基于双空间的融合特权信息支持向量机模拟电路故障诊断

针对模拟电路故障诊断识别率较低的问题,提出了基于双空间特征提取的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(principal component analysis,PCA)——特征提取;并用融合特权信息支持向量机LUPI-SVM(SVM of learning using privileged information,LUPI-SVM)分类器和SVM-GA分类器进行预分类;对分类结果不同的样本进行独立成分分析(independent component analysis,ICA)—特征提取,并用LUPI_SVM进行分类识别,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,为模拟电路故障诊断提供了新的途径。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

核主成分分析与随机森林相结合的变压器故障诊断方法

油中溶解气体分析(dissolved gas analysis,DGA)是变压器故障诊断的重要方法。变压器故障诊断研究大多采用人工智能方法学习建立单个分类器,与单个分类器相比,分类器群能够更全面地学习样本集特性,达到更好的诊断效果。分类器间的差异性是影响群体性能的主要因素,针对DGA特征量较少训练得到的分类器差异不大的问题,提出将核主成分分析(kernel principle component analysis,KPCA)与随机森林方法相结合,KPCA将样本从低维的状态空间非线性地映射到高维的核空间,在核空间用随机森林方法训练得到分类器群。对DGA故障样本以及加噪样本的诊断实验结果表明,KPCA能够有效地提取故障特征,用核特征量建模的诊断效果优于直接采用DGA特征量,分类器群的诊断效果以及抗干扰能力均高于单个分类器。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

基于 KPCA-SVM 的表面肌电信号疲劳分类研究

为了提高手臂疲劳模型识别的准确率,本研究在常用时域、频域特征的基础上,引入了时频域、非线性和参数模型特征,提取3通道的表面肌电信号,构成特征集合.特征降维一般分为特征提取以及特征选择,分别采用特征提取中的主成分分析(PCA),核主成分分析(KPCA)方法以及特征选择中的互信息(MI)度量方法进行特征降维,采用支持向量机(SVM)和K近邻(KNN)作为分类器,通过3种降维方法分与SVM和KNN的不同组合构成疲劳分类模型.结果 表明,KPCA与SVM的组合模型对于疲劳的正确识别率最高达到99％,高于其他组合算法.     

采用核主成分分析和随机森林算法的变压器油纸绝缘评估方法

为了实现对电力变压器绝缘状态的智能评估,提出了一种融合核主成分分析和集成学习理论的电力变压器油纸绝缘评估方法。在特征提取方面,通过回复电压法(recovery voltage method,RVM)提取特征量,并对特征量进行核主成分分析(kernel principle component analysis,KPCA),将低维度的样本空间映射到高维度的核空间,并按照重要性进行排序;在评估识别方面,利用集成学习的思想建立分类器群模型,克服了单分类器的局限性,并提高了分类器的分类预测能力。通过实例论证,融合核主成分分析和集成学习的分类模型在变压器油纸绝缘评估中具有很高的准确性。     

基于非线性频谱特征及核主元分析的模拟电路故障诊断方法

针对模拟电路基于非线性输出频域响应函数(NOFRF)模型进行故障特征提取时,具有维数多、数据量大的特点,提出了采用核主元分析(KPCA)和多类别支持向量机(MSVM)进行故障模式判别的新方法(KPCA-MSVM)。该方法首先采用KPCA对特征向量进行维数压缩、消除变量之间的非线性;其次构造MSVM分类器,在PSpice环境下通过蒙特卡罗仿真生成模拟电路在各种故障状态下的数据,对MSVM分类器进行训练,将训练好的MSVM分类器用于模拟电路的故障状态识别。通过对Sallen-Key带通滤波器模拟电路的故障诊断结果表明,该故障诊断方法对模拟电路参数型故障有很好的识别、定位能力并具有速度快和准确率高的特点。     

多策略改进 MPA 算法与 HKELM 的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机 (HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特 征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改 进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4 种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升 了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。     

基于核主元分析和邻近支持向量机的汽轮机凝汽器过程监控和故障诊断

提出了基于核主元分析(KPCA)和邻近支持向量机(PSVM)的汽轮机凝汽器过程监控和故障诊断新方法，将数据先用核主元法进行分析和处理，即通过非线性变换将样本数据从输入空间映射到高维特征空间，然后在高维特征空间中进行特征提取，若数据的Hotelling'sT2和Q统计量超过控制限，说明有故障发生，则计算样本的非线性主元得分向量，并将其作为输入值送入已训练好的邻近支持向量机进行故障类型识别。该方法可以有效地捕捉变量间的非线性关系，过程监控和故障诊断效果明显好于PCA-PSVM法。汽轮机历史故障特征数据集仿真试验证明了该方法的有效性。     

基于多尺度特征提取与KPCA的轴承故障诊断

针对滚动轴承故障信号特征难以提取导致故障识别率低的问题,提出了基于多尺度特征提取与核主成分分析(KPCA)的轴承故障诊断模型。该模型首先利用固有时间尺度分解(ITD)将振动信号分解成若干个固有旋转(PR)分量,其次根据相关系数准则筛选固有旋转分量,然后求取固有旋转分量在多个尺度上的时域特征,最后利用核主成分分析将得到的多尺度特征进行融合,并用融合后的特征向量建立极限学习机(ELM)故障诊断模型,实现对滚动轴承状态的识别。与传统的单一尺度特征提取方法相比,多尺度特征提取在时域特征的基础上添加了尺度因子,具有度量时间序列在不同尺度因子下复杂性的优点。     

