基于改进果蝇优化算法优化SVM的模拟电路故障诊断

为提高支持向量机(SVM)在模拟电路故障诊断中的精度,对果蝇优化算法(FOA)进行改进,提取了一种基于改进果蝇优化算法优化SVM的模拟电路故障诊断方法。改进果蝇优化算法(SHFOA)在FOA算法中增加了"学习历史"的策略,增强了果蝇种群的多样性和算法跳出局部最优的能力,可以获得更优的SVM参数,有效地提升了SVM的分类性能。Sallen-Key低通滤波器电路故障诊断和工程应用验证了SHFOA算法提升了SVM的识别效果,获得了更高的故障诊断精度,相比于其他一些方法更有优势。     

基于IFOA-SVM 的变压器故障诊断与定位研究

为了充分发掘变压器油中溶解气体所蕴含的故障信息,实现变压器故障性质和故障位置的准确判断,利用 邻域粗糙集(NeighborhoodRoughSet,NRS) 和强化型果蝇算法(ImprovedFruitFlyOptimizationAlgorithm,IF- OA)优化的支持向量机(SupportVectorMachine,SVM)构建变压器故障诊断与定位多层分类模型.首先,利用邻 域粗糙集按照条件属性重要度对变压器故障样本特征值进行约简.其次,为了提升变压器故障诊断与定位模型的分类 精度,设计一种强化型果蝇算法对SVM 的核函数参数和惩罚因子选取进行优化.利用Tent-logistic混沌映射产生的 混沌序列生成果蝇种群的初始位置信息,减少随机过程带来的不可控性;利用动态自适应步长参数调节个体的搜索范 围,增强FOA的寻优效率.仿真分析结果表明,基于改进模型的方法不仅可以实现变压器故障位置的判定,而且能 提升变压器故障诊断的精度.     

克隆选择优化的SVM模拟电路故障诊断方法

对基于克隆选择算法的支持向量机(SVM)参数优化、及其在模拟电路故障诊断中的应用进行了深入研究,故障诊断实现步骤为:首先对电路的各种故障模式进行蒙特卡洛仿真分析,利用小波分解提取输出信号的各频段能量,进行归一化处理后得到故障特征样本;然后应用克隆选择算法进行SVM参数优化,并将选定的参数用于SVM的训练;最后采用训练好的SVM对故障样本进行分类,从而实现故障判定。论文以CTSV滤波电路和螺距反馈电路为诊断实例进行了实验验证,结果表明对容差模拟电路的故障定位具有较高的准确率。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

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.     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于PCA相似系数与SVM的涡轮泵故障检测算法

提出了一种基于主元分析法(principal component analysis,PCA)相似系数与支持向量机(support vector machine,SVM)的故障检测算法用于液体火箭发动机涡轮泵试车后故障检测.该算法将历史信号按合理的步长分段,对信号段进行小波去噪预处理;再将每个步长信号平分为多段,采用主元...     

基于改进ABC优化RVM的模拟电路故障诊断

为提高模拟电路的故障诊断精度,提出了基于改进蜂群算法(IABC)优化相关向量机(RVM)的模拟电路故障诊断方法。该方法首先基于小波包能量提取故障特征集,然后将故障特征输入RVM进行故障诊断,同时利用IABC算法进行RVM参数的优化,避免参数选择的盲目性,提高故障诊断的精度。通过对Sallen-Key带通滤波器电路的单故障和复合故障诊断结果表明,该方法是有效的,相比与其他一些方法,可以获得更高的诊断精度,具有一定的优势。     

结合LMD云模型和ABC-LSSVM的 模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

基于BP神经网络的模拟电路故障诊断研究

在简要介绍标准BP神经网络基本原理的基础上。详细说明了基于改进BP神经网络算法的模拟电路故障诊断方法和设计步骤，根据网络总误差来自适应调节网络的学习率，加速网络的收敛过程。此算法应用于电路的故障诊断，能够对被测电路的故障进行有效并且精确的分类。以折线式有效值测量电路为例，设计了基于改进BP神经网络算法的模拟电路故障诊断系统，以实际测试数据作为训练样本进行学习训练后，对其它实际测量数据进行诊断，结果正确，验证了算法的有效性。     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

