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ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

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DGA的粒子群相关向量机变压器故障诊断

传统智能算法中因算法自身的固有缺陷,从而导致变压器故障诊断结果不理想。为此,针对相关向量机中核函数参数的选取对分类效果产生影响的问题,笔者在对运用粒子群算法优化相关向量机的可行性进行充分分析的基础上,构建了粒子群优化的相关向量机方法,以DGA作为特征输入,利用粒子群优化算法对核函数参数σ进行优化,以获得最优的相关向量机故障诊断方法,从而提高变压器的故障诊断精度。实例对比分析表明,与SVM、RVM方法相比,粒子群相关向量机方法具有更高的诊断精度。     

差分进化算法在变压器故障诊断中应用

针对典型小样本数据的变压器故障诊断,文章提出了一种基于差分进化算法优化的支持向量机构建电力变压器故障诊断方法。该方法是采用差分进化算法来优化支持向量机核函数参数g和惩罚因子C,将优化过的支持向量机对小样本故障数据进行故障诊断。实验结果表明,该方法比网格搜索优化算法和粒子群优化算法具有更高的准确率,非常适合于电力变压器的故障诊断。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法。利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊断模型,提取信号时频图中频带能量值作为AFSA-SVM的输入特征向量进行学习、测试。最后通过仿真实验验证,故障诊断准确率达98.7%,并与粒子群算法优化支持向量机(PSO-SVM)和未经优化的支持向量机对比分析,结果表明该方法具有更高的故障诊断识别效果。     

基于粗糙集与支持向量机的变压器故障诊断

提出了一种基于支持向量机、粗糙集和属性约简集选择的变压器故障诊断方法,以二值分类法为基础,构建了基于支持向量机的多值分类器。利用领域知识对变压器连续性色谱数据进行离散化,采用粗糙集进行约简,并用约简集选择算法提取其重要特征子集,建立特征气体比值与故障类型的映射关系,采用粒子群算法对支持向量机核参数进行优化,达到了故障诊断的目的。仿真结果表明,该方法对变压器故障诊断具有较高的诊断率。     

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。     

基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。     

RBF-SVM的核参数选择方法及其在故障诊断中的应用

基于核理论的SVM中,RBF核函数应用最广,是一个普适的核函数,但其参数的选择却没有固定方法。鉴于此,本文首先分析了现有核函数参数优选算法的不足;然后在SVM网络结构分类原理的基础上提出了基于数据最大方差-关联度准则的核参数选择算法,并结合粒子群算法建立了RBF核参数的自动优选流程。将其用于模拟电路故障诊断实验,证明了所提方法具有参数选择准确、简单快速等优点,优选得到的核参数提高了故障诊断率。     

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K-L特征提取与支持向量机的油浸式变压器故障诊断模型研究

针对变压器多故障问题,提出了基于Mercer核函数的欧式距离查询策略算法,并建立了基于Karhunen-Loeve(K-L)特征提取与支持向量机的变压器故障诊断模型,利用K-L变换提取信号的特征值,最后通过支持向量机学习算法完成对信号的选择与分类。通过实例应用表明:所训练的SVM分类器较之直接任意选取训练样本作为训练集的传统方法具有更高的诊断率。     

基于KPCA-WPA-SVM的变压器故障诊断模型

为提高变压器故障诊断的精度,文章提出一种基于核主成分分析(KPCA)和狼群算法(WPA)优化支持向量机(SVM)参数的变压器故障诊断方法。通过KPCA提取样本数据的非线性特征,并获得其主成分,再将其输入至高斯核SVM构成诊断模型,并利用WPA对SVM的惩罚因子以及核参数进行优化。实验结果表明,该方法诊断准确率达到93.33%,与传统SVM以及KPCA-SVM诊断模型相对比,具有更高的变压器故障诊断准确率。     

基于多策略ISOA优化SVM的变压器故障诊断研究

针对由支持向量机（SVM）参数难以确定而导致的变压器故障诊断精度低及海鸥优化算法（SOA）易陷入局部寻优的问题,提出一种多策略改进海鸥优化算法（ISOA）优化SVM的变压器故障诊断方法。首先,提出一种多策略的改进方法来全方面提升SOA的寻优性能;然后,利用ISOA对SVM内部参数进行优化,构建基于ISOA-SVM的变压器故障诊断模型;最后,将油中气体溶解分析（DGA）数据的特征提取结果输入到ISOA-SVM模型中进行变压器故障诊断。实例分析表明,所提ISOA-SVM模型诊断精度更优。     

基于KPCA与RVM感应电机故障诊断研究

针对感应电机非线性、强耦合、时变的特点,提出一种将核主成分分析(KPCA)和相关向量机(RVM)相结合的感应电机故障诊断方法。首先,对感应电机定子电流进行小波分解,并采用核主元分析方法有效去除信息的冗余,得到能反映感应电机运行状态的特征向量。然后,利用相关向量机对故障特征向量进行故障分类,识别感应电机的运行状态。通过对不同运行状态下感应电机进行识别分析,验证了此方法的可行性和实用性,并和其他3种方法比较,结果表明基于KPCARVM方法的故障诊断方法有较好的分类效果和泛化能力,是一种有效的感应电机故障诊断方法。     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.