基于局部线性嵌入的行星变速箱测点优化研究

为在某型行星变速箱齿轮故障诊断中选取最优测点的振动数据,提出一种动力学仿真与局部线性嵌入算法相结合的测点优化方法,并通过BP神经网络算法对部分优化选取测点的实测数据进行故障状态识别效果验证。在ADAMS中对行星变速箱刚柔耦合模型进行齿轮故障注入,初步选取测点,用局部线性嵌入算法进行测点优化;搭建行星变速箱试验台并采集实测振动数据,采用BP神经网络算法对各测点振动数据进行故障状态识别,得出实际测点故障状态识别的准确率以验证测点优化方法的有效性。结果表明,该方法能够有效选取最优测点,为行星变速箱故障诊断的测点选取提供了可靠依据。     

支持向量数据描述法在设备故障诊断中的应用

针对机械故障诊断缺乏故障样本的问题,提出故障诊断单值分类法--支持向量数据描述方法(SVDD).该方法应用于机械故障诊断和状态监测中,只需要正常运行状态的数据信号,而不需要故障数据,就可以建立单值分类器,区分出正常和异常状态.试验以某海水泵为研究对象,采用基于核函数的主元分析作数据前处理,将得到的特征指标输入到SVDD分类器进行训练和测试.结果表明,SVDD分类器能很好的分辨出正常和故障状态,核函数主元分析具有优秀的提取性能.     

混沌果蝇-最小二乘支持向量机变压器DGA诊断

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融合混沌算法对果蝇优化算法的进化机制进行改进,提出混沌果蝇优化算法(CFOA)。将CFOA算法应用于最小二乘支持向量机(LSSVM)惩罚因子和核函数参数的选择中,可以改善参数选择的随机性和盲目性,从而建立基于CFOA-ISSVM的故障模式预测模型。应用该模型对变压器油中溶解气体故障模式进行预测,结果表明,CFOA方法在在收敛速度、收敛可靠性及收敛精度上均比基本FOA有较大的提高,依此而建立的CFOA-LSSVM故障模式预测模型具有较高的准确率。     

基于支持向量机的石油期货价格预测

建立了基于支持向量机技术的石油期货价格预测方法.该方法使用价格序列一阶差分及其滞后值建模,采用径向基(RBF)核函数和序贯最小优化(SMO)算法,通过综合验证方式确定包括嵌入维数在内的各参数.实证研究表明,支持向量机方法比RBF神经网络和ARIMA模型预测精度更高,具有很好的应用前景.     

基于多目标优化的电网二次设备故障诊断

电网的健康安全运行与二次设备的运行状态相关,电力系统中存在着大量不易确定的潜伏性故障,为此,提出基于多目标优化的电网二次设备故障诊断。建立多目标优化的故障诊断模型,实现由故障诊断问题向多目标优化问题的转化,设置保护动作期望状态。实验结果表明,故障诊断方法能够有效识别和定位二次设备故障并具有可靠性。     

核电厂仪控卡件PSPICE仿真及故障诊断研究

针对核电厂仪控卡件的可靠性检测与分析问题,在对卡件进行PSPICE仿真分析的基础上,为提高故障诊断的准确率,提出一种基于偏二叉树双支持向量机的故障诊断模型,将双支持向量机引入模型,利用偏二叉树多分类方法构造出多个2分类器,实现仪控卡件故障诊断的多类分类。通过实例验证,提出的故障诊断模型提高故障诊断精度和泛化能力,时间消耗短。     

基于多源数据融合的抽水蓄能项目投资估算方法

针对传统估算方法存在估算不准确,误差大的问题,提出基于多源数据融合的抽水蓄能项目投资估算方法。通过从宏观因素和微观因素对抽水蓄能项目投资估算的影响因素进行分析,采用LSTM神经网络法对抽水蓄能项目多源数据进行融合,将抽水蓄能项目投资有影响的宏观因素和微观因素作为多源数据融合信息输入到模型作为变量,通过平均影响值算法和粒子群算法确定最优的支持向量机模型来对抽水蓄能项目投资进行估算。实验结果表明,采用该方法可有效提高估算准确度,降低平均相对误差,具有一定的实用性。     

基于SOA-LSSVM的故障模式识别模型研究

将搜索者优化算法(SOA)应用于最小二乘支持向量机(ISSVM)惩罚因子和核函数参数的选择中,从而改善参数选择的随机性和盲目性,建立基于SOA-LSSVM的故障模式识别模型。应用该模型对变压器油中溶解气体故障模式进行分析,结果表明该算法在参数优选中的有效性,依此而建立SOA-LSSVM故障模式预测模型具有较高的准确率。     

