基于PSO-SVM的发动机故障诊断研究

针对发动机的故障分类问题,提出了一种基于粒子群(PSO)优化支持向量机(SVM)的发动机故障诊断方法,采用粒子群算法优化支持向量机的惩罚系数C和核宽度系数σ,并在MATLAB环境下对发动机进行故障类别诊断,通过对发动机典型故障的诊断研究表明,采用PSO-SVM算法模型的故障诊断的精确度和效率都得到了提高,该方法与BP神经网络、PSO-BP、标准SVM相比,有较高的分类准确率,准确率可高达100%;与GA-SVM方法相比,诊断效率有所提高,从而验证了该方法在发动机故障诊断中的有效性。     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

基于DCCA-IWO-MKSVM的模拟电路故障诊断方法

为了提高模拟电路故障的诊断效果,提出基于DCCA-IWO-MKSVM的模拟电路故障诊断方法。采用DCCA算法对模拟电路的故障特征进行提取,构造新的融合特征。对支持向量机的核函数进行线性组合构造新的多核函数,并用IWO算法对其参数进行优化,以构建最优故障诊断模型,用于融合特征的学习分类。故障诊断实验结果表明:对于融合特征的故障诊断效率,该算法要优于单核函数的IWO-SVM算法,且整个故障诊断系统的诊断效果具有较高的准确率。     

基于支持向量机的模拟电路故障诊断方法研究

支持向量机是以有限样本下的统计学习理论为基础,它能较好地解决了高维数、非线性、局部极小点等问题,所以将它应用到模拟电路的故障诊断。首先介绍了支持向量机基本思想及分类算法,然后描述了支持向量机的模拟电路故障诊断方法,最后以一个带通滤波器电路作为诊断实例,诊断结果表明该方法可以准确有效地对模拟电路故障进行识别和诊断。     

基于PSO-SVM的电机故障检测

传统智能故障检测模型中算法初始参数复杂,选取难度较大,缺乏自学习、自组织能力、泛化能力弱,极易陷入局部极小值、算法单一等缺点.组合应用智能检测算法可整合不同算法优势,避免单一算法缺点,为此,文中提出支持向量机算法与改进粒子群算法相结合的电机故障检测模型:以电机故障特征频率特征数据为基础,首先使用改进全局求解性能的粒子群算法求解影响支持向量机分类检测性能的最佳参数,然后把最佳参数应用于的擅长模式识别的支持向量机算法,进行样本数据的训练,构建故障检测模型;最后,使用故障检测模型对电机的状态进行预测.实验结果表明,采用该方法进行故障检测的准确率,比传统的神经网络方法提高17%,比纯支持向量机算法提高3.33%.     

基于混合核函数PSO-SVM的模拟电路故障诊断

针对模拟电路故障诊断中应用传统支持向量机算法存在的问题,提出由粒子群算法优化混合核函数支持向量机模型对模拟电路进行故障诊断的新方法。首先,对待诊断电路进行瞬态分析,记录输出点的电压值,采用小波包技术对输出值进行特征提取;其次,由粒子群算法优化混合核函数支持向量机的核函数权重和结构参数,用训练好的模型进行故障诊断,该方法不仅降低参数选择时的随机性,而且故障诊断的精确度提升了5%左右。在对某高通滤波器模拟电路进行的故障诊断中,验证了该方法的有效性。     

基于改进粒子群优化的SVM故障诊断方法

针对支持向量机(SVM)分类模型参数选取困难的问题,提出基于遗传免疫的改进粒子群优化算法,克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷。将该算法与优化支持向量机分类模型相结合,建立基于遗传免疫粒子群和支持向量机的诊断模型,并用于轴承故障诊断中。结果表明,基于遗传免疫粒子群算法优化的SVM可实现对SVM分类模型参数的自动优化,并能提高SVM分类模型的故障诊断精度,对分散程度较大、聚类性较差的故障样本分类有较强的适用性。     

