针对现代液压支架故障诊断速率较低的问题,以ZY5600/28/56型液压支架为例,介绍一种液压支架故障诊断方法。该方法主要由三大步骤构成,采集到液压支架各方面运行数据后,利用因子分析的方式对数据降维处理,然后以此为基础,通过支持向量机算法对故障分类,利用贝叶斯网络算法诊断出故障的引发原因,以此为故障快速解决提供支持,具有一定应用价值。

针对地球观测系统／中分辨率成像光谱仪影像资料中的云检测工作，提出了基于支持向量机SVMs（support vectormachines）的遥感影像分类方法。分析了云检测过程中的特征提取和选择，建立了基于支持向量机的遥感影像分类模型，并针对陆地、海洋2种不同的下垫面进行了云检测试验。云检测结果中，云与陆地、水体、积雪准确地区分开来。结果表明，特征选择对云检测起到了积极的作用，同时也证明了支持向量机方法在遥感影像分类中的优势。

针对液压系统在使用中故障频率较高、诊断方法受各种因素影响以及诊断准确率较低等问题,提出一种新的基于PSOSVM模型的液压系统故障诊断方法。该方法首先对采集的故障信号数据进行预处理,使用自适应噪声完备集合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)结合模糊熵的方法进行特征提取,形成数据样本;其次,利用粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)核函数和惩罚系数进行优化,利用数据样本训练SVM模型;最后,应用优化后的分类模型对故障进行识别分类,并与GA-SVM和基本SVM对比,验证PSO-SVM模型的分类性能。实验表明,该方法可以精准识别出故障类型,具有较强的诊断能力。

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。

为准确地对液压泵的典型故障进行诊断,同时针对支持向量机(Support Vector Machine,SVM)在故障诊断中的参数选择问题,将天牛须搜索算法(Beetle Antennae Search,BAS)应用到SVM的参数优化中,建立BAS-SVM液压泵故障诊断模型,以此来提高SVM在液压泵故障诊断中的性能。液压泵故障诊断实例的结果表明,相比于遗传算法、粒子群算法、果蝇算法等算法的改进算法,BAS得到的SVM参数更优,使SVM获得更高的诊断精度,从而验证了所提方法的有效性。

现有的基于凸壳的支持向量机(SVM)算法处理机械装备产生的大规模原始数据时间太长。针对这一问题,通过结合轮廓提取算法(Alpha Shapes)和快速凸壳算法,提出一种结合改进快速凸壳算法的SVM用于故障诊断研究。该融合算法利用改进简化的Alpha Shapes算法提取点集的边界数据点,作为改进的快速凸壳算法的对象,减少凸壳算法递归的工作量。实验结果表明:该算法平均只提取了数据集0.26%的数据点,且计算的时间也相应降低。最后实验同样表明该算法的性能优于单一

为解决获取起重机臂筒固有焊接变形的不便利及复杂性问题,应用支持向量机模糊理论融合技术对起重机臂筒焊接变形测量方法进行研究,并采用遗传算法对支持向量机的核参数及惩罚因子进行寻优,以误差函数为评价指标,最终确定了核参数σ=1.8和惩罚因子c=26.将该测量模型应用于焊接变形的预测,同时采用智能图像检测法对相同预测点进行测量对比,结果显示所建立的融合模型对起重机臂筒焊接变形的测量和智能图像检测法的误差在5%以内,验证了该测量方法的准确性。

针对矿井提升机制动系统故障样本少难以准确诊断,提出支持向量机（SVM）的故障诊断方法。为了解决支持向量机参数选择困难和其对于故障诊断的影响,提出利用粒子群优化算法（PSO）对支持向量机的参数进行优化,提高提升机故障诊断分类的准确率。利用组态王进行数据的采集,并且将采集的数据通过数据库传输到网页监测画面实现远程监测。实验结果显示,该故障诊断方法的故障分类准确率很高,响应速度快,并且可以实现网页监控画面和故障诊断所需数据实现共享。

液压泵的性能直接影响整个液压系统的正常工作,为此需要对其进行状态监测和故障预测。采集液压泵的振动信号,运用集总经验模式分解（EEMD）和平滑能量算子解调相结合的方法进行包络解调;采取小波包分析方法得到了故障特征向量;在研究支持向量机回归估计基本原理的基础上,建立了小波包分解和支持向量机相结合的预测模型。采用液压泵历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对液压泵进行故障预测。

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用。论述齿轮泵的典型故障设置及其数据采集,针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法。实验结果表明：基于小波包-支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求。