共查询到20条相似文献,搜索用时 265 毫秒
1.
基于粗糙集与支持向量机的发动机故障诊断研究 总被引:5,自引:0,他引:5
在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。 相似文献
2.
3.
针对复杂工况下风电机组变桨系统故障检测问题,采用在线序贯极限学习机建立变桨系统状态监测模型,利用ReliefF算法进行模型的特征选择,通过量子进化算法优化在线序贯极限学习机的超参数集,并引入马氏距离函数计算变桨系统状态监测模型的残差,判断风电机组变桨系统的异常。以辽宁某风电场1.5 MW双馈风电机组变桨系统为例,将所提出的模型分别与粒子群优化极限学习机、粒子群优化支持向量机、随机权神经网络、极限学习机和反向传播神经网络模型进行对比,结果表明所提出的模型精度优于其他模型,所提方法的故障检测正确率高于3σ阈值法和核主成分分析方法。 相似文献
4.
为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明:该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。 相似文献
5.
6.
基于模糊c-均值-粗糙集-自适应模糊神经网络推理系统集成的故障诊断 总被引:5,自引:0,他引:5
考虑模糊聚类的数据离散功能,粗糙集理论对决策系统的约简能力,以及模糊神经网络在模式识别方面具有的优势,提出了模糊c-均值(FCM)—粗糙集—白适应模糊神经网络推理系统(ANFIS)集成进行故障诊断的方案:首先,应用FCM聚类方法离散故障诊断数据中的连续属性值;然后,基于粗糙集理论计算诊断决策系统的约简,按照实际需要确定诊断条件;最后,根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下,该方案可以推广应用于其它机械设备。 相似文献
7.
8.
针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。 相似文献
9.
10.
为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。 相似文献
11.
12.
13.
14.
15.
基于深度学习的发电机故障挖掘方法研究 总被引:2,自引:0,他引:2
谢川 《电网与水力发电进展》2016,32(2):8-13
发电机工作环境复杂,发电机的涡轮叶片在燃烧的气体作用下高速转动,电机本身容易产生故障。通过对发电机故障特征数据的挖掘,可实现故障诊断。传统方法采用支持向量机SVM故障挖掘和分类算法,解决发电机故障检测的稳定性问题,但随着故障特征的增加,故障特征相似性增强,挖掘性能下降。提出一种基于深度学习支持向量机的发电机故障挖掘算法。对发电机故障挖掘原理进行描述,构建故障数据挖掘模型,采用深度学习支持向量机对故障特征进行数据分类处理,解决发电机故障数据的相似性干扰问题,提高了故障数据挖掘和分类性能,仿真实验表明,采用该算法进行发电机故障挖掘,通过深度学习,对故障数据的特征分类性能较好,提高故障诊断能力。 相似文献
16.
17.
18.
19.
提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。 相似文献
20.
电压暂降通常是电力系统因设备故障等原因导致永久性或早期故障的典型特征,早期故障可能会在首次发生后逐渐发展为永久性故障。提出了一种基于粒子群优化和支持向量机的早期故障分类方法。首先,利用基于Kullback-Leibler散度的检测机制来识别早期故障对应的电压波性数据,结合S变换等信号处理方法来进行特征提取。然后,采用邻域成分分析方法选择与Kullback-Leibler散度、S变换、香农熵及形状因子相关的7个不同特征,以满足对分类方法有效性的数值评估,再结合粒子群优化的支持向量机的方法提出了一种早期故障分类方法。最后,与反向传播神经网络、K最近邻这2种方法相比,平均分类精度分别提高了9.15%、13.7%,表明了所提方法在早期故障分类中的有效性,可作为输电网络中主要电力设备状态监测的有效工具。 相似文献