理,进而辨识出与回归曲线最为匹配的函数模型。在线预测阶段,先运用健康评估模型计算当前设备的SHI序列并进行RVM回归,再拟合出离线阶段确定的函数模型并添加时变噪声;最后,外推预测出系统剩余使用寿命的概率密度分布。该方法成功应用到涡轮发动机的失效预测案例。

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.

基于SVM/RVM的小样本装备软件成本估算

文章提出应用支持向量机(SVM)和相关向量机(RVM)预测原理预测软件成本和工作量,并建立了基于SVM/RVM的小样本数据条件下的装备软件成本估算模型。实验结果证明该估算方法可以较大幅度提高软件成本估算的精确度。

基于KPCA-RVM的土石坝沉降预测模型研究

【目的】针对土石坝坝体沉降存在多变量、强耦合、强干扰的复杂问题,建立基于KPCA-RVM的土石坝沉降预测模型。【方法】利用核主元分析(KPCA)对输入向量进行降维处理,以减少因子个数,随后利用相关向量机(RVM)模型对土石坝沉降进行预测,并以平均相对误差为指标对预测精度进行评价。【结果】实例应用表明,KPCA-RVM模型将输入向量由14个降低到7个,预测结果的平均相对误差仅为0.9%,预测效果得到明显提升。【结论】利用KPCARVM模型对土石坝进行沉降预测,不仅可以减少输入向量个数,而且可以提高预测精度,可在实际工程中推广应用。

基于LFOA-HSRVM的IPTV用户报障预测方法

针对交互式网络电视(IPTV)用户报障因素复杂、故障样本相对贫瘠的问题,基于相关向量机(RVM)高稀疏性的建模特点提出一种结合RVM参数优化和混合采样的IPTV用户报障预测方法(LFOA-HSRVM)。该方法将IPTV的用户报障预测视为一个针对非均衡数据集的二分类问题,克服了传统RVM算法在处理非均衡数据时决策边界偏向少数类样本的问题。实验表明,与其他相关算法相比,该算法的少数类分类性能和总体分类性能均有较大提升,能获得更好的报障预测效果。

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。

DGM和RVM融合的电动汽车电池寿命预测研究

电池寿命预测已经成为指导电池安全运行维护的一个重要依据,针对相关向量机(relevance vector machine,RVM)和灰色模型(grey model,GM)等传统方法中存在的长期预测能力差和预测精度低、稳定性不高等问题,提出了一种离散灰色模型(diecrete grey model,DGM)和RVM融合的电池寿命预测方法,该方法利用DGM的动态更新提高了RVM的预测精度,从而解决了电动汽车预测精度不高和稳定性差的问题,实验结果证明,电动汽车电池寿命预测能力得到了极大的提高,其预测精度可达95%以上,完全满足电动汽车电池运行维护的要求。

RVM在SoC验证中的应用及覆盖率驱动技术

介绍了RVM的层次化验证平台的结构,描述了RVM提供的基类和它们相互之间的关系。并且以USB为例,给出了利用RVM搭建模块级验证平台的方法,阐述了基于代码覆盖率和功能覆盖率的覆盖率驱动技术。

覆盖率技术的提高在RVM层次化验证方法中的应用

本文首先介绍了传统验证方法的弊端,描述了RVM验证平台的层次化结构及它的可重用性原理,主要目的是强调在现有的验证平台上为了模块得到完备性验证必须提高它的覆盖率。本文使用的方法是在基于RVM的验证平台上通过验证工程师充分理解协议之后增加测试例的构造来实现覆盖率技术的提高。然后以UART(通用异步收发信机)为实例具体说明如何提高覆盖率,最后得出结论通过这种方法可以使功能覆盖率和代码覆盖率都达到100%,提高了验证的完备性。