基于鲁棒最小二乘支持向量机的电机振动故障诊断

对时序数据建模与辨识技术进行了分析,提出了使用鲁棒最小二乘支持向量机(LS-SVM)算法建立自回归移动平均(ARMA)时序预测模型。该模型是在LS-SVM的约束条件中考虑了鲁棒特性和时序模型参数,使之在求解的过程中对孤立点与噪声不敏感,并且能准确地辨识时序模型参数。考虑到电机振动故障诊断的输入输出数据集间存在着复杂非线性时序上的关系,通过用基于鲁棒LS-SVM的ARMA模型预报电机的振动值,从而预测电机振动故障。实验表明该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性,为确保电机正常运行创造了良好条件。

基于鲁棒能量模型LS-TSVM和DGA的变压器故障诊断

鲁棒能量模型最小二乘双支持向量机作为最小二乘双支持向量机(LS-TSVM)的改进算法,训练速度快、鲁棒性好且泛化能力强。将其引入到变压器故障诊断中,并提出一种鸡群算法优化鲁棒能量模型LS-TSVM的变压器故障诊断模型。在该模型中,结合二叉树和鲁棒能量模型LS-TSVM构造多类分类器用于变压器故障类型识别,并采用搜索性能较强的鸡群算法对鲁棒能量模型LS-TSVM的参数进行优化,以使模型的诊断性能达到最佳。基于DGA的变压器故障诊断实例表明,该方法故障诊断模型精度高,诊断效果优于PSO-SVM模型。

基于鲁棒LS-SVM的ARMA时序模型研究

对时序数据建模与辨识技术进行了分析,提出了使用鲁棒LS-SVM算法建立ARMA时序预测模型。该模型是在LS-SVM的约束条件中加入鲁棒特性和时序模型参数,使之在求解的过程中对孤立点与噪声不敏感,并且能准确地辨识时序模型参数。考虑到高炉的热状态的输入输出数据集间存在着复杂非线性时序上的关系,通过用基于鲁棒LS-SVM的ARMA模型预报铁水中硅的含量,从而达到了预测高炉热状态的目的。说明了该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性,为稳定钢铁质量和生产工艺创造了良好条件。

基于测试分析和RELS-TSVM的舰船系统固有能力评估

[目的]固有能力是效能的重要组成部分。为开展舰船系统固有能力评估工作,[方法]以舰船系统指标体系为基础,对无法定量获取的功能指标,以系统级测试、设备BIT/外部测试点测试结果和可靠性模型,建立故障状态与功能指标的量化对应关系。结合多分类鲁棒能量模型—最小二乘双支持向量机(RELS-TSVM)方法对系统固有能力进行初步评判。[结果]仿真结果表明,所提的多分类评估模型与简单支持向量机模型相比,分类正确率提高了8.97%;通过添加系统级测试方案,提高了对系统故障的覆盖率,提升了评估结果的可信度,解决了基于数据驱动的固有能力评估方法中数据获取难度大的问题。[结论]验证了基于测试分析和RELS-TSVM的舰船系统固有能力评估方案的可行性和优势,可为武器装备效能评估研究提供新的思路。

一种改进型LSSVM模型在电站锅炉燃烧与优化中的应用

采用鲁棒交叉验证算法对传统最小二乘支持向量机模型进行改进,并对某350 MW机组的锅炉燃烧系统进行建模,用以预测锅炉出口烟气参数的变化。结果表明:鲁棒交叉验证最小二乘支持向量机建模方法提高了模型的预测精度,增强了模型的鲁棒性,有效避免了单一元素误差对预测结果的影响;通过优化锅炉燃烧系统输入参数的组合,可以有效提高锅炉的整体经济效益并降低NOx的生成量。

基于在线鲁棒LSSVM的自适应PID算法

为了解决在线最小支持向量机在每个采样周期更新模型带来计算量大的问题,提出了在线鲁棒最小二乘支持向量机(LSSVM)的自适应PID控制算法.通过2步加权策略提高LSSVM的鲁棒性,把样本预测误差与过程先验知识相结合给出控制模型复杂度准则,有效地提高了模型的精度、速度以及稀疏性;结合预测控制思想,把在线鲁棒LSSVM算法用于PID非线性控制.仿真结果表明:鲁棒Huber函数与ε-不敏感函数相结合的鲁棒代价函数,能够有效地对系统局部非线性区域进行建模,随系统工作点变化而自适应地辨识,不仅有较高的控制精度,而且具有较强的鲁棒性和建模速度,能够适应时变参数对象的控制.