基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题，利用机载燃油转输系统实验平台收集的振动信号和压力信号，提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先，利用EMD提取振动信号不同频段的能量值作为特征参量，并结合压力信号均值构造故障特征向量；其次，分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化，并对优化后的SVM诊断性能进行了评估；最后，分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器，并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%，寻优过程中均未陷入局部最优解，且寻优时间相当，其中GA的训练时间最短，可以采用GA对SVM参数进行寻优；当采用GA_SVM作为故障分类器时，用时较短，且故障诊断率较高，可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法（GNSS-IR）,提出了一种基于支持向量机（SVM）的土壤湿度反演模型,利用遗传算法（GA）的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差（MAPE）仅为0.69%,最大相对误差（MRE）为1.22%,线性回归方程决定系数达到了0.956 9。进一步与统计回归、粒子群优化的SVM模型（PSO-SVM）及反向传播（BP）神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。      

一种多层次制造服务建模和组合优选方法

为提高云制造环境下服务建模和组合优选的准确性,首先将制造服务分多个层次进行描述,从资源服务、功能服务和流程服务3个层次进行建模。然后针对多层次服务模型,采用服务执行时间、服务花费成本和服务用户评价等因素构建服务组合优选的质量评估函数。为解决多层次服务的组合优选问题,提出一种改进引力搜索算法（NGSA）,将小生境中的拥挤度因子和适应值共享技术引入传统引力搜索算法（GSA）以提高收敛速度和准确性。算例验证表明,相比传统的遗传算法（GA）和粒子群优化（PSO）算法,NGSA能在较短的时间内收敛,且最优解的匹配准确度更高。      

CME引起的地磁暴穿越时间

日冕物质抛射(CME)从发生至引起地磁暴最大值的时间间隔称为穿越时间.本文选取1997-2015年89个CME-Dst事件,分析CME速度、能量、耀斑类型等对穿越时间的影响;采用非线性拟合以及支持向量机(SVM)非线性回归技术,建立基于1997-2009年62个CME-Dst事件的CF模型和SVM模型,并利用其余27个CME-Dst事件对模型预报效果分别进行检验.结果表明,CF模型和SVM模型的预报准确率均达到85.2%,其中CF模型的平均绝对值误差为13.77 h,而SVM模型为13.88 h.与ECA模型结果(准确率为77.8%,平均绝对值误差为14.55 h)进行对比发现,CF模型和SVM模型的准确率更高而误差更小.CF模型和SVM模型能够提前1~5天较好地预报地磁暴爆发时间.     

基于混合策略的麻雀搜索算法改进及应用

针对麻雀搜索算法(SSA)搜索精度不高、全局搜索能力不强、收敛速度慢和易于陷入局部最优等问题，提出了一种基于混合策略的麻雀搜索算法(HSSA)。采用改进的Circle混沌映射初始化种群，提高种群多样性；结合樽海鞘群算法改进发现者的搜索公式，提高算法迭代前期的全局搜索能力和范围；在加入者的搜索公式中引入自适应步长因子，提高算法的局部搜索能力和收敛速度；通过镜像选择机制，提升每次迭代后的个体质量，提高算法的寻优精度和寻优速度；在位置更新处加入模拟退火机制，帮助算法跳出局部最优。利用8种测试函数进行测试，结果表明，改进算法比SSA有更好的寻优性能。将改进前后算法与极限学习机结合进行实验，人体表面肌电信号数据集的分类预测精度从80.17%提高到90.87%，证实了改进算法的可行性和良好性能。     

基于SVM的低空飞行冲突探测改进模型

为保障通航飞行器在低空空域的飞行安全,提出了一种基于支持向量机（SVM）的飞行冲突探测改进模型。首先,建立适应于飞行器的保护区。然后,利用改进型ID3决策树算法将搜索空间降低到局部的方法筛选具有潜在飞行冲突的飞行器,并利用随机森林（RF）选择合适训练集。最后,利用tanh函数优化容易饱和的sigmoid函数对SVM分类结果的概率映射。通过仿真验证和对比分析,结果表明:利用基于密度聚类的DBSACN算法去除异常点,将剔除产生误报和虚报的数据作为训练集优化SVM分类器,改进的飞行冲突探测模型的误报率和虚报率分别降低了0.6%和1.9%,算法执行效率得到提高,而且具有较好的抗干扰能力与稳定性。      

