基于时间序列聚类和LSSVM的隧道拱顶位移预测

在隧道施工中,拱顶下沉位移的监控量测及其发展趋势的有效预测,对隧道的安全施工具有重要意义。提出一种结合K-medoids聚类算法和最小二乘支持向量机(LSSVM)的智能算法对拱顶下沉位移进行预测,并通过汶马高速鹧鸪山隧道的现场实测数据验证了该方法的有效性。研究结果表明:同一类拱顶下沉位移时间序列用同一模型预测具有可行性;隧道拱顶下沉位移是不平稳时间序列,相比直接用LS-SVM建立模型,采用WPT方法和LSSVM结合的算法具有更高的预测精度;以作为聚类中心的断面作为参考样本预测当前监测断面拱顶下沉位移时,只需要得到当前监测断面的较少数据,从而实现在当前断面的监测初期的有效预测。

基于LSSVM的小电流接地故障融合选线

小电流接地系统单相接地故障选线是尚未解决的一大难题。传统的单一故障选线方法都有其各自的适用范围,故障选线准确率不高。在此基础上,提出利用最小二乘支持向量机(LSSVM)对多种选线方法进行信息融合。分别利用小波包变换和FFT算法,从零序电流中提取暂态能量分量、稳态基波分量和五次谐波分量,形成故障选线的特征分量。作为LSSVM的输入进行信息融合。从而实现故障选线。仿真结果表明:与标准的SVM相比,该方法学习速度更快、泛化能力更强,且不受接地电阻、故障初始角、故障距离等的影响。选线结果具有较高的精度。

基于LSSVM的列车转向架拉杆螺栓状态识别

针对列车转向架拉杆螺栓的松动问题,采用基于LSSVM的状态识别方法对列车转向架拉杆螺栓进行状态识别研究。制作了列车转向架拉杆螺栓结构模拟模型,包括正常、过渡、松动3种状态,并结合激振器、功率放大器等仪器搭建实验平台。采用振动加速度传感器采集列车转向架拉杆螺栓的振动信号,对获取的数据进行时域、频域分析,结合小波包能量寻找螺栓不同松动状态下振动信号的差异性,提取了敏感特征参数,最后通过LSSVM模型对拉杆螺栓状态进行分类识别。识别结果表明,基于LSSVM的识别方法能够有效识别出转向架拉杆螺栓的松动状态。

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。

LSSVM与HMM在航空发动机状态预测中的应用研究

传统单一的状态预测方法难以精确预测航空发动机状态的缺陷,而最小二乘支持向量机(LSSVM)具有较强的非线性预测能力和泛化能力,可以有效地对信号进行非线性预测,隐马尔科夫模型(HMM)有利于处理连续的动态信号,能够精确计算出似然度概率。提出一种结合LSSVM与HMM的状态预测方法。利用提升小波函数全阈值降噪法对采集的振动信号进行降噪,采用小波包分解提取有效的特征,选择不同状态下的特征量训练多个HM M模型,并通过此模型对未知信号特征量以及LSSVM预测的特征量进行状态监测,从而预测出发动机未来时刻的状态以及状态的退化趋势。实验结果表明,该方法的预测准确率达到92%以上,能够有效地预测航空发动机的状态情况。

基于SA-PSO的煤矿小功率电机故障诊断研究

小功率电机广泛应用于煤矿带式输送机辅机、水处理系统等场合。为准确诊断小功率电机运行过程中发生的常见故障,提出一种模拟退火粒子群优化(SA-PSO)算法优化最小二乘支持向量机(LSSVM)的故障诊断方法。首先利用RELAX算法剔除定子电流基波频率分量,然后使用小波包分解对信号进行分解和重构,选取重构后特定频带的能量值为特征信号,最后用SA-PSOLSSVM模型进行故障分类。实验结果表明,该方法在小功率电机故障诊断上有较好的诊断精度。

基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究

讨论风电场短期风速多步预测和信息粒化预测,建模方法采用最小二乘支持向量机回归算法,数据处理方法采用小波包变换算法,在小波变换的基础上有选择地分解高频部分,可进一步提升预测精度。最后,将该文所提的建模方法应用于短期风速多步预测和信息粒化预测。大量实例分析表明,多步预测方法可得到风速预测曲线,适用于含风电场的区域能源连续调度;信息粒化方法可处理冗余数据并得到较准确的风速预测的特征数据,能准确分析不同风电场或不同风电机组的机组特性。

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。

功率谱在调速阀故障诊断中的性能分析

利用小波包分别提取调速阀振动时的正常信号和故障信号的AR功率谱的特征值,之后利用提取的特征值作为LSSVM的输入,对调速阀的故障进行诊断,取得了良好效果,并与原始信号的效果进行了对比,并阐明了原因。

基于小波包和支持向量机的故障诊断方法研究

基于支持向量机(SVM,support vector machine)对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM(least squares support vector machines)进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。

基于支持向量机的小电流接地系统故障选线研究

现有的各种小电流接地故障选线方法都有各自的不足，适用范围有限。针对这一情况，本文提出了基于LSSVM（Least Square Support Vector Machine，最小二乘支持向量机）的故障选线方法，利用小波包变换作为特征提取手段，对线路的零序电流信号进行多层变换，选用特征频带内的能量值作为分类器LSSVM的训练与测试样本。在仿真验证这种方法有效的基础上，提出LSSVM改进小波包的选线方法，仿真证明故障选线准确率得到了提高。