异步电机作为电器原动力在工业及各个领域应用十分广泛,如果发生故障不能及时检修导致电机损坏,造成很大的经济损失。针对异步电机故障,在SIMULINK中建立仿真模型,得到各种工况下的数据,然后用SVM来对故障建立预测模型,对故障进行故障类型预测。实验表明,SVM的异步电机故障诊断,分类效果好,实用性强,可以为异步电机诊断提供参考价值。

【摘要】 基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(SLT)是一种专门研究小样本情况下机器学习规律的理论，它建立在一套较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统一的框架也发展了一种新的通用学习方法一支持向量机(SVM)，较好的解决小样本学习问题。与神经网络等其它学习方法相比，它的结构通过自动优化的方法计算出来，并且避免了局部最小点、过学习等缺陷。 以往大部分研究主要集中在支持向量机分类理论和应用上，近年来关于支持向量机回归(SVMR)的研究也显示出其优异的性能。

为实现不完备多变量时间序列的有效重构,将经典重构技术和粗糙集约简理论相结合,提出了一种广义输入状态重构方法和LS_SVM预测模型.首先,结合Mean Completer补齐算法和经典相空间重构方法,对不完备多变量时间序列进行补齐和含有一定嵌入裕量的初始重构,以克服序列中可能存在的数据缺失和嵌入不足等问题;然后,通过构建时间序列决策表,采用一种IGA算法对冗余嵌入和冗余变量进行RS约简,获取精简重构样本空间;最后,将精简结果作为LS_SVM的输入,辨识关键变量预测模型.将提出的方法应用氧化铝配料过

提出一种基于动态加权最小二乘支持向量机(LS-SVM)的时间序列预测方法.动态加权LS-SVM能够跟踪时变非线性系统的动态特性, 适合于系统辨识和时间序列预测;同时采用鲁棒方法确定权系数,以减小噪声的影响.将动态加权LS-SVM算法应用于工业PTA 氧化过程中的4-CBA浓度预测, 结果显示,动态加权LS-SVM预测精度高,能够有效减小噪声的影响.