CN106053067A - 基于量子遗传算法优化支持向量机的轴承故障诊断方法 - Google Patents
基于量子遗传算法优化支持向量机的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN106053067A CN106053067A CN201610352279.9A CN201610352279A CN106053067A CN 106053067 A CN106053067 A CN 106053067A CN 201610352279 A CN201610352279 A CN 201610352279A CN 106053067 A CN106053067 A CN 106053067A
- Authority
- CN
- China
- Prior art keywords
- support vector
- population
- fault diagnosis
- index
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的基于量子遗传算法优化支持向量机的轴承故障诊断方法,包含以下步骤:(1)采集轴承的振动信号;(2)计算无量纲指标;(3)基于云模型量子遗传算法优化支持向量机的模型参数C和σ;(4)对支持向量机模型进行训练;(5)利用支持向量机模型进行故障诊断;(6)输出轴承故障诊断结果。本发明的轴承故障诊断方法具有诊断准确率高的优点,为解决轴承故障诊断问题提供一种新的方法。
Description
技术领域
本发明涉及轴承故障诊断方法,特别是涉及一种基于量子遗传算法优化支持向量机的轴承故障诊断方法。
背景技术
随着科学技术的进步,机械设备内部结构越来越复杂,功能越来越强大,智能化水平越来越高。轴承是机械的核心部件。如果机械设备的轴承在运转过程中出现故障,可能导致整个生产过程中断,不但影响企业的经济效益,而且可能危害工作人员的人身安全,甚至带来灾难性的后果。为了避免机械轴承发生故障造成损失,就必须对机械轴承的运行状况进行监测,能够在发生故障之前进行预测出故障或者对早期故障的快速诊断,以便采取相应的措施避免造成重大损失。
目前轴承故障诊断主要方法有基于神经网络、人工免疫、专家系统,模糊逻辑、遗传算法、证据理论、支持向量机等诊断方法。现有的轴承故障诊断方法存在算法的训练时间长且诊断的正确率有待提高的问题。
针对现有技术中的存在问题,结合支持向量机和量子遗传算法的优点,提供一种训练时间短、诊断正确率高的基于量子遗传算法优化支持向量机的轴承故障诊断方法,显得尤为重要。
发明内容
本发明的目的在于避免现有技术中的不足之处而提供一种训练时间短、正确率高的基于量子遗传算法优化支持向量机的轴承故障诊断方法。
本发明的目的通过以下技术方案实现:
提供一种基于量子遗传算法优化支持向量机的轴承故障诊断方法,包括有以下步骤:
步骤一、采集轴承的振动信号
利用测振系统采集轴承的振动信号;
步骤二、计算无量纲指标
对所采集的振动信号计算出5个无量纲指标:波形指标、脉冲指标、裕度指标、峰值指标及峭度指标,得到训练样本数据集和测试样本数据集;
步骤三、优化支持向量机的模型参数C和σ
利用云模型量子遗传算法(CQGA)对支持向量机的模型参数C和σ进行寻优,得到最优的参数C和σ的取值;
步骤四、对支持向量机进行训练;
将最优的参数C和σ的取值代入支持向量机模型中,利用训练样本数据对支持向量机模型进行训练;
步骤五、利用支持向量机模型进行故障诊断;
将测试样本数据输入到训练好的支持向量机模型中进行故障诊断;
步骤六、输出轴承故障诊断结果。
优选的,步骤二中,计算5个无量纲指标所用公式如下:
波形指标:
脉冲指标:
裕度指标:
峰值指标:
峭度指标:
式中,表示平均幅值,Xrms表示均方根,Xmax表示最大方根,Xr表示方根幅值,x表示振动幅值,p(x)表示振动幅值的概率密度函数。
优选的,步骤五中,将采集获得振动信号通过步骤二计算获得的无量纲指标作为测试样本集。
更优选的,支持向量机的核函数为径向基函数,径向基函数表示为
式中,σ是核参数,即核函数的宽度。
优选的,步骤三中采用云模型量子遗传算法对支持向量机参数C和σ进行寻优,其具体的寻优方法如下:
Step1按照一维二进制编码方法随机产生初始种群,产生初始种群:n是种群的规模,为种群第t代的一个个体,每个个体采用量子比特幅编码的染色体结构表示如下:
其中,l为每个基因的量子比特数,第t代种群的第i个基因的基因云记为C=(Exi,Eni,Hei),其中:Exi,Eni,Hei为第i个基因的基因云的三个特征值;
Step2对种群P(t)中的所有个体进行测量,得到所有个体的值;
Step3利用支持向量机计算种群P(t)所有个体的适应度值;
Step4记录最优个体及其适应度值;
Step5判断是否满足结束条件,若满足结束条件,则输出最优的参数C和σ的值,否则继续计算;
