为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。

神经丝蛋白体型细长、形态多变,跟踪难度大。为了能够准确稳定的获取神经丝蛋白质的运动状态,利用了改进的Camshift算法实现了对神经丝蛋白运动的自动跟踪。利用HSV颜色空间的颜色直方图建立目标模型,结合预测点对目标特征点加权。通过在目标颜色概率模型中引入核函数,利用核密度梯度来进行目标搜索,最终在每帧图像中获取目标的具体位置。鉴于神经丝蛋白的特殊性,还对比分析了其他两种概率预测类算法的跟踪效果。实验结果表明,此方法能够快速稳定跟踪神经丝蛋白,为神经丝蛋白质的医学研究提供了新的途径。

支持向量机实际计算过程的复杂性主要由支持向量数决定,可以获得优异鲁棒性,精度也获得明显提升。设计了一种通过差分进化改进支持向量机模型(DEI-RBF),分并以RBF核函数支持向量机(RBF-SVM)构建初始模型。通过差分进化算法完成RBF-SVM惩罚系数C以及RBF核函数参数σ的寻优,结果表明DEI-RBF可以实现热轧轧制力的精确预测,达到现场使用要求。研究结果表明以RBF核函数构建的支持向量机回归模型获得了最大的R2,同时均方差(MSE)以及平均绝对误差(MAE)都达到了最小,显著提升了模型效果。采用差分进化算法进行优化后的支持向量机回归模型获得了更优性能,预测误差在5%以内的概率为99.2%,相对传统轧制力计算模型获得了更高预测准确性。

采用优化方法识别气动力降阶模型的核函数,其基本思想是:为气动力降阶模型的每一个核函数构造一个拟合曲线,优化拟合曲线的参数,使气动力降阶模型的气动力输出和CFD或试验结果一致。二维叶片气动力降阶模型的算例和结果表明:识别得到的核函数与用阶跃方法识别的结果完全一致。

在通常的核C-均值聚类算法中，聚类结果对初始聚类中心敏感，随机选取初始聚类中心时，会使得迭代次数较多、分类结果不稳定。针对该问题提出一种优化选取初始聚类中心的算法。该方法采用一种改进的最大最小距离算法对原始空间中的数据进行粗分类，将粗分类结果中每类类心作为初始聚类中心，再运用核C-均值聚类算法进行分类。仿真实验结果表明方法能有效减少迭代次数，使分类结果更加稳定，分类识别率也有一定程度的提高。

现代化机械设备在工业生产中起着越来越重要的作用,然而,各种大型机械设备的故障发生率随着运转时间的增加也越来越高,且故障发生较为隐蔽且难以监测。于是,为对机械液压传动系统故障进行较为精确的检测,研究应用了基于SVM的检测方法,并对其预测性能进行了分析。研究结果表明,对传统SVM模型的核函数参数进行优化后,其与真实值的拟合效果较好。同时,将SVM算法模型与其他四种同类型的模型进行对比分析,发现SVM算法模型的故障预测准确率最高,其平均准确率最高为0.924,且均方误差最小,其值为0.015。此外,相同条件下SVM算法模型的训练时间更短,效率更高。其优异的性能对于机械液压传动系统故障预测能够起着重要的作用。

空闲车位自动检测是现代智能化停车场设计时面临的重要问题,针对此问题,提出了一种基于KL变换和支持向量机的空闲车位自动检测方法,算法首先对经过灰度化和滤波处理后的车位图像进行KL变换,将车位图像从图像空间映射至特征子空间,从而提取出用于检测的特征参量;在此基础上利用训练后的支持向量机完成空闲车位的检测。实验结果表明,该方法能够有效检测出车位的停车信息,对噪声不敏感,且能够对不同环境采集的车位图像具有很强的适应性和鲁棒性。

提出了一种基于支持向量机的往复压缩机示功图识别方法。根据不同故障在示功图上反映的不同特征,进行故障特征提取。针对实际故障发生情况,构造了基于决策树的多分类支持向量机故障识别模型。使用不同核函数对计算机模拟与往复压缩机试验台实测的故障示功图进行识别,结果表明,该方法能有效应用于往复压缩机示功图故障识别。

由于柱塞泵内部结构复杂且结构之间相互耦合,致使对其进行故障诊断的难度也随之增加。为了提高算法的可靠性和诊断速度,将核函数与超限学习机结合的方法用于柱塞泵故障诊断。首先,通过加速度计和流量计采集到泵在正常和不同故障工况下的振动和流量信号,同时对其采用小波包分解进行去噪;然后提取了时域无量纲指标和小波包分解的频带能量值中最大频带能量和系统中流量计的流量值,共8维特征向量;最后用核超限学习机对4种故障(滑靴磨损、配油盘磨损、中心弹簧失效、松靴)进行识别与诊断。结果表明,将核超限学习机用于故障诊断,相比于超限学习机和传统的智能诊断算法支持向量机、BP神经网络有明显的优势。

液压泵是液压系统的动力源，它的失效直接影响系统的正常工作，因此液压泵的状态监测与故障诊断是迫切需要解决的问题。阐述了支持向量机（SVM）算法的原理，研究了基于支持向量机的液压泵的故障诊断，通过分析，选择了恰当的核函数，建立了优化方程。试验分析的结果表明，该方法是一种简单而有效的方法。