基于多分区自适应改进果蝇算法的风光燃储微电网协调控制策略

为了使微电网控制系统中PI控制器的参数能够更好地适应可再生能源的随机性和波动性,提出了基于自适应步长的四分区多策略果蝇优化算法(fruit fly optimization algorithm, FOA)对PI参数进行实时优化。首先,以风光燃储微电网不同微源控制系统中的变换器为控制对象,建立微电网整体控制系统模型,基于此模型实时调整PI参数。然后,根据不同果蝇个体的适应度值将果蝇种群分为4个区,同时考虑4个区果蝇收敛性以及多样性的差异,设计不同的自适应更新策略。最后,采用所提算法对各微源控制过程中的PI参数进行寻优,与其他3种智能算法进行对比,验证了所提算法的可行性和优越性。仿真结果表明,所提算法可以使系统变换器响应速度更快,输出更加稳定。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

基于改变比例因子的变步长最大功率跟踪算法

通过仿真模拟分析光伏电池特性,针对传统的变步长电导增量(INC)法存在无法同时满足跟踪速率和减少振荡的问题,提出了一种基于改变步长比例因子的变步长最大功率算法,实时判断工作点的状态来选择不同的步长比例因子,从而解决MPPT控制过程中动态响应和稳态波动的这一矛盾关系。仿真结果表明:改进的算法和传统的变步长INC相比,跟踪过程更快速,跟踪结果更精确,系统输出功率在最大功率点处的振荡得以有效降低,动态性能和稳态性能都更优异。     

基于参数优化SVM的旋转机械故障诊断

介绍了支持向量机(SVM)分类算法,针对常用的C-支持向量分类机(C-SVM)中参数没有确切意义、选取困难的缺点,将ν-支持向量机(ν-SVM)用于对旋转机械振动故障的诊断,通过对实验台模拟数据进行训练、分类和测试,取得了良好的诊断效果。并通过现场故障实例证明了这种方法的准确性。     

基于果蝇优化算法的配电网故障定位

为解决配电网故障定位问题,提出了一种基于果蝇优化算法的故障定位方法。将原先果蝇优化算法中连续的位置坐标和搜索步长离散化,使其与馈线区段的状态信息相联系。对于单电源辐射状配电网和多电源复杂配电网建立了相应的目标函数,分别针对单一故障、含信息畸变的单一故障、多重故障、含信息畸变的多重故障等四种场景进行了测试,测试结果验证了所提出方法的准确性和有效性。与蝙蝠算法、粒子群算法、遗传算法相比,果蝇优化算法在多重故障定位问题中表现出了良好的寻优能力和更快的收敛速度。     

基于 QH-ITD 和 AMCKD 的滚动轴承故障诊断研究

由于滚动轴承早期微弱故障易受噪声影响导致难以对故障进行诊断。针对原固有时间尺度(ITD)和三次样条插值改进ITD算法的不足以及最大相关峭度解卷积(MCKD)算法的滤波器长度参数选取困难的问题,提出基于四次Hermite插值改进的ITD(QH-ITD)算法和利用变步长网络搜索参数寻优改进MCKD(AMCKD)算法。该方法首先利用QH-ITD算法对原滚动轴承故障信号进行分解运算,然后利用峭度指标和互相关系数筛选相应的分量信号进行重构,再利用AMCKD算法中对重构信号进行降噪处理,最后利用Teager-Kaiser能量算子进行解调处理,提取出故障特征信息并判断故障类型。通过人工模拟的滚动轴承损伤故障诊断实验和全寿命周期的轴承早期微弱故障诊断实验,验证了所提方法可以有效地对滚动轴承的早期微弱故障进行诊断识别。     

基于新型变步长算法的自适应三相电路谐波检测

三相电路谐波自适应逐相检测系统存在动态性能与稳态精度的矛盾,瞬时无功功率理论ip-iq运算方式的三相电路谐波检测系统中,三相谐波检测也直接受到直流分量分离的速度与稳态精度的影响。基于Least Mean Square（LMS）算法自适应理论,推导出自适应检测新型最佳迭代变步长算法,克服自适应算法的动态性能与稳态精度的矛盾,并且将该变步长算法分别运用于三相电路谐波逐相自适应检测与基于无功功率理论ip-iq运算的三相电路谐波检测直流量分离,提高三相谐波检测的质量。理论分析与仿真验证表明,新的迭代变步长算法可以改进三相电路谐波检测跟随性能与准确性能。