基于无线传输的智能小区门禁系统设计

提出了一种基于支持向量机的机械故障诊断模型,该模型建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以期获得最好的推广能力。在选取诊断模型输入向量时,对故障信号功率谱进行小波分解,简化了故障特征向量的提取。仿真结果验证了该模型的有效性。     

VMD敏感分量在风电机组主轴故障诊断中的应用

提出基于VMD敏感分量的风力发电机主轴故障诊断方法。利用变分模态分解分析风机主轴的振动信号,将其分解、评估、分析,选取包含信号特征的有效模态分量重构信号。然后提取重构信号的特征值,构成模态分析向量,凸显信号故障信息,结合VPMCD方法进行故障诊断。将所提方法应用于风电机组仿真实验,对主轴外圈、内圈和滚动体故障数据进行分析验证,结果表明该方法的有效性。     

基于ITD-ELM的变压器绕组微弱匝间短路故障诊断

为了解决油浸式变压器内部绕组绝缘故障检测难度大的问题,提出了一种基于本征时间尺度分解(ITD)和极限学习机(ELM)的变压器绕组微弱匝间短路故障诊断方法。首先,将采集到的变压器可听声信号利用ITD算法分解为若干旋转(PR)分量,并将峭度值较大的分量信号相加,对可听声信号进行重构;其次,将重构后的变压器可听声信号作为模型输入层,故障诊断结果作为模型输出层,构建了基于ITD-ELM的变压器绕组微弱匝间短路故障诊断模型;最后,以一台110 V变压器搭建实验模拟平台,对其微弱匝间短路故障进行训练并诊断。结果表明：基于ITD-ELM模型的微弱匝间短路故障诊断精确率为98%,较传统的ELM故障诊断精确度提升了3%,验证了所提变压器绕组微弱匝间短路故障诊断方法的准确性。研究所提出的故障诊断方法准确性较高,可应用于现场运行的不同电压等级的油浸式变压器。     

Customers churn prediction and marketing retention strategies. An application of support vector machines based on the AUC parameter-selection technique in B2B e-commerce industry

E-commerce has provided new opportunities for both businesses and consumers to easily share information, find and buy a product, increasing the ease of movement from one company to another as well as to increase the risk of churn. In this study we develop a churn prediction model tailored for B2B e-commerce industry by testing the forecasting capability of a new model, the support vector machine (SVM) based on the AUC parameter-selection technique (SVMauc). The predictive performance of SVMauc is benchmarked to logistic regression, neural network and classic support vector machine. Our study shows that the parameter optimization procedure plays an important role in the predictive performance and the SVMauc points out good generalization performance when applied to noisy, imbalance and nonlinear marketing data outperforming the other methods. Thus, our findings confirm that the data-driven approach to churn prediction and the development of retention strategies outperforms commonly used managerial heuristics in B2B e-commerce industry.     

混沌神经网络在球磨机故障诊断中的应用

针对神经网络极易陷入局部极小的问题,采用引入动量项和混沌映射的改进BP算法,讨论引入动量项和混沌映射的神经网络综合模型的建模思路及其算法实现;介绍球磨机常见的故障类型,建立球磨机故障诊断的混沌神经网络模型,进行仿真试验,结果表明:该模型具有较高的预测精度,可以有效地运用于球磨机诊断中的故障预测。     

基于数据挖掘算法的变压器热点温度时序预测方法

为了解决油浸式电力变压器热点温度预测方法缺乏对短期热点温度走势的预测,无法满足动态增容决策要求的问题,以SFPSZ-180000/220型变压器为研究对象,首先,研究对比发现变压器的热点温度与负载率相关性最大,在此基础上,建立了基于支持向量回归的局部地区负荷预测模型,为变压器热点温度预测提供数据;其次,提出了基于数据挖掘算法的变压器热点温度时序预测方法,并在此基础上分别建立了支持向量回归、BP神经网络、决策树3种数据挖掘预测模型;最后,对一般输入-输出的建模方法的预测结果与基于时间延迟方法的预测结果,以及不同时间延迟下3种数据挖掘模型的预测结果进行了对比分析。结果表明,有外在输入的支持向量回归预测模型结果比BP神经网络和决策树吻合度更高,并且时间延时更小,预测结果精确度更高。有外在输入的支持向量回归预测模型在很大程度上提高了变压器热点温度预测精度,其预测结果可为变压器的动态增容决策提供有效参考。     

