基于小波包与支持向量机结合的齿轮故障分类研究

文章通过对齿轮系统在不同的运转状态下故障类型进行试验测试分析,采集了有关的振动测试信号,对振动特征信号进行了小波阈值去噪,运用小波包方法对信号进行分解,然后对分解后的各层信号进行重构,并计算各层的能量,将它作为故障特征,在此基础上将各层信号特征作为输入,运用支持向量机对它们进行分类,将所得结果与神经网络分类的结果进行了比较。研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波与支持向量机结合的方法,对于单一故障和复合故障都能够进行很好地区分与诊断,其诊断成功率均在92%以上。该方法不仅可对实际工程工作的齿轮系统进行故障诊断,而且可用于其它故障诊断领域。     

基于小波包和支持向量机的ERT系统流型识别

两相流体具有复杂的流动特性,流型的准确识别是两相流参数准确测量的基础,是两相流研究的重点内容之一.本文首先采用小波包分析方法对ERT系统中的测量数据进行特征提取,然后将提取的特征数据输入支持向量机多类分类模型,对两相流的4种流型进行识别.仿真实验证明小波包分析和支持向量机的结合是两相流流型识别领域的一种有效方法.     

基于小波包分析和支持向量机的说话人识别

在说话人识别系统中,语音特征参选是系统的关键问题之一.本文研究了MFCC参数、小波包分析.从听觉特性出发,提出基于小波包分析代替傅立叶变换的一种新的特征参数,给出了衡量各种特征参数识别能力的Fisher准则,结合Fisher准则构造一种新的混合特征参数,最后采用支持向量机实现说话人的分类识别.实验数据表明：有效地提高了说话人辨认系统的识别率.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于小波包的配电网故障选线距离判别方法

针对目前小波包选线方法的不足,提出了一种利用距离判别的统计方法以对小波包分解的信息进行充分利用,计算实时能量向量与非故障线路分布的距离以进行选线．充分利用了小波包分解的各频段能量信息和频段能量之间的相关信息,能较好地提高故障选线的正确性,并能结合暂态方向分量、五次谐波等稳态分量的统计特征使用．     

基于小波包分析和支持向量机的锅炉结渣诊断

针对燃煤锅炉运行中管屏受热面的结渣问题,提出基于对炉外测量的管屏振动信号小波包分析和支持向量机的结渣故障诊断方法.根据锅炉过热器管屏的结构特征,采集过热器管屏炉外管段的振动信号进行小波包对信号分析,利用管屏振动信号的时域指标和小波包分解后的相对小波包能量作为特征向量,建立基于支持向量机的结渣故障诊断模型.结果表明,实验平台上该模型能够对过热器管屏不同结渣故障实现有效的诊断.     

基于K-L变换和支持向量机的

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用K-L变换对其提取状态主特征向量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式，为轴承故障诊断向智能化发展提供了新的途径。     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于小波包融合及支持向量机的结构损伤识别

本文提出将多个传感器的结构振动信号经小波包分解后得到的频带能量进行数据融合,再将融合后的数据按传感器在结构中所处的位置进行分区,将分区后的数据作为特征指标,将特征指标输入到支持向量机中训练,得到具有实现结构损伤识别和定位能力的支持向量机。试验结果表明,分区后得到的损伤指标比简单进行数据融合后的损伤指标,具有更明显的损伤特征,训练出的支持向量机也具有更高的损伤判断准确率。     

基于小波变换和支持向量机的风电功率爬坡事件识别与预测

随着风电场规模的增大,风电功率爬坡事件给电网带来的影响越来越显著,提高爬坡事件识别与预测精度对电网安全经济运行具有重要意义。阐述了爬坡事件的定义,提出了基于小波变换(WT)的风电功率爬坡事件识别方法,建立了风电功率爬坡事件的WT-SVM预测模型。以某风电场的实测风电功率数据为例,进行不同时段的识别与预测。结果表明,基于WT的方法可以快速准确地识别风电功率爬坡事件及其特征值,WT-SVM爬坡事件预测模型可以提高风电功率爬坡事件预测准确度。     

基于小波匹配的新小波支持向量机预测模型

针对产品销售时序具有多维、小样本、非线性、随机性等特征,已有的支持向量核不可能精确逼近任意的销售时序曲线.将小波理论应用于支持向量核函数,并对标准支持向量机进行修正,形成一种新的小波支持向量机(WN-ν-SVM).设计了自适应正态变异粒子群算法(ANPSO)对小波支持向量机模型参数进行辩识,并进行了汽车销量预测的实例分析.结果表明,基于WN-ν-SVM模型的短期预测方法是有效可行的,具有理论意义和实用价值.     

基于小波降噪与支持向量机的岩性预测方法

随着机器学习和人工智能技术的发展,复杂地层岩性的自动估计已成为石油工程中最关键的要求之一。通过对正安两口水平井测井数据进行小波降噪处理,提升数据信噪比。同时利用声学(AC)、补偿中子(CNL)、密度(DEN)、伽马(GR)、光电(PE)、铀含量(U)和钍含量(TH)测井数据作为训练和测试样本,运用支持向量机(SVM)建立岩相识别模型。岩性识别准确度可达95.2%,相较于未采用降噪技术的人工智能模型相比,预测准确度提升近5个百分点。     

基于零序电流小波变换系数均方根值的故障选线ANN方法

配电网单相接地故障产生的高频信号可以用于接地故障选线.利用馈线零序电流特征频带(SFB),提出一种连续小波变换(CWT)系数的均方根(Root Mean Square,RMS)值与人工神经网络(ANN)相结合的故障选线方法.通过对各条馈线故障后5 ms时零序电流进行CWT变换,剔除工频信号,并根据能量和最大原则选出故障特征频带.将各条馈线特征频带上CWT系数的均方根值作为ANN选线的输入样本属性,故障馈线编号作为输出样本属性,构造智能选线网络.该方法不需要提出明确的故障选线判据,利用ANN非线性拟合和记忆功能进行故障选线.大量的实验仿真数据表明,该方法选线结果准确可靠.     

小波框架支持向量机的模糊小波网络分类方法

针对现有的支持向量机(SVM)不具有多分辨率学习的特点,提出一种新的小波框架的多尺度支持向量机(SVM)的模糊小波网络(FWN)算法.将小波多尺度学习和模糊推理方法相结合,由于FWN对应着多个模糊规则,而每个模糊规则的后件对应一个小波网络,解决了模糊规则后件难以描述的问题;对高维输入的小波网络的初始参数和网络结构的确定困难问题,用基于正交小波框架的支持向量机代替小波网络的方法,使FWN模型具有更好的泛化性能;为了提高FWN模型的逼近精度,使用梯度下降方法调节FWN参数.仿真结果表明,与传统的模糊神经网络(FNN)相比,该方法能显著地提高分类精度.     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

基于小波分析和支持向量机的结构损伤识别

提出了基于小波分析和支持向量机的结构损伤识别两步法.首先利用小波变换分析信号的奇异性来判别损伤发生的时刻;然后提取损伤信号的小波包分量能量,利用支持向量机算法建立SVM模型估计结构的损伤位置.网架结构的数值算例结果表明该方法可以有效地识别结构损伤.     

基于小波分析和支持向量机的供电线路故障诊断

将小波分析与支持向量机(SVM)相结合对供电线路故障进行自动诊断.运用变尺度多分辨小波分析方法对供电线路故障信号进行特征分析,SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力.在小波分析信号特征提取的基础上,利用分布式多SVM分类器识别故障.实验表明,该方法能有效地对供电线路故障进行准确识别和诊断.