Step6通过调整种群基因云的参数Exi,Eni,Hei来优化子代种群产生的策略,利用进化方程θ=Eni(pi-xi)+Exi(p-xi)+Hei(pj-xi)自动进行调整量子门的旋转角,按照量子的旋转门对种群个体进行更新,获得子代种群P(t);其中:Exi,Eni,Hei为第i个基因的基因云的三个特征值;p为全局极值;pi为个体所在种群极值;pj为邻域种群极值;
Step7t=t+l,转至Step2,直到最大迭代次数。
其中,Step2得到所有个体的值包含C和σ的取值。
优选的,步骤四中将步骤二获得的无量纲指标作为训练样本集作为输入值训练支持向量机。
本发明的有益效果:
本发明的基于量子遗传算法优化支持向量机的轴承故障诊断方法对通过测振系统采集轴承的振动信号,其中振动信号包括轴承的正常状态振动信号及故障状态振动信号,故障状态的振动信号又包括轴承磨损、轴承外裂、轴承外裂的振动信号,并计算出脉冲指标、裕度指标、峰值指标、波形指标、峭度指标,得到训练样本数据集和测试样本数据集;利用云模型量子遗传算法(CQGA)优化支持向量机的模型参数C和σ,获得最优的参数C和σ的取值;将最优的参数C和σ的取值代入支持向量机模型中,利用训练样本数据对支持向量机模型进行训练;将测试样本集输入到训练的支持向量机轴承故障诊断模型中进行测试,得到诊断结果。
无量纲指标对于振动信号中的扰动不敏感,能很好地反映机械轴承的运行状态,而且几乎不受振动信号绝对水平和工况、载荷等变化的影响。因此利用无量纲指标进行故障诊断的性能较为稳定。
支持向量机在小样本分类中具有明显的优势,采用基于云模型量子遗传算法对支持向量机模型的惩罚参数C和核函数参数σ进行优化,避免模型参数选择的盲目性,提高模型的诊断精度。
附图说明
利用附图对本发明做进一步说明,但附图中的内容不构成对本发明的任何限制。
图1是本发明的基于量子遗传算法优化支持向量机的轴承故障诊断方法的流程示意图。
图2是本发明的基于量子遗传算法优化支持向量机的模型参数C和σ的流程示意图。
具体实施方式
结合以下实施例对本发明作进一步说明。
实施例1
参见图1,本实施例的基于量子遗传算法优化支持向量机的轴承故障诊断方法包括有以下步骤:
步骤一、采集振动信号
利用测振系统采集轴承的振动信号;
步骤二、计算无量纲指标
利用所采集的振动信号计算出5个无量纲指标:波形指标、脉冲指标、裕度指标、峰值指标及峭度指标,得到训练样本数据集和测试样本数据集;
波形指标:
脉冲指标:
裕度指标:
峰值指标:
峭度指标:
式中,表示平均幅值,Xrms表示均方根,Xmax表示最大方根,Xr表示方根幅值,x表示振动幅值,p(x)表示振动幅值的概率密度函数。
步骤三、获得最优模型参数C和σ
本实施例的支持向量机故障诊断模型中的参数C和σ取值对支持向量机模型泛化性能起着关键作用。为了得到最优的支持向量机的模型参数C和σ的取值,利用云模型量子遗传算法对支持向量机的模型参数C和σ进行寻优。
具体的寻优方法如下:
Step1按照一维二进制编码方法随机产生初始种群,产生初始种群:n是种群的规模,为种群第t代的一个个体,每个个体采用量子比特幅编码的染色体结构表示如下:
其中,l为每个基因的量子比特数,第t代种群的第i个基因的基因云记为C=(Exi,Eni,Hei),其中:Exi,Eni,Hei为第i个基因的基因云的三个特征值;
Step2对种群P(t)中的所有个体进行测量,得到所有个体的值,得到所有个体的值包含C和σ的取值。
Step3利用支持向量机计算种群P(t)所有个体的适应度值;
Step4记录最优个体及其适应度值;
Step5判断是否满足结束条件,若满足结束条件,则输出最优的参数C和σ的值,否则继续计算;
Step6通过调整种群基因云的参数Exi,Eni,Hei来优化子代种群产生的策略,利用进化方程θ=Eni(pi-xi)+Exi(p-xi)+Hei(pj-xi)自动进行调整量子门的旋转角,按照量子的旋转门对种群个体进行更新,获得子代种群P(t);其中:Exi,Eni,Hei为第i个基因的基因云的三个特征值;p为全局极值;pi为个体所在种群极值;pj为邻域种群极值;
Step7t=t+l,转至Step2,直到最大迭代次数。
步骤四、将步骤三获得最优的参数C和σ的取值代入支持向量机模型中,将步骤二获得的无量纲指标作为训练样本集作为输入值,对支持向量机进行训练;
步骤五、将步骤三获得的测试样本集输入到训练好的支持向量机中进行故障诊断;
步骤六、输出轴承故障诊断结果。
支持向量机是建立在VC维理论和结构风险最小化原理基础上,在解决小样本、非线性和高维模式识别等问题中有着很多独特的优势.支持向量机的基本原理是首先将实际问题通过一个非线性映射φ:Rd→H,把样本空间映射到一个高维的特征空间中(Hilbert空间),然后在这个高维的特征空间中构造最优分类超平面。设有线性不可分的训练样本集{(x1,y1),(x2,y2),…,(xn,yn)},其中,xi∈X=Rd,X为输入空间,输入空间中的每一个xi由d维特征向量组成,yi∈Y={-1,1},i=1,…,n。通过非线性映射φ:Rd→H得到的高维特征空间的训练样本集表示为