基于二维Gabor小波与AR-LGC的人脸特征提取算法研究

针对Gabor小波提取的特征信息不够全面以及维数灾难问题,提出了一种基于二维Gabor小波与AR-LGC人脸特征提取的改进算法。首先利用二维Gabor小波提取归一化人脸图像的特征信息,使用AR-LGC算子对提取的Gabor特征进行编码;然后对编码后的Gabor特征图谱进行划分,对每个子块进行直方图统计,将其串联形成人脸表情特征向量并利用PCA进行数据压缩,最后利用C-SVM进行分类识别。实验结果表明,平均识别率为93.33%的比AR-LGC+SVM,Gabor+PCA+SVM提取特征算法的平均识别率分别高6.19%,3.33%。因此所提出的算法在人脸图像的特征信息提取方面有一定的参考价值。     

基于SVR-IPSO的高危行业企业安全投入优化模型及其改进——以煤炭生产企业为例

传统的安全投入模型对解决高危行业领域中模糊复杂的安全投入问题具有一定局限性,尤其当建立目标函数时,采用隐含线性关系假设的函数进行拟合会影响模型的推广能力。基于此,本文首先采用支持向量回归机（SVR）建立事故损失模型,与传统C-D函数拟合结果相比,该模型具有更好的预测能力;然后,以实际安全投入要求为约束,以安全总成本最小化为原则建立企业安全投入优化模型;最后,采用基于捕食搜索策略的粒子群算法对模型进行求解,同时,为保证全局收敛性,引入自适应控制策略对算法进行了改进。结果表明：该模型能够更加准确地描述安全投入与安全成本间的非线性作用关系,并通过粒子群寻优得到具备可行性的全局最优解,为高危行业企业安全投入结构优化提供新的决策思路。     

A hybrid PSO algorithm for a multi-objective assembly line balancing problem with flexible operation times,sequence-dependent setup times and learning effect

This paper addresses multi-objective (MO) optimization of a single-model assembly line balancing problem (ALBP) where the operation times of tasks are unknown variables and the only known information is the lower and upper bounds for operation time of each task. Three objectives are simultaneously considered as follows: (1) minimizing the cycle time, (2) minimizing the total equipment cost, and (3) minimizing the smoothness index. In order to reflect the real industrial settings adequately, it is assumed that the task time is dependent on worker(s) (or machine(s)) learning for the same or similar activity and sequence-dependent setup time exists between tasks. Finding an optimal solution for this complicated problem especially for large-sized problems in reasonable computational time is cumbersome. Therefore, we propose a new solution method based on the combination of particle swarm optimization (PSO) algorithm with variable neighborhood search (VNS) to solve the problem. The performance of the proposed hybrid algorithm is examined over several test problems in terms of solution quality and running time. Comparison with an existing multi-objective evolutionary computation method in the literature shows the superior efficiency of our proposed PSO/VNS algorithm.     

基于DLNS-DSVDD的故障检测方法

为了解决支持向量数据描述方法对多模态动态过程故障检测率低的问题,提出了基于双局部近邻标准化的动态支持向量数据描述的故障检测方法。首先,应用DLNS方法标准化样本生成标准数据集;其次,利用动态方法将标准数据集构造成动态矩阵;最后,使用SVDD方法建立基于空间距离的统计量进行故障检测,应用DLNS-DSVDD方法对一个数值例子和田纳西-伊斯曼过程(TE过程)进行仿真测试,并与传统方法对比分析。结果表明,DLNS-DSVDD方法在具有更低的误报率的前提下拥有更高的故障检测率,平均误报率为2.2%,相比于SVDD方法降低了2.1%,平均故障检测率为88.2%,相比于SVDD方法提高了38.5%,证明了所提出的方法可以有效地监控具有多模态动态特征的化工生产过程。DLNS-DSVDD方法可以有效地剔除数据的多模态结构并且准确地捕获样本中的动态信息,为提高SVDD方法在多模态动态过程中的故障检测性能提供了参考。     

A Pareto approach to multi-objective flexible job-shop scheduling problem using particle swarm optimization and local search

The job-shop scheduling problem is one of the most arduous combinatorial optimization problems. Flexible job-shop problem is an extension of the job-shop problem that allows an operation to be processed by any machine from a given set along different routes. This paper present a new approach based on a hybridization of the particle swarm and local search algorithm to solve the multi-objective flexible job-shop scheduling problem. The particle swarm optimization is a highly efficient and a new evolutionary computation technique inspired by birds’ flight and communication behaviors. The multi-objective particle swarm algorithm is applied to the flexible job-shop scheduling problem based on priority. Also the presented approach will be evaluated for their efficiency against the results reported for similar algorithms (weighted summation of objectives and Pareto approaches). The results indicate that the proposed algorithm satisfactorily captures the multi-objective flexible job-shop problem and competes well with similar approaches.