基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断

针对电机机械多故障同时诊断问题,基于小波包、Shannon熵、支持向量机(SVM)和遗传算法,提出了一种电机机械故障诊断新方法,称之为WPSSG法或多模型融合法。该方法选择容错性强的Shannon熵作为特征参数,通过对振动信号进行基于DMeyer小波的小波包分解,提取振动信号的小波包Shannon熵为特征向量,将特征向量作为多类别SVM的输入,具有较高的去噪能力;在训练SVM时,与传统方法多采用试凑法选择参数不同,该方法采用遗传算法对SVM的参数进行全局寻优,使SVM获得最佳的分类性能,具有更高的识别准确率。采用凯斯西储大学提供的电机机械故障数据进行实验,结果证明该方法具有很好的可靠性和准确性。     

基于最小二乘支持向量机的电机故障鉴别

针对异步电机的构造与转子故障特征,基于统计学习理论提出了信号处理技术与支持向量机故障诊断相结合的方法,以鼠笼式异步电动机为研究对象,建立了电机转子故障实验系统,并采集了电机故障信号,使用最小二乘支持向量机(LS-SVM)进行故障分类。其次针对鼠笼式电机转子多故障分类问题,提出了小波包分析两种不同故障信号预处理方法,将采集的电机机壳振动信号分别进行分析,提取了故障特征向量,并结合LS-SVM分类功能,实现对电机转子不同故障的有效分类。实验结果表明,小波分析与LS-SVM结合的方法具有很好的分类精度。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

采用BBPSO优化SVM的电机定子故障诊断

为了准确识别感应电机定子匝间短路故障,该文提出一种基于骨干微粒群算法优化支持向量机的故障诊断方法,并给出了可行的诊断步骤。该方法首先利用小波包频带能量分解技术,将定子电流信号的各频率分量分解到不同频带,形成感应电机运行状态的特征向量,并以此作为支持向量机的输入向量。采用支持向量机进行分类,并利用无需设置控制参数的骨干微粒群算法和交叉检验优化模型参数,避免了参数选择的盲目性。最后试验结果表明,该方法诊断感应电机定子匝间短路故障能取得良好的效果。     

基于骨干微粒群算法和支持向量机的电机转子断条故障诊断

为了准确识别感应电机转子断条故障,本文提出一种基于骨干微粒群算法和支持向量机的故障诊断新方法,并给出了可行的诊断步骤和分析。首先根据故障电流信号的特点,提出一种基于骨干微粒群算法的基波滤除方法,用以消除基波分量对故障特征的影响。然后利用小波包频带能量分解技术,将残余电流信号分解到不同频带,形成感应电机运行状态的特征向量,并以此作为支持向量机的输入向量。采用"一对一"向量机进行分类,并利用骨干微粒群算法和交叉检验优化支持向量机模型参数。最后实验结果表明,该方法诊断感应电机转子断条故障能取得良好的效果。     

基于大数据采集模块的变压器绕组形变故障诊断方法

通过加速度传感器采集变压器工作情况下的绕组振动信号,利用小波包分析法对振动信号进行特征提取分析,建立基于支持向量机的故障诊断模型,实现变压器绕组形变故障分类诊断.     

基于有效频带特征的有载分接开关机械状态诊断方法

为更加准确地提取变压器有载分接开关(On Load Tap Changer,OLTC)的机械振动信号故障特征,提升OLTC的在线监测品质,提出了基于有效频带多分辨率特征与遗传算法(Genetic Algorithm,GA)优化支持向量机(Support Vector Machine,SVM)的有载分接开关机械状态诊断方法。首先利用小波包对OLTC的机械振动信号进行分解,然后将各有效频带的小波包系数连接构成一个整体计算信息熵,得到有载分接开关机械振动信号的有效频带多分辨率特征参数,同时基于有效频带多分辨率特征参数建立遗传支持向量机(Genetic Algorithm-Support Vector Machine,GA-SVM)的故障分类模型。模拟实验与数据分析结果表明,所提综合模型能够有效地实现OLTC故障诊断,可为OLTC运行与维护提供一定参考。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