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

一种改进PSO-ARMA半球谐振陀螺温度误差建模方法

为减小半球谐振陀螺(HRG)在温度效应下产生的漂移,建立了温度漂移补偿模型,对与温度有关的确定性漂移进行了补偿。提出了一种改进PSO-ARMA建模方法,对不确定性漂移进行了补偿。改进的PSO-ARMA建模方法将惯性权值递减策略引入到反向学习粒子群优化(PSO)算法中,提高算法跳出局部、快速收敛的能力,在建模时利用改进的PSO算法对ARMA参数寻优,以提高模型的精度。利用半球谐振陀螺升温实验数据进行了检验,经该模型补偿后,陀螺输出精度可达0.07°/h,且较传统ARMA建模方法精度提高了一倍。      

基于支持向量机方法的地球同步轨道相对论电子事件预报模型研究

提出了一种基于支持向量机方法(SVM)的地球同步轨道相对论电子事件预报模型. 模型以平均影响值(MIV)作为指标, 筛选出预报输入参量. 这些参量包括, 前一日的大于2MeV电子日积分通量、太阳风速度、太阳风密度、Dst指数和前二日的AE指数. 模型包含回归和分类两个部分, 可以分别对未来一天的电子日积分通量和相对论电子事件强度的级别做出预报. 对2008年样本进行测试, 在相对论电子通量的预报中, 预报值和实测值之间的线性相关系数为0.85, 预报效率为0.71; 对相对论电子事件级别预报的准确率为82%, 可以较准确区分开事件状态与非事件状态. 结果表明, SVM预报模型对相对论电子事件有较好的预报效果.      

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

免疫支持向量机用于航空发动机磨损故障诊断

航空发动机在使用寿命周期内会不断磨损最终出现故障,通过对发动机油液监测铁谱分析数据的挖掘可实现磨损故障的诊断。本文研究免疫算法优化的支持向量机(SVM)在航空发动机磨损故障诊断中的运用。首先,总结了支持向量机和免疫算法的运行流程和关键算法。然后,用改进的免疫算法优化支持向量机惩罚因子、松弛变量及核函数参数。某型航空发动机的油液铁谱分析数据和加入噪声数据验证结果表明,该方法可有效实现航空发动机磨损故障诊断且具有较好的鲁棒性。最后,研究了核函数、多分类决策方法、初始种群大小、亲和力计算公式、支持向量机优化方法和归一化方法对磨损故障诊断准确率的影响,得到了最佳诊断方法。     

多模函数优化的改进花朵授粉算法

为了探讨花朵授粉算法（FPA）在解算多模函数优化问题中存在的不足,通过定义种群多样性及差异性指标,定性分析了FPA在多模复杂函数优化中的寻优缺点。基于模拟退火思想优化全局授粉过程,并利用Nelder-Mead单纯形搜索技术对花朵局部授粉进行重构,提出一种新的花朵授粉寻优架构。仿真结果表明,相对于基本的FPA、布谷鸟算法、萤火虫算法,改进花朵授粉算法能够有效避免陷入局部最优,具备优异的全局勘探和局部开采能力,对多模优化问题具有一定优势。      

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

基于FSS-kernelBSS方法的机械故障诊断

机械设备发生故障时,故障特征的提取是很重要的.为了从观测信号中分离出不同的故障特征源信号,并根据分离信号准确地进行故障诊断,从观测信号样本出发,提出了基于有限支持样本核函数的盲源分离(FSS-kernel BSS)方法.此方法利用有限的观测样本估计信号的概率分布,得到了评价函数,具有很好的自适应能力.仿真试验结果表明:此方法能成功地分离超、亚高斯混合信号,与其他盲源分离方法相比,此方法具有更好的分离性能.将该方法用于转子不平衡和支座松动的复合故障信号的盲分离,分离出了各复合故障的主要频谱.分离结果表明:此方法应用于机械设备复合故障诊断中是可行的.     

基于支持向量机的卫星执行机构故障诊断研究

针对脉冲等离子体推力器（Pulsed Plasma Thruster,PPT）作为执行机构的微纳卫星姿态控制系统故障问题,采用了支持向量(Support Vector Machine,SVM)技术对脉冲等离子体推力器的两种常见故障进行检测与隔离。运用自适应遗传算法优化墨西哥草帽小波核函数参数,并结合小波分析,提高了SVM分类器的超平面寻优效率与泛化能力。最后,通过仿真分析,验证了该方法可快速准确地完成故障诊断任务,也证明了小波核函数支持向量机技术在故障诊断方面的先进性与有效性。