共查询到19条相似文献,搜索用时 156 毫秒
1.
自适应模糊支持向量机邻近增量算法在变压器故障诊断中的应用 总被引:1,自引:0,他引:1
提出了一种基于自适应模糊支持向量机增量算法的变压器故障诊断方法.对变压器故障诊断采取分层结构,以模式识别思想提取与分类模式密切相关的输入特征,有效地抑制了冗余信息的干扰;采用参数自适应优化算法增强了SVM参数选择的灵活性,加快了算法的收敛速度.邻近增量算法提高了诊断模型的精度与对于新样本的学习能力,与普通的多分类支持向量机以及多分类模糊支持向量机算法相比,该算法具有较好的收敛性和良好的诊断效果. 相似文献
2.
提出了一种基于自适应模糊支持向量机增量算法的变压器故障诊断方法。对变压器故障诊断采取分层结构,以模式识别思想提取与分类模式密切相关的输入特征,有效地抑制了冗余信息的干扰;采用参数自适应优化算法增强了SVM参数选择的灵活性,加快了算法的收敛速度。邻近增量算法提高了诊断模型的精度与对于新样本的学习能力,与普通的多分类支持向量机以及多分类模糊支持向量机算法相比,该算法具有较好的收敛性和良好的诊断效果。 相似文献
3.
自适应分级多分类支持向量机在变压器故障诊断中的应用 总被引:1,自引:1,他引:0
以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一种自适应分级多分类支持向量机变压器故障诊断方法。此方法基于模式识别特征提取的思想,采用不同的输入向量,对变压器有无故障和故障类型判别时,采取分级决策结构。采用自适应优化算法对多分类支持向量机进行优化,通过诊断效果和不同类型故障识别率的比较,得出变压器油中溶解气体的组分含量比值更能反映变压器故障类型,最终测试效果比较和支持向量机参数分析,可以看出该方法具有较高的准确率和良好的泛化能力。 相似文献
4.
5.
针对变压器故障诊断问题,提出了基于模拟退火和支持向量机理论的变压器故障诊断方法,该算法采用模糊理论解决传统三比值法边界过于绝对的问题,并利用模拟退火优化算法获得支持向量机的最优参数设置。 相似文献
6.
针对变压器故障诊断问题,提出了基于粗糙集和支持向量机理论的变压器故障诊断方法。该算法利用粗糙集技术对变压器知识进行属性约简,并通过属性表获得故障最简决策表作为支持向量机的输入,与此同时,利用粒子群优化算法获得支持向量机的最优参数设置。实验结果表明,该诊断方法分类性能良好、可靠性高且有效可行。 相似文献
7.
8.
自适应模糊支持向量机增量算法在变压器故障诊断中的应用 总被引:1,自引:1,他引:0
利用油中溶解气体对变压器进行故障有无以及故障类别判断时,为抑制冗余信息的干扰,提取与分类模式密切相关的特征作为每层诊断模型的输入;增量学习算法通过提取模型的支持向量和误判样本,逐步积累样本的空间分布知识,提高诊断模型的精度与训练速度,同时剔除对构建模型无贡献的样本以节约存储空间。为提升算法的收敛速度,采用参数自适应优化算法动态搜索模糊支持向量机的模型参数。最后,通过实例将该算法与普通的多分类支持向量机以及多分类模糊支持向量机相比,得出该算法具有相对较好的收敛性和诊断效果。 相似文献
9.
针对变压器故障诊断中缺少实际典型故障样本的问题,提出了混沌支持向量机(CSVMs)变压器局部放电检测方法。该方法采用K均值聚类(KMC)对变压器油中5种特征气体样本进行预选取作为特征向量,输入到混沌优化多分类支持向量机中进行训练,建立CSVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题;混沌优化较好地提高了模型的推广能力。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。 相似文献
10.
11.
在介绍支持向量机(SVM)和DS证据理论的基础上,提出了一种利用DS证据理论对SVM分类模糊域数据进行分类修正的方法。该方法首先利用SVM对测试样本进行分类,对SVM分类输出模糊域的样本使用隶属度函数将SVM的输出距离转换成样本对各状态的隶属度;其次利用DS证据理论融合其他传感器信息,对各状态下的隶属度进行适度修正,从而实现该区域数据的重新合理排布;最后将该方法应用于高压断路器故障诊断,以验证其诊断性能。大量的实验结果表明,该方法可以利用断路器操作线圈电流数据,合理修正振动数据分类结果,实现断路器机械故障的准确检测。 相似文献
12.
基于模糊支持向量机的多级二叉树分类器的水轮机调速系统故障诊断 总被引:9,自引:6,他引:9
在传统支持向量机(C—SVM)的基础上,通过集成模糊聚类技术和支持向量机算法,构造了一种适合于故障诊断的多级二叉树分类器,并首次应用于水轮机调速系统故障诊断,取得了良好效果。该方法首先利用模糊聚类技术求取每类样本聚类中心,再对各聚类中心逐次二分,从而确定了一棵二叉树,然后在二叉树的每个节点处,根据样本聚类中心把相应样本分成两类,构造出SVM子分类器。实验结果表明,对于k类别故障诊断问题,只需构造k-1.1个SVM子分类器,简化了分类器结构,避免了不可区分区域的出现,且节省了内存开销,故障诊断正确率高。 相似文献
13.
针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3〖WTB4〗%〖WTBZ〗,证明了所提方法具有较高的准确度和有效性。 相似文献
15.
模糊贝叶斯网的变压器故障诊断 总被引:1,自引:0,他引:1
目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。 相似文献
16.
为解决传统变压器故障识别方法提取故障特征难度大、识别准确率低等问题,提出基于多尺度标准差模糊熵( SDMFE)
和哈里斯鹰算法(HHO)优化支持向量机(SVM)的故障识别方法。 首先,采用基于模糊熵的多尺度分析法量化变压器振动信号
复杂的动态特性,提取多时间尺度下的故障特征。 随后,将利用 SDMFE 获得的故障特征输入 SVM 分类器识别变压器不同的故
障。 同时,为了提升 SVM 的识别性能,引入 HHO 算法以自适应、准确地选择 SVM 参数。 最后,利用变压器实测振动信号进行
了对比试验。 与不同的信息熵、不同的优化策略和不同的分类器相比,所提方法取得 98. 56%的最高识别准确度和最好的识别
稳定性。 结果表明所提方法能够有效提取故障敏感特征和准确识别变压器故障状态。 相似文献
17.
18.
Power transformer fault diagnosis based on dissolved gas analysis by support vector machine 总被引:1,自引:0,他引:1
This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification. 相似文献