IAO优化SVM的电机滚动轴承故障诊断

对于当前存在电机滚动轴承多种类型故障分类准确率不高的现象,提出一种改进天鹰优化算法（IAO）优化支持向量机（SVM）的电机滚动轴承故障诊断方法。首先,介绍了基本天鹰优化算法,然后引入Tent混沌映射和自适应权重对其改进,提高收敛速度,防止陷入局部最优;其次,对10种状态下的滚动轴承故障时域信号样本进行VMD分解,得到不同状态的时频域特征组成特征样本集。最后,利用IAO算法对支持向量机的惩罚参数(c)和核参数(g)进行优化,从而构建IAO-SVM滚动轴承故障诊断模型。最终结果表明,IAO-SVM诊断模型对电机滚动轴承10种状态下的故障诊断准确率最高达100%。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

一种滚动轴承故障状态诊断方法

针对滚动轴承故障受噪声污染大，故障特征不明显，导致的故障诊断困难问题，提出了一种新的滚动轴承故障诊断方法。首先利用基尼指数对滚动轴承进行健康状态评估，并对状态异常的振动信号采用最优参数最大相关峭度解卷积进行降噪预处理以突出冲击成分，计算预处理信号的层次熵组成特征矩阵，最后采用布谷鸟算法优化支持向量机相关参数，并完成滚动轴承故障状态的智能诊断。通过实验分析验证了所提方法的可行性，且具有较高的准确率。     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

Method of Mechanical Fault Intelligent Diagnosis Based on Vibration Signal of High Voltage Circuit Breaker

Based on vibration signal of high voltage circuit breaker,a new method of intelligent fault diagnosis that wavelet packet extracts energy entropy which are used as characteristic vector of the support vector machine(SVM)to construct classifier for fault diagnosis is presented.The acceleration sensors are applied to collecting the vibration data of different states of high voltage circuit breakers based on self-made experimental platform in this method.The wavelet packet are fully applied to analyze the vibration signal and decompose vibration signal into three layers,and wavelet packet energy entropy of each frequency band are as the characteristic vector of circuit breaker failure mode.Then the intelligent diagnosis network is established on the basis of the support vector machine theory.It is verified that the method has a better capability of classification and a higher accuracy compared with the traditional neural network diagnosis method through distinguishing the three fault modes which are tripping device stuck,the vacuum arcing chamber fixed bolt looseness and too much friction force of the transmission mechanism of circuit breaker in this paper.     

小波和多核SVM方法在UVA传感器故障诊断的应用

为了提高无人机传感器故障诊断的准确性,提出一种基于小波与多核支持向量机的诊断方法。采用小波处理信号,不依赖于系统的数学模型,直接利用信号模型,分析可测信号,提取频率等特征值,保存了原始信号的特征,提高故障的可分性。多核映射能够解决单核映射核函数及其参数选择的难题,增加故障的可区分性,提高分类器的精度。提出多核学习方法改进核函数的性能,将该方法对某无人机的传感器故障诊断,分别利用单核和多核支持向量机进行仿真,仿真结果表明了多核学习方法的有效性,提高了诊断精度。     

基于APSO-SSVM的异步电动机转子故障诊断

基于信号分析的异步电动机的转子断条与偏心故障诊断方法中,常用传统的电机电流信号特征分析(MCSA)方法。由于采样频率偏低、强大的基波旁瓣效应等因素的影响,会导致特征频率成分被淹没、难以量化故障程度等问题。因此,提出了一种基于自适应粒子群优化逐序支持向量机(APSO-SSVM)的异步电动机故障诊断方法。首先,利用经验小波变换(EWT)对原始信号进行滤波;然后,对滤波后的信号进行特征提取并输入到SSVM诊断模型中;最后,通过APSO算法确定各次序下SVM模型的最佳超参数,从而实现转子断条数量的精确故障诊断。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

基于多分类相关向量机的MMC多相故障诊断关键技术

模块化多电平转换器拓扑结构复杂,当不同相子模块发生故障时,传统诊断方法只检测单个子模块故障,无法识别多相子模块故障。提出了一种多分类相关向量机算法用于模块化多电平换流器的多相故障诊断,对三相电压的时频数据进行傅立叶变换,以获取三相电压的频域数据,使用频域中的典型低次谐波分量作为故障特征量,采用多分类相关向量机算法进行故障分类。通过与传统故障诊断方法的仿真比较,验证了该方法的有效性和准确性。仿真结果表明,该方法在训练精度和测试精度上均优于传统的故障诊断方法,训练精度达到99.2%,测试精度达到99.4%,具有一定的应用价值。