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.     

集成KPCA-SVM的汽轮发电机组故障诊断

针对汽轮发电机组系统故障数据呈现出的强非线性、数据高维等特点,将非线性数据处理方法 KPCA和小样本分类器SVM相结合,提出了一种集成KPCA-SVM的故障诊断方法。首先,该方法将利用KPCA对非线性数据的处理能力强的特点,在高维特征空间提取故障特征信息;其次,将故障特征信息输入SVM模型,构建分类模型,克服SVM训练不充分、无针对性的缺点。对汽轮发电机组模拟故障进行仿真实验表明,提出的方法与SVM和PCA-SVM方法相比,能够更好地处理非线性数据,提取有效的分类特征信息,获得更高的故障模式识别准确率。     

一种新型的IGBT开路故障诊断实现方法

针对绝缘栅双极型晶体管(IGBT)开路故障特点,提出一种新型的基于小波包分解,核主成分分析(KPCA)和最小二乘支持向量机(LS-SVM)的故障诊断方法。首先对原始信号进行3层小波包分解提取出特征向量,然后利用KPCA方法来实现特征降维,最后建立了基于LS-SVM的故障分类器。实验结果表明该方法具有良好的准确性和实时性。     

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%。     

因子分析和ELM在模拟电路故障诊断的应用

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,提出采用因子分析优化的小波包能量谱和极限学习机的模拟电路故障诊断的方法。该方法首先对采集到的模拟故障数据进行小波包分解并提取不同频带的能量谱,然后利用因子分析对能量谱进行降维以提取故障特征,最后将提取的故障特征输入极限学习机进行故障诊断。仿真结果表明,该方法具有良好的区分能力,提高了故障诊断的效果。     

基于PCA和MPGA优化神经网络的整流器故障诊断

针对电力电子整流电路故障识别方法中的信号提取与模式识别两个核心问题,提出一种基于主元分析(PCA)和改进多种群遗传算法(MPGA)优化BP神经网络的三相整流装置电路故障识别方法。首先采用主元分析提取故障信号中对应的故障特征向量,然后利用移民算子与迁徙算子结合的MPGA优化BP神经网络分类器进行故障类型的识别。仿真结果表明,该方法对三相桥式整流装置进行故障诊断能准确识别与定位各故障类型,而且具有鲁棒性更好,诊断正确率更高的特点。     

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。     

MRA-PCA-PSO组合优化BP神经网络模拟电路故障诊断研究

为解决模拟电路故障诊断中的特征提取困难、输入维数过高和故障信号无法进行有效分类等问题,提出一种组合优化反向传播神经网络故障诊断方法。首先采用多分辨率分析提取故障信号特征,用其能量谱构造特征向量,通过主成分分析进行降维,以减少计算规模,然后利用粒子群算法优化神经网络,克服其易陷入局部极小值的缺陷,从而达到准确识别故障类型的目的。最后以四运放高通滤波电路为测试对象,通过仿真验证该方法在模拟电路故障诊断的有效性和可靠性,结果表明能提高约10%的诊断准确率。     

基于RBF-Volterra的非线性电路故障诊断

故障诊断的重要前提是故障特征可比性原则,而可比性原则的条件是模型结构的不变性,这就要求同一参数模型起码能稳定地拟合同一电路的所有故障状态。针对故障状态下非线性强弱变化造成的参数估计数值稳定性问题,提出一种基于RBF-Volterra级数的非线性电路故障诊断方法。在平移联动约束下,由基函数多项式(BFP)导出RBF-Volterra级数,分析了RBF-Volterra级数的截尾不截维特性和对非线性强弱变化的适应能力.RBF-Volterra级数不仅数值稳定性好,而且结构紧凑能有效避免维数灾难问题。最后,通过实例仿真说明该方法的有效性。     

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。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步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。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....     

基于SSI-MSVM的调相机轴承故障诊断方法

随着新能源的并网与特高压直流输电的发展,电网对无功调节的要求也逐步提高,因此大型调相机再次被投入使用。为了便于对调相机轴承进行故障诊断,提出了一种基于随机子空间识别(SSI)和多核支持向量机(MSVM)的故障诊断方法。在调相机轴承外侧表面不同的位置利用振动传感器采集振动信号,利用随机子空间模型进行特征提取,再根据高斯支持向量机和多核学习方法构造MSVM,然后将提取出的特征数据输入MSVM进行故障诊断。试验结果证明,基于SSI-MSVM的故障诊断方法能够适用于调相机轴承,且可以成功对故障进行辨识。     

基于MDP-SVM的过程多类型故障诊断

针对工业过程多类型故障诊断率低的问题, 提出一种边界判别投影(MDP)与支持向量机(SVM)相融合(MDP-SVM）的方法。边界判别投影常用于人脸识别领域,其可以将多类数据降维,获得不同类别清晰的边界。与主成分分析(PCA)和局部线性嵌入(LLE)算法相比,考虑了样本的局部结构和全局结构,避免了小样本问题。降维的数据通过SVM分类器进行类别判断,利用粒子群(PSO)算法得到最佳SVM分类器,实现故障诊断。仿真结果表明：相对于传统方法,本文所提方法故障识别准确率达到95.379%,而且可同时识别出多类故障。     

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...     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。     

基于改进SSA-DBN的质子交换膜燃料电池水故障智能分类方法

为了实现质子交换膜燃料电池(PEMFC)系统水故障的高效快速分类,提出了基于改进麻雀搜索算法(SSA)优化深度置信网络(DBN)的PEMFC故障分类方法。采用归一化处理消除故障数据参数之间量纲不同的影响,使用核主成分分析对数据进行故障特征提取,有效地缩减了原始数据维度,降低了运算复杂度,并避免低贡献度数据对故障分类造成干扰。引入柯西-高斯变异策略改进SSA,并利用SSA对DBN进行参数寻优,确定网络结构,通过优化后的DBN实现对PEMFC水故障的快速分类。对3 000组PEMFC水故障数据进行测试,结果表明：所提方法可以快速准确地识别PEMFC的正常状态、膜干故障、水淹故障3种健康状态;总体的分类准确率为98.67%,运算时间为0.89 s,相比支持向量机、概率神经网络方法,所提方法的故障分类精度分别提升了4 %、3.34 %,运算时间分别减少了15.35、0.35 s。     

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。