{(φ(x1),y1),(φ(x2),y2),…,(φ(xl),yl)}
在高维特征空间构造最优分类超平面的约束条件为:
yi[ω·φ(xi)+b]-1+ξi≥0
其中ξi为松弛变量,i=1,2,...,n
求解最优分类超平面问题可转化为优化问题:
其中,ω为权系数向量,C(C>0)为规则化(Regularization)参数,b为阈值,表示向量的内积,ξi为松弛变量。
通过引入拉格朗日函数求解,利用Karush-Kuhn-Tucher(KKT)条件,构造最优分类超平面可以转化为对偶二次规划问题,表示如下:
求解上述对偶二次规划问题得到分类的决策函数为:
其中,b*为确定最优分类超平面的参数。
根据泛函的有关理论和Mercer条件,可以用核函数K(xi,xj)代替高维特征空间中的内积函数[φ(xi)·φ(xj)],得到最终的分类决策函数为:
支持向量机只能解决二值类分类问题,而故障诊断是多类分类问题,这里采用一对多方法解决。一对多方法的主要思想:对于K类问题构造出K个两类分类器,在构造第i个分类器时,将第i类的训练样本作为正类,其他训练样本作为负类。对给定一个测试样本进行分类时,将其分别输入到K个分类决策函数来计算得到的K个函数值,该测试样本的类别被判定为K个函数值中最大的那个值所属的类别。
实施例2
本实施例的主要技术方案与实施例1基本相同,在本实施例中未作解释的特征,采用实施例1中的解释,在此不再进行赘述。本实施例中,
将采集获得振动信号通过步骤二计算获得的无量纲指标作为步骤五的测试样本集。
最后应当说明的是,以上实施例仅用于说明本发明的技术方案说明而非对权利要求保护范围的限制。本领域的普通技术人员参照较佳实施例应当理解,并可以对本发明的技术方案进行修改或者等同替换,但属于本发明技术方案的实质相同和保护范围。
Claims (6)
1.基于量子遗传算法优化支持向量机的轴承故障诊断方法,其特征在于:包括有以下步骤:
步骤一、采集轴承的振动信号
利用测振系统采集轴承的振动信号;
步骤二、计算无量纲指标
对所采集的振动信号计算出5个无量纲指标:波形指标、脉冲指标、裕度指标、峰值指标及峭度指标,
得到训练样本数据集和测试样本数据集;
步骤三、优化支持向量机的模型参数C和σ
利用云模型量子遗传算法对支持向量机的模型参数C和σ进行寻优,得到最优的参数C和σ的取值;
步骤四、对支持向量机进行训练;
将最优的参数C和σ的取值代入支持向量机模型中,利用训练样本数据对支持向量机模型进行训练;
步骤五、利用支持向量机模型进行故障诊断;
将测试样本数据输入到训练好的支持向量机模型中进行故障诊断;
步骤六、输出轴承故障诊断结果。
2.根据权利要求1所述的基于量子遗传算法优化支持向量机的轴承故障诊断方法,其特征在于:步骤二中,计算5个无量纲指标所用公式如下:
波形指标:
脉冲指标:
裕度指标:
峰值指标:
峭度指标:
式中,表示平均幅值,Xrms表示均方根,Xmax表示最大方根,Xr表示方根幅值,x表示振动幅值,p(x)表示振动幅值的概率密度函数。
3.根据权利要求1所述的基于量子遗传算法优化支持向量机的轴承故障诊断方法,其特征在于:步骤五中,将采集获得振动信号通过步骤二计算获得的无量纲指标作为测试样本集。
4.根据权利要求1所述的基于量子遗传算法优化支持向量机的轴承故障诊断方法,其特征在于:所述支持向量机的核函数为径向基核函数,其中,σ是核参数,即核函数的宽度。
5.根据权利要求1所述的基于量子遗传算法优化支持向量机的轴承故障诊断方法,其特征在于:步骤三中采用云模型量子遗传算法对支持向量机参数C和σ进行寻优,其具体的寻优方法如下:
Step1 按照一维二进制编码方法随机产生初始种群,产生初始种群:n是种群的规模,为种群第t代的一个个体,每个个体采用量子比特幅编码的染色体结构表示如下:
其中,l为每个基因的量子比特数,第t代种群的第i个基因的基因云记为
C=(Exi,Eni,Hei),其中:Exi,Eni,Hei为第i个基因的基因云的三个特征值;
Step2 对种群P(t)中的所有个体进行测量,得到所有个体的值;
Step3 利用支持向量机计算种群P(t)所有个体的适应度值;
Step4 记录最优个体及其适应度值;
Step5 判断是否满足结束条件,若满足结束条件,则输出最优的参数C和σ的值,否则继续计算;
Step6 通过调整种群基因云的参数Exi,Eni,Hei来优化子代种群产生的策略,利用进化方程θ=Eni(pi-xi)+Exi(p-xi)+Hei(pj-xi)自动进行调整量子门的旋转角,按照量子的旋转门对种群个体进行更新,获得子代种群P(t);其中:Exi,Eni,Hei为第i个基因的基因云的三个特征值;p为全局极值;pi为个体所在种群极值;pj为邻域种群极值;