基于一维卷积神经网络的低压万能式断路器附件故障诊断

由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络(AW-1DCNN)的故障诊断算法。相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。首先,考虑到分合闸线圈电流信号的特点,采用一维卷积神经网络模型,并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域;然后,利用特征提取层对电流信号进行自适应特征提取;最后,利用Softmax分类器输出故障诊断结果。实验结果表明,该算法不仅能对不同相位下同一故障进行有效识别,而且在泛化实验中仍能保持较高的故障识别率,能够有效地克服合闸相位变化对故障诊断结果的影响。     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

基于振动分析法的变压器故障分类和识别

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于主成分分析和KNN分类识别的变压器故障测量方法。该方法采用EMMD(集合经验模式分解)方法提取变压器不同运行状态下振动信号的特征矢量,将该特征矢量通过主成分分析投影到直观的二维图像中。利用KNN分类识别实现故障分类和自动故障识别。试验结果表明,该方法可以实现对变压器正常状态、绕组变形、铁芯故障3种状态直观分类,并对测试样本进行快速的自动模式识别。     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

核主成分分析和粒子群优化算法在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。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。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。     

基于相对重构贡献的变压器故障诊断方法

为了充分挖掘油中溶解气体分析(DGA)数据隐藏的故障特征信息,提出了一种基于相对重构贡献(rRBC)的变压器故障诊断新方法。该方法首先利用DGA数据建立主元分析(PCA)模型,基于故障重构的思想,计算样本各变量重构贡献率(RBC);考虑各变量重构贡献率之间的可比性,计算其相对重构贡献率并作为特征量,通过归一化处理来提取故障特征;然后,建立变压器分层故障诊断模型,利用灰关联熵(GRE)信息利用率高等优点,求出待诊模式与各标准模式的综合灰熵关联序,实现故障诊断。实例研究结果表明,所提出的相对重构贡献灰关联熵方法与重构贡献灰关联熵、灰关联熵方法相比,使特征样本集的可分性变大,提高了分类正确率。     

结合KPCA的阴性选择变压器故障诊断

为解决常规阴性选择方法在故障诊断领域存在漏诊和故障难以有效细分检测的缺陷,文中提出一种结合核主成分分析(KPCA)的实值阴性选择自适应分类算法,采用实值编码,以欧氏距离衡量被检样本与检测器的亲和度,具备学习和分类的能力,实现了故障的细分类。针对电力变压器油中溶解气体数据(DGA),应用核主成分分析技术提取样本特征量,经归一化处理后对所提出的算法进行训练,测试结果证明了该方法的有效性,与BP神经网络、最小二乘支持向量机相比,获得了更高的故障检出率,对电力变压器典型的4类故障检出率达到了90%以上。     

一种优化特征选择-快速相关向量机变压器故障诊断方法

为了快速准确地诊断变压器故障,提出一种基于量子粒子群优化的快速相关向量机(quantum particle swarm optimized fast relevance vector machine,QPSO-FRVM)变压器故障诊断模型。首先建立了快速相关向量机多层次分类模型,在此基础上提出劣化度故障特征提取方法;其次分析了影响相关向量机分类性能的2个因素,借助量子粒子群算法确定每一层的核函数参数以及故障特征提取方法。最后利用训练好的 QPSO-FRVM 模型进行变压器的故障诊断,并与IEC三比值法、SVM模型进行对此。仿真结果表明,FRVM 缩短了训练时间,具有比RVM更高的诊断效率;同时在小样本情况下,对核参数和特征提取方法均进行优化选择的QPSO-FRVM模型,具有比IEC三比值法和SVM模型更高的诊断准确率,为实现变压器快速准确的故障诊断提供一种新的参考。     

基于分块LBP和分块PCA的指静脉识别方法

针对单独提取传统的局部二元模式(local binary pattern,LBP)指静脉特征识别率不高的问题,提出一种结合分块LBP和分块主成分分析(principal component analysis,PCA)的特征提取方法。首先对手指静脉感兴趣区域(region of interested,ROI)进行分块,提取分块LBP特征;然后,采用分块PCA对所提取特征进行降维除冗,得到一组新的降维后特征;最后计算欧氏距离并采用最近邻分类器进行分类。实验结果表明,论文提出方法识别率可达99.33%,等误率(equal error rate,EER)低至0.21%。与传统的3种算法进行比较,该方法的识别率有很大提高,且具有较好的稳定性和鲁棒性。     

基于 IPPA 优化 PNN 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,本文提出一种改进寄生捕食算法(IPPA)优化概率神经网络(PNN)的电力变压器 故障诊断模型,首先利用主成分分析(PCA)对故障数据进行数据降维减少无效特征,然后利用混沌反向学习,柯西变异算子和 融合贝塔分布的线性递减函数的权重等多策略改进寄生捕食算法( IPPA),提高其优化能力,并使用改进后的 IPPA 算法优化 PNN 网络的平滑因子,以提高 PNN 的分类精度和鲁棒性。 最后将 PCA 处理后的数据输入到 IPPA-PNN 模型中进行故障诊断 并以变压器数据为依据进行测试,测试结果表明,IPPA-PNN 模型准确率达到 93%相比于 PPA-PNN 和 PSO-PNN 模型提高了 7%和 10%能够有效地提高变压器的故障诊断性能。