基于支持向量机的变压器故障诊断方法

为了提高变压器故障诊断的准确率,提出了一种支持向量机（SVM）和改进布谷鸟算法（WCS）及最速下降法相结合的电力变压器故障诊断方法.引入一种新的惯性权重,解决布谷鸟算法在迭代后期收敛速度下降的问题.利用最速下降法与改进的布谷鸟算法相结合的算法进行SVM参数的寻优,克服了基本的SVM模型容易陷入局部最优的缺陷,从而得到具有最佳参数的支持向量机分类模型,利用LIBSVM工具箱在MATLAB软件平台上训练支持向量机,用训练良好的支持向量机诊断110kV甘棠变电所#1主变压器故障情况.通过实例验证分析表明,采用该算法可以准确、有效地对变压器进行故障诊断;相较于粒子群算法（PSO）、遗传算法（GA）、网格搜索算法（GS）等算法,该方法具有更高的诊断准确率.     

模糊聚类与SVM诊断模拟电路单软故障的方法

针对低可测性模拟电路中存在的模糊组问题,提出一种模拟电路单个软故障诊断的方法．该方法对被测电路的故障进行模糊聚类,根据聚类的有效性指标自适应确定聚类数,并利用聚类的信息来确定可测元件集,引入支持向量机对故障进行分类识别．支持向量机结构简单、泛化能力强．最后,以模拟和混合信号测试标准电路证实了文中方法的有效性．     

基于小波分析和支持向量机的模拟电路故障诊断

针对模拟电路故障诊断,采用基于小波分析和支持向量机的诊断测试方法,将方波信号作为输入信号激励电路,对电路的响应信号进行小波分析并提取信号的能量作为故障特征向量,并最终利用SVM的一对一多分类方法实现了故障分类。通过对ITC97中的Elliptical Filter电路仿真验证表明,方波信号能够比单频信号更好地激励电路故障,本文所采用的方法能够有效地应用于模拟电路的故障诊断测试中。     

基于融合特权信息支持向量机的模拟电路故障诊断新方法

针对模拟电路故障诊断复杂多样难于辨识的问题,提出了基于融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(PCA)——特征提取;然后将训练集输入融合特权信息支持向量机进行训练获得故障诊断模型;最后将测试集输入训练好的支持向量机分类模型,实现对不同故障类型的识别。Sallen-Key滤波电路故障诊断仿真实验结果表明,该方法有效提高了分类的性能,不仅能够正确分类单故障而且能够有效分类多故障,其中单硬故障情况下平均故障诊断率达到了99%以上,为模拟电路故障诊断提供了新的途径。     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

基于差分进化杂草算法（DE-IWO）的容差模拟电路故障诊断

为提高容差模拟电路参变故障的诊断率,提出了一种新颖的差分进化入侵杂草算法优化多核支持向量机参数的故障诊断方法。通过小波包变换提取被测电路时域响应信号的特征参量,并生成样本数据,经差分进化入侵杂草算法优化多核支持向量机参数,建立故障诊断模型。故障诊断结果表明,所提出的方法能较好地实现模拟电路故障诊断,与现有方法相比,此方法所建立的SVM模型表现出了更好的性能,获得更高的故障诊断正确率。     

模拟电路故障诊断的子空间集成方法

针对模拟电路故障诊断难的问题,提出交叉熵方法加权子空间特征集成支持向量机的模拟电路故障诊断方法。对跳蛙滤波电路的故障诊断仿真实验表明,该方法获得训练集和测试集的故障诊断率分别为89%和88.6%,相比常用的BPNN、GENN、O-V-O SVM和基于随机子空间方法的支持向量机故障诊断方法,能获得更高的故障诊断率。     

基于沃尔泰拉级数的模拟电路组合故障诊断法

针对模拟电路的固有复杂性及其传统故障检测方法延时大和正确识别率低的问题,借鉴基于隐马尔科夫模型改进最小二乘支持向量机以及Volterra级数原理,将二者组合进行故障诊断。该方法首先采用Volterra级数频域核对电路故障特征进行提取,再利用经隐马尔科夫模型改进的最小二乘支持向量机进行模态分类,最终完成故障诊断。仿真结果表明,与目前使用的BP神经网络诊断方法和LSSVM诊断方法相比,该方法不仅提高了系统故障辨识能力,还提高了系统故障诊断的速度。