Step7 t=t+l,转至Step2,直到最大迭代次数。
其中,Step2得到所有个体的值包含C和σ的取值。
6.根据权利要求1所述的基于量子遗传算法优化支持向量机的轴承故障诊断方法,其特征在于:步骤四中将步骤二获得的无量纲指标作为训练样本集作为输入值训练支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610352279.9A CN106053067A (zh) | 2016-05-24 | 2016-05-24 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610352279.9A CN106053067A (zh) | 2016-05-24 | 2016-05-24 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106053067A true CN106053067A (zh) | 2016-10-26 |
Family
ID=57174455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610352279.9A Pending CN106053067A (zh) | 2016-05-24 | 2016-05-24 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106053067A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446463A (zh) * | 2016-11-08 | 2017-02-22 | 上海宇航系统工程研究所 | 航天器结构的产品裕度评价方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN107463938A (zh) * | 2017-06-26 | 2017-12-12 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN108171432A (zh) * | 2018-01-04 | 2018-06-15 | 南京大学 | 基于多维云模型-模糊支持向量机的生态风险评价方法 |
CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
CN108416251A (zh) * | 2018-01-08 | 2018-08-17 | 中国矿业大学 | 基于量子遗传算法优化的高效人体动作识别方法 |
CN108428023A (zh) * | 2018-05-24 | 2018-08-21 | 四川大学 | 基于量子加权门限重复单元神经网络的趋势预测方法 |
CN109029993A (zh) * | 2018-06-20 | 2018-12-18 | 中国计量大学 | 结合遗传算法优化参数和机器视觉的轴承故障检测算法 |
CN109323860A (zh) * | 2018-10-31 | 2019-02-12 | 广东石油化工学院 | 一种旋转机械齿轮箱故障数据集优化方法 |
CN109490661A (zh) * | 2018-10-23 | 2019-03-19 | 国网江苏省电力有限公司检修分公司 | 基于pso-svm和人工免疫算法的油浸式电抗器故障诊断方法、装置及系统 |
CN109583520A (zh) * | 2018-12-27 | 2019-04-05 | 云南电网有限责任公司玉溪供电局 | 一种云模型与遗传算法优化支持向量机的状态评估方法 |
CN109993183A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团四川有限公司 | 网络故障评估方法、装置、计算设备及存储介质 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110414839A (zh) * | 2019-07-29 | 2019-11-05 | 四川长虹电器股份有限公司 | 基于量子遗传算法和svm模型的负荷识别方法及系统 |
CN112558612A (zh) * | 2020-12-15 | 2021-03-26 | 山东省科学院海洋仪器仪表研究所 | 一种基于云模型量子遗传算法的异构智能体编队控制方法 |
CN113807524A (zh) * | 2021-08-12 | 2021-12-17 | 上海工程技术大学 | 量子差分进化算法优化svm的滚动轴承故障诊断方法 |
