基于最小二乘支持向量机的故障预测法

利用最小二乘支持向量机回归算法的基本原理,结合复杂多尺度方法建立最小二乘支持向量机预测模型,对某型机载飞机的陀螺平台状态数据进行监测,实现对设备状态趋势的预测和故障预报。结果表明:采用复杂多尺度最小二乘支持向量机模型进行状态监测是有效的。

基于局域波法和SVM模型的往复机械故障预测方法研究

针对往复机械系统工况的动态特性,提出了一种基于非平稳振动信号局域波分析和支持向量机(SVM)的故障预测方法。对于往复机械的振动监测信号,利用局域波法获得其中所包含的特征信息,以此作为预测模型的数据源;采用SVM作为预测手段,将局域波时频谱中所包含的局域波分量特征信息作为预测控制模型的输入量。该方法应用于工程实践中,有效地提高了预测精度,并为设备的工况和剩余寿命定位提供了依据。

导弹退化故障预测方法研究

对导弹退化故障预测方法进行了研究,对测试数据进行统计推断,确定了测试数据的分布规律,并针对导弹测试数据分布参数存在小样本、非线性等特点,应用最小二乘支持向量机预测算法对测试数据的分布参数进行预测,确定了测试数据未来某一时刻的分布函数,进而建立了导弹退化故障预测模型,得出了导弹未来一段时间内的退化故障概率。通过实例分析,验证了退化故障预测模型的合理性。

设备状态趋势的SVM预示技术研究

SVM采用结构风险最优化准则,预示推广能力强并有很好的鲁棒性。分析了SVM技术的理论,推导了SVM进行机电设备趋势预测的理论算法,给出了进行预测的步骤,建立了SVM用于故障趋势预示的模型。将该模型用于某机组振动烈度的预示,进行了不同核函数和不同C值和ε值的比较,证明采用径向基函数和适当的损失函数,取得了较好的预测效果。并将SVM与AR模型的提前20步预测结果进行了比较。结果证明该算法对设备状态的趋势具有较好的预示能力。

支持向量机理论在设备状态趋势预测上的应用研究

论述了支持向量机(supportvectormachine)的分类和回归算法,并对近年来SVM在设备状态趋势预测方面的应用进行了分析,指出了其应用研究中的优点和不足,展望了SVM在设备状态趋势预测方面的研究前景.

机电设备故障诊断和趋势预测的支持向量机方法

分析了支持向量机(Support Vector Machine-SVM)的分类和回归算法。对近年来SVM在设备故障诊断和趋势预测方面的应用进行了回顾,给出了SVM用于设备状态趋势预测的模型和算法。采用AR(Auto Regressive)模型和SVM模型进行实验台的振动烈度的预测,表明SVM模型具有长区间预测精度高的特点。讨论了SVM在设备故障诊断和趋势预测研究的发展前景。

机电设备趋势状态的支持向量机智能预示

将支持向量机用于某机组振动烈度的预示,并运用FPE(FinalPredictionError)准则优化嵌入维数,采用径向基函数和适当的损失函数,取得了较好的预测效果,证明该算法对机电设备运行状态的监测与故障趋势具有较好的预示能力。

基于SVM的信息化装备状态趋势预测方法研究

论述了支持向量机SVM(support vector machine)的分类和回归算法,并对SVM在信息化装备状态趋势预测方面的应用进行了可行性分析,指出了传统预测方法的不足和SVM的优点,展望了SVM在信息化装备状态趋势预测方面的研究前景。

基于SVM的旋转机械转子故障预示研究

支持向量机包括支持向量回归机和支持向量分类机。本文提出了一种用于旋转机械转子故障预示的方法,通过支持向量分类机(SVC)对旋转机械转子故障进行分类并建立故障分类器,利用支持向量回归机(SVR)对转子运行状态趋势进行预示,并将预示结果输入到SVC以判断预示结果的属性。对支持向量回归机进行了仿真研究。将支持向量机与神经网络算法从理论和实验研究两个方面进行了对比研究,结果表明,该方法具有较好的故障预示能力。

基于时间序列组合模型的水电机组状态趋势预测

水电机组状态参量具有小样本、非线性和非平稳性等特点,传统预测理论很难对其实现状态趋势预测,考虑从多角度优化预测算法,建立了基于时间序列的组合预测模型。本研究利用小波变换理论提取信号的细节特征,将机组状态参量分解为非线性的趋势项和平稳性的波动项,分别利用最小二乘支持向量机(LSSVM)理论和自回归(AR)模型进行趋势预测,利用加法原则重构信号实现水电机组状态参量的趋势预测。取某电站振动状态序列进行实例计算,结果表明预测值与实测值基本一致,具有较高的预测精度。研究结果将对水电机组的状态预警起到一定的推动作用。