针对高速列车抗蛇行减振器故障振动信号具有非线性、非平稳特征以及特征信号提取相对困难的问题,提出一种基于自适应噪声完备集合模态分解(CEEMDAN)与灰狼算法优化的最小二乘支持向量机(LSSVM)相结合的故障诊断方法。利用CEEMDAN方法分解车辆的振动信号,得到振动信号的各模态分量(IMF),并计算IMF各分量的精细复合多尺度散布熵(RCMDE),组成每个样本下的特征向量,最后输入到利用灰狼优化算法(GWO)对LSSVM的惩罚系数和核函数参数迭代寻优以获得最优分类效果的LSSVM中进行故障诊断。试验结果表明通过提取CEEMDAN各模态分量IMF的精细复合多尺度散布熵作为特征输入到GWO-LSSVM中具有很好的诊断效果,实现了抗蛇行减振器故障的有效判别,验证了该方法的可行性。

针对传统迟滞模型存在的待辨识参数多、参数辨识过程复杂和辨识精度低等问题,采用最小二乘支持向量机对气动肌肉的位移/气压迟滞开展建模研究。通过非线性映射将原始数据空间映射到高维空间,将原系统的非线性问题变成高维空间中的线性问题,借助于最小二乘法求解该线性方程组,从而提高其求解速度及收敛精度。在气动肌肉迟滞特性实验的基础上,采用所建数学模型,与经典的PI模型进行对比。结果表明,采用最小二乘支持向量机建立的数学模型具有更高的建模精度,均方差和平均误差相比PI模型分别减小了99.21%和99.1%,该方法可为后续气动肌肉的迟滞补偿控制提供有效的手段。

高精度液压推土机变速箱故障预测方法对提高液压推土机的工作效率和可靠性具有重要意义。基于国内外研究现状,提出了一种基于最小二乘支持向量机的推土机变速箱故障预测方法,实现了对液压推土机变速箱供油故障、齿轮磨损进行识别。研究发现LS-SVM训练的故障预测模型对推土机变速箱故障识别的准确率为98.5%。研究结果可为液压推土机变速箱视情维修提供参考。

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。

为减小数控机床热误差对加工精度的影响,实现对热误差的补偿控制,提出一种基于遗传算法(GA)优化的最小二乘支持向量机(LSSVM)数控机床热误差建模方法。利用遗传算法优化选择LSSVM惩罚因子C和核函数参数σ2,构建针对某卧式加工中心主轴热误差的GA-LSSVM模型。根据该模型得到热误差的模拟值和测量值对比曲线,通过分析发现GA-LSSVM模型性能较好,模型残差较小,预测精度较高。建立热误差LSSVM模型和传统BP模型并与GA-LSSVM模型作对比,结果表明:GA-LSSVM模型绝对残差δ及均方误差MSE均为最小,模型决定系数R2最大,验证了GA-LSSVM建模方法的有效性。

炼铁厂的烧结过程是一个复杂的多变量、非线性的物理和化学过程,为了更好地对烧结过程进行建模,在研究最小二乘支持向量机和特征选择的基础上,提出了最小二乘支持向量机的特征选择算法。首先,利用最小二乘支持向量机对烧结样本数据的每一个特征进行训练和预测,记录其预测精度;然后,将样本特征按预测精度排序;最后,按新的特征顺序,逐个递增特征个数对样本数据进行训练和预测。烧结数据的实验结果显示,LSSVM的特征选择算法具有计算的高效性和预测的高精度两优势,证明所提算法的有效性。在所有的特征上对烧结数据进行拟合实验,对比经典SVM、最小二乘和神经网络算法的实验结果,LSSVM可以用很少的时间,得到很理想的拟合效果。

为了解决最小二乘支持向量机对于选择核函数盲目性的问题，将核度量标准核极化和多核学习引入最小二乘支持向量机中，提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数，再根据多核学习原理组合多核函数，然后，建立多核最小二乘支持向量机模型，并进行模型的学习训练和预测。UCI数据上的试验结果表明，所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。

针对主轴热伸长实时补偿脉冲调制困难、补偿信号的插入时机难以准确判断、反馈信号与补偿信号易干涉问题,研究了RT-Linux实时运行环境下的脉冲叠加热伸长补偿控制方法,基于最小二乘支持向量机数学模型预测主轴热伸长,进而将预估值转换为等效的热伸长补偿脉冲,在数控机床的位置反馈环中,通过轮询方式获得插入时机,及时将补偿信号叠加到反馈脉冲序列中,CNC控制器透明地接收修正后的反馈脉冲并且实施位置补偿,从而满足了补偿控制系统灵活性、开放性与实时性的要求。

针对目前应用原始振动信号的排列熵单一尺度域分析对高速列车轮对轴承故障在特征提取研究方面的局限，提出了基于改进聚合经验模态分解熵的特征分析方法。该方法首先对原始信号进行改进聚合经验模态分解，得到一系列窄带本征模态函数；然后对原信号和本征模态函数分别计算排列熵，组成高维特征向量；最后，将高维特征向量输入最小二乘支持向量机状态识别分类。台架试验数据分析结果表明：该方法针对高速列车轮对轴承故障实现了较高的识别率，验证了通过改进聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。

齿轮泵动态压力信号蕴含了丰富的状态信息,是齿轮泵的关键性能参数之一;负熵是随机变量独立性的自然测度,反映了机械信号信息的动态变化特征。为了进行基于齿轮泵动态压力信号的故障诊断,在引入经验模态分解技术的基础上,提出了齿轮泵压力信号的负熵基ICA特征提取方法,并进而联合最小二乘支持向量机,探讨了基于ICA和LS-SVM的齿轮泵特征提取和故障诊断方法;理论和试验研究表明,基于负熵的ICA特征提取和故障诊断方法是有效的。