CN113837251A (zh) * | 2021-09-10 | 2021-12-24 | 国家石油天然气管网集团有限公司华南分公司 | 一种基于ga-svm的石油管道振动检测装置及其控制方法 |
CN115130748A (zh) * | 2022-06-27 | 2022-09-30 | 广东技术师范大学 | 一种建筑电气系统故障诊断方法 |
CN117591947A (zh) * | 2024-01-18 | 2024-02-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000276A (zh) * | 2006-12-29 | 2007-07-18 | 茂名学院 | 一种基于无量纲指标免疫检测器的旋转机械故障诊断方法 |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
-
2016
- 2016-05-24 CN CN201610352279.9A patent/CN106053067A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000276A (zh) * | 2006-12-29 | 2007-07-18 | 茂名学院 | 一种基于无量纲指标免疫检测器的旋转机械故障诊断方法 |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
李良敏等: "基于遗传算法的多尺度支持向量机及其在机械故障诊断中的应用", 《机械科学与技术》 * |
许波 等: "一种基于云模型的改进型量子遗传算法", 《计算机应用研究》 * |
阳建宏: "《设备诊断现场实用技术丛书 滚动轴承诊断现场实用技术 》", 31 December 2015 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446463A (zh) * | 2016-11-08 | 2017-02-22 | 上海宇航系统工程研究所 | 航天器结构的产品裕度评价方法 |
CN106446463B (zh) * | 2016-11-08 | 2019-10-18 | 上海宇航系统工程研究所 | 航天器结构的产品裕度评价方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN107463938A (zh) * | 2017-06-26 | 2017-12-12 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN107463938B (zh) * | 2017-06-26 | 2021-02-26 | 南京航空航天大学 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
CN109993183A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团四川有限公司 | 网络故障评估方法、装置、计算设备及存储介质 |
CN109993183B (zh) * | 2017-12-30 | 2022-12-27 | 中国移动通信集团四川有限公司 | 网络故障评估方法、装置、计算设备及存储介质 |
CN108171432A (zh) * | 2018-01-04 | 2018-06-15 | 南京大学 | 基于多维云模型-模糊支持向量机的生态风险评价方法 |
CN108416251A (zh) * | 2018-01-08 | 2018-08-17 | 中国矿业大学 | 基于量子遗传算法优化的高效人体动作识别方法 |
CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
CN108428023A (zh) * | 2018-05-24 | 2018-08-21 | 四川大学 | 基于量子加权门限重复单元神经网络的趋势预测方法 |
CN108428023B (zh) * | 2018-05-24 | 2022-03-15 | 四川大学 | 基于量子加权门限重复单元神经网络的趋势预测方法 |
CN109029993A (zh) * | 2018-06-20 | 2018-12-18 | 中国计量大学 | 结合遗传算法优化参数和机器视觉的轴承故障检测算法 |
CN109490661A (zh) * | 2018-10-23 | 2019-03-19 | 国网江苏省电力有限公司检修分公司 | 基于pso-svm和人工免疫算法的油浸式电抗器故障诊断方法、装置及系统 |
CN109323860A (zh) * | 2018-10-31 | 2019-02-12 | 广东石油化工学院 | 一种旋转机械齿轮箱故障数据集优化方法 |
