转子振动故障的小波能谱熵SVM诊断方法

融合小波能谱熵和支持向量机(SVM)的特点,提出了基于小波能谱熵的SVM故障诊断方法.利用转子试验台对转子典型振动故障进行模拟并采集振动数据,提取其振动信号的小波能谱熵作为特征向量,通过样本训练建立了转子在各种典型振动故障状态下的SVM模型和多类分类器,进而实现了对未知转子振动故障的识别.实际应用表明,提出的转子振动故障诊断方法是可行和有效性的.      

利用粒子群支持向量机预测轴流压气机机匣壁面压力

建立了基于粒子群优化的轴流压气机机匣压力支持向量机预测模型.利用支持向量机的强大非线性映射能力,实现了对某型轴流压气机机匣压力时间序列的非线性预测,并运用粒子群优化算法对支持向量机的重要参数进行了优化,增强了预测模型对混沌动力学的联想和泛化推理能力,提高了预测的精度和稳定性.而针对发动机台架试验数据的预测结果证明了方法...     

基于改进模糊SVM的转子振动故障诊断技术

首先对常用的隶属度确定方法进行改进,提出了基于改进模糊支持向量机(FSVM)的融合故障诊断方法,并建立了改进FSVM故障诊断数学模型;然后,利用转子振动模拟实验台对四种典型的转子诊断故障进行模拟,并提取其故障信号特征;最后,通过实例计算分析,验证了该方法在转子振动故障诊断方面是可行的和有效的.     

多传感器决策融合系统中的决策空间优化划分研究

在假定各局部检测器的决策规则已经给定以及在Ｂｈａｔａｃｈａｒｙｙａ距离最大的意义下,对多传感器融合系统中的决策空间优化划分设计进行了研究。首先基于Ｂｈａｔａｃｈａｒｙｙａ距离准则,把对整个系统决策空间的优化划分解耦为分别对各局部检测器决策空间的优化划分;然后从理论上证明了这种划分设计在最大Ｂｈａｔａｃｈａｒｙｙａ距离意义下的最优性,以及这种基于最大Ｂｈａｔａｃｈａｒｙｙａ距离准则进行优化划分设计的合理性;最后,通过对瑞利起伏环境下信号检测融合问题的数值计算表明,本文方法的性能优于基于Ｊ－散度方法的性能。     

一种基于群体理想解的多属性群决策方法及其应用

在多属性群决策分析中,由于涉及到各属性评价值的综合和专家个体评判的集结,所以决策群体很难对方案直接评优,针对多属性群决策方法问题,给出了一种分析方法.首先,给出了每位专家多属性数值决策矩阵和理想点的定义;然后通过定义专家群体贴近度矩阵和专家群体理想点,给出了基于多属性数值决策矩阵形式偏好信息的群决策方法;最后,通过一个算例对该方法的合理性和有效性进行了说明。     

军事计量保障费-效决策分析

从军事计量保障费-效决策的目的出发,建立了计量保障费用-效能决策模型,对费-效决策优化的具体实施进行了初步研究.针对全寿命周期费用不能定量评估的情形,将指标权重分配的MITA方法和多属性决策的TOPSIS方法结合起来,给出了一种可行的多指标评估方法.通过给出一个决策优化的案例,验证了费-效决策多指标评估方法的正确性和实用性,提高了效能评估的有效性和精确度,供有关研究人员和决策部门参考.     

基于GIS民航应急救援辅助决策系统的研究

当灾难性事故或灾害不可避免时,有效的应急救援工作是唯一可以防止事故蔓延并减轻危害后果的有力措施。本文介绍基于组件式地理信息系统控件(MapX),以Vi-sualBasic开发语言设计开发的一套民航应急救援与辅助决策支持系统,重点描述了系统的工作流程、模块划分、主要功能和技术要点。该系统主要实现了在民航机场突发事件处理中,救援事故地点确认的及时化、救援应急程序启动的支持化、救援过程管理的可视化。     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.     

基于排列组合熵的转子振动信号故障诊断SVM方法研究

针对发动机转子的多种故障模式,提出了基于排列组合熵的SVM故障诊断方法。利用转子实验台,模拟了转子正常、转子不平衡、转子不对中、动静碰磨和基座松动5种典型振动模式,并使用振动传感器采集多路振动数据。计算振动数据的排列组合熵并将其作为故障特征向量,对特征向量样本集进行多级SVM分类诊断,并运用小波包能量特征提取方法提取信号特征。实例计算与结果对比表明,本文方法的正确率要高于基于小波包能量提取特征的SVM分类诊断方法,在提取转子振动信号的特征向量及在小样本下的故障分类诊断等方面,具有可行性和有效性。     

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。