基于粗糙集与支持向量机的发动机故障诊断研究

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。     

数据驱动的风电机组变桨系统状态监测

针对数据采集与监视控制(SCADA)系统存在误报、故障报警滞后等问题,提出一种基于单分类模型的风电机组变桨系统在线状态监测方法.首先,从SCADA数据中提取出与变桨系统相关的特征参数并进行特征重构以进一步提取出更值得关注的桨叶之间的差异化信息.其次,基于单分类支持向量机对历史数据的分析确定变桨系统运行数据的健康边界,进...     

基于量子进化在线序贯极限学习机的变桨系统故障检测

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。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

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。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

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

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。     

基于主成分分析与支持向量机的汽轮机故障诊断

汽轮机故障诊断的一大难题是故障样本的缺乏,由于支持向量机针对小样本情况能取得很好的效果,为此,提出基于主成分分析与支持向量机的故障诊断方法,首先采用主成分分析方法对汽轮机故障数据进行故障特征提取,将特征向量作为支持向量分类器的输入,按照汽轮机的故障类型训练分类函数.对于支持向量机参数的选取,提出了基于错分样本数的蚁群优化算法.在小样本情况下对汽轮发电机组故障诊断进行了仿真研究.结果表明,应用该算法可以正确且有效地诊断多类汽轮机故障.     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

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。     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于云粒子群优化SVM的汽轮机转子故障诊断

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。     

基于机器学习的风电机组变桨系统故障研究

针对变桨系统的齿形带断裂故障问题,首先通过分析变桨系统的工作原理,基于多维SCADA信号进行特征数据挖掘,再利用主成分分析法对数据进行预处理,并保留时序信息重构数组,最后利用高斯核支持向量机进行机器学习,实现对齿形带断裂故障的智能检测。结果表明该方法可准确诊断齿形带断裂故障,并已通过多台风电机组监测数据进行验证,准确性可达到98.8%,证明该文所用方法和模型的广泛适用性。研究结果可对未来智慧风电场的开发管理提供有利用价值的工具。     

基于人工蜂群算法优化支持向量机的燃气轮机故障诊断

针对基于SVM(支持向量机)的故障诊断方法中支持向量机的参数难以选取导致诊断结果较差的问题,采用ABC(人工蜂群算法)对支持向量机的惩罚因子C和核函数参数σ进行优化;并构建了ABC-SVM(人工蜂群优化支持向量机)对燃机涡轮叶片故障进行诊断。诊断实例表明,该方法诊断准确率达到96. 43%,具有很好的诊断效果,为燃气轮机故障诊断提供了一种新的方法,具有实际应用价值。     

基于全信息小波包和支持向量机的旋转机械故障诊断

针对传统旋转机械单通道故障诊断的信息不完整以及缺少故障样本等问题,提出了基于全信息小波包和支持向量机的旋转机械故障诊断方法.运用小波包频道能量分解技术提取了全信息能量特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对设备工作状态进行自动识别和诊断.实验研究表明:基于全信息小波包和支持向量机的故障诊断方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,显著提高了故障诊断的准确率.     

基于小波能量熵和粗糙集的振动故障诊断研究

通过对不同振动故障信号进行小波包分解,得到若干个小波分解系数,进而从中获得各小波系数能量,并以此为特征进行基于粗糙集理论的特征约简分析,根据约简后生成的诊断规则对故障样本进行诊断,在确定故障的基础上,通过小波能量谱熵来衡量故障严重程度.实验结果显示通过基于粗糙集理论的RSES软件实现故障诊断准确率较高,同时能量谱熵参数可以在一定程度上衡量故障程度.     

基于深度学习的发电机故障挖掘方法研究

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。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert-Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机(SVM)的输入数据,并采用粒子群算法(PSO)对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机（SVM）的输入数据,并采用粒子群算法（PSO）对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于支持向量机的煤灰结渣特性判别

在研究燃煤煤灰成分与其结渣特性之间关系的基础上,提出了基于支持向量机算法的煤灰结渣特性判别模型。该模型将煤灰成分作为输入量,煤灰结渣特性作为输出量,并用离子群优化算法对支持向量机参数进行优化。最后用实测数据对模型进行校验,结果表明,基于支持向量机的煤灰结渣特性判别模型的判别准确率高于采用相同训练集和测试集的其他算法。支持向量机判别速度快,准确率高,有利于提高动力配煤经济性以及锅炉运行安全性。     

自适应粒子群支持向量机风速组合预测模型

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。     

基于SVM-PSO的电网设备早期故障分类方法

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。