CN109583520A (zh) * | 2018-12-27 | 2019-04-05 | 云南电网有限责任公司玉溪供电局 | 一种云模型与遗传算法优化支持向量机的状态评估方法 |
CN109583520B (zh) * | 2018-12-27 | 2023-04-07 | 云南电网有限责任公司玉溪供电局 | 一种云模型与遗传算法优化支持向量机的状态评估方法 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110414839A (zh) * | 2019-07-29 | 2019-11-05 | 四川长虹电器股份有限公司 | 基于量子遗传算法和svm模型的负荷识别方法及系统 |
CN112558612B (zh) * | 2020-12-15 | 2022-08-30 | 山东省科学院海洋仪器仪表研究所 | 一种基于云模型量子遗传算法的异构智能体编队控制方法 |
CN112558612A (zh) * | 2020-12-15 | 2021-03-26 | 山东省科学院海洋仪器仪表研究所 | 一种基于云模型量子遗传算法的异构智能体编队控制方法 |
CN113807524A (zh) * | 2021-08-12 | 2021-12-17 | 上海工程技术大学 | 量子差分进化算法优化svm的滚动轴承故障诊断方法 |
CN113807524B (zh) * | 2021-08-12 | 2023-07-25 | 上海工程技术大学 | 量子差分进化算法优化svm的滚动轴承故障诊断方法 |
CN113837251A (zh) * | 2021-09-10 | 2021-12-24 | 国家石油天然气管网集团有限公司华南分公司 | 一种基于ga-svm的石油管道振动检测装置及其控制方法 |
CN115130748A (zh) * | 2022-06-27 | 2022-09-30 | 广东技术师范大学 | 一种建筑电气系统故障诊断方法 |
CN117591947A (zh) * | 2024-01-18 | 2024-02-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
CN117591947B (zh) * | 2024-01-18 | 2024-04-09 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于变分量子核的量子支持向量机的数据分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106053067A (zh) | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 | |
CN113256066B (zh) | 基于PCA-XGBoost-IRF的作业车间实时调度方法 | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN106407493B (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
CN105278520A (zh) | 基于t-kprm复杂工业过程运行状态评价方法及应用 | |
CN110737976B (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测系统及方法 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN112926620B (zh) | 一种变压器套管局部放电的缺陷类型识别方法及系统 | |
CN109635879B (zh) | 一种参数最优的采煤机故障诊断系统 | |
CN111079978A (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
CN103559542A (zh) | 基于先验知识的可拓神经网络模式识别方法 | |
CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN105568732A (zh) | 盘磨机控制方法 | |
CN103353895A (zh) | 一种配电网线损数据的预处理方法 | |
CN105335763A (zh) | 一种基于改进型极速学习机的织物疵点分类方法 | |
CN111160386B (zh) | 一种基于主动无功功率扰动的数据驱动电力孤岛检测方法 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN108830407A (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161026 |