基于改进PSO-SVM算法的油浸式变压器故障诊断

现以油浸式变压器为研究对象,采用支持向量机算法,选择径向基作为核函数,根据参数特点,通过改进粒子群算法对其进行优化,进而对油浸式变压器进行故障诊断。通过仿真实验得出,所提基于改进PSO算法优化的SVM算法,不仅可以避免局部极值问题,而且对小样本数据处理有很好的泛化能力,在解决电力变压器故障诊断问题上有着一定的发展潜力。     

基于FOA-SVM的滚动轴承故障模式识别研究

将FOA算法应用于SVM的惩罚因子与核函数参数优化中,在此基础上建立模式分类模型FOA-SVM,应用该模型对滚动轴承故障模式进行分类诊断,结果表明:果蝇优化算法在收敛速度和寻优效率上有了一定的提高,依此而建立的FOA-SVM分类模型具有较为准确的分类准确率。     

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明：使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。     

基于改进果蝇优化算法优化支持向量机的故障诊断

为提高支持向量机(SVM)在机械故障诊断中的精度,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的故障诊断方法。改进果蝇优化算法(IFOA)中果蝇个体在进行位置更新时,融入了历史位置信息,在增加果蝇种群多样性的同时,又使算法具有了跳出局部最优的能力,进而可以获得更优的SVM参数以增强SVM分类性能。齿轮故障诊断实例验证了IFOA算法提升了SVM的识别效果,相比于其他一些方法更有优势。     

基于HS-ELM的油浸式变压器故障诊断

针对ELM模型的预测精度受初始的输入权重W_i和隐含层偏置矩阵b_i的选择影响,运用和声搜索算法(HS)优化选择初始的输入权重W_i和隐含层偏置矩阵b_i,提出一种基于HS-ELM的油浸式变压器故障诊断方法。将5种气体体积分数数据(H_2,C_2H_2,CH_4,C_2H_6和C_2H_4)当作HS-ELM变压器故障诊断模型的输入特征参数数据,不同故障类别标签作为HS-ELM的输出,建立HS-ELM油浸式变压器故障诊断模型。研究结果表明,在各个故障类别的诊断正确率和总体正确率上,HS-ELM均要高于GA-ELM,ELM和IEC三比值法,有效提高了变压器故障诊断的正确率。     

基于SVM算法的变压器DGA和故障诊断

油中溶解气体分析(DGA)是评估变压器运行状态和故障诊断的重要指标。现将支持向量机算法(SVM)应用于DGA和故障诊断中,并对比了SVM算法和其他传统算法在故障诊断中的正确率。研究结果表明,传统算法的故障诊断正确率在43%～54%,而优化后的SVM算法正确率为76.77%。超过23%的正确率提升充分证明了SVM算法在故障数据特征识别中的先进性,对变压器运维提供了强力的技术支持。     

油浸式变压器的故障诊断探究

介绍了油浸式变压器常见的故障类型,对油浸式变压器的故障类型进行归类,分析了对其进行故障诊断的意义所在,并针对在线和离线两种情况介绍了常见的故障诊断方法,以期对油浸式变压器故障诊断探究的理论研究有所帮助,为实际工作中遇到此类问题时提供参考依据。     

基于IFOA-SVM的轴承故障分类识别方法

为了更好地准确识别轴承故障特征非线性分类问题,提出了一种基于IFOA-SVM的故障分类识别方法.使用变分模态分解方法对轴承振动信号进行分解处理,以模态分量的模糊近似熵和能量熵构成故障特征向量;基于"一对一"策略拓展设计了OVO-SVM多分类器,构造多项式核函数和径向基核函数组合的混合核函数,使用IFOA算法对SVM分类...     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

基于RS和多类SVM的变压器故障诊断

鉴于电力变压器故障信息的复杂性和不完备性,建立了基于粗糙集(RS)和支持向量机(SVM)相结合的故障诊断模型.先利用RS对变压器的故障样本进行知识约简,以获得故障征兆最小条件属性与故障类型的相关关系;后利用多类SVM对小样本数据的泛化能力,建立多类故障分类器用于故障诊断.实例验证了该方法是有效的.     

基于IFOA-TCA的跨工况轴承故障诊断

为解决不同工况下轴承振动数据分布不一致且目标工况轴承诊断数据不足的难题，提出一种采用改进果蝇优化算法(IFOA)优化主题相关性分析(TCA)的跨工况轴承故障诊断方法。首先，通过联合混合模型挖掘源域与目标域轴承故障样本数据中的共有主题与领域独有主题；其次，以共有主题为桥梁，映射领域独有主题并共同构建一个新的特征空间；然后，选用逻辑回归模型，在新的特征空间里利用源域轴承故障样本数据训练模型，并通过训练好的模型输出对目标轴承的故障诊断结果；最后，调整果蝇优化算法中味道浓度判定值的取值方式并采用多种策略改进果蝇优化算法，将改进果蝇优化算法用于优化主题相关性分析中的超参数，提高对目标工况轴承的故障诊断精度。     

一种基于改进最小二乘支持向量机的变压器故障诊断方法研究

变压器是整个电力系统稳定、安全、可靠运行的关键设备,变压器的故障诊断对提高电力系统供电可靠性具有重要的意义。为及时发现变压器的潜在故障风险,提出了一种基于模拟退火算法(SA)优化的最小二乘支持向量机(LSSVM)电力变压器故障诊断方法。利用SA算法对LSSVM诊断模型的正规则参数和核宽度参数进行优化,提高模型的分析精度。对比试验结果表明,提出的SA-LSSVM诊断方法可以准确有效地对变压器进行故障分析诊断,与传统的SVM和BP神经网络诊断方法相比,该方法具有更高的准确率。     

单片机控制油浸式变压器在线温度监测系统

针对变压器监测系统在实时性、可靠性方面的要求以及油浸式变压器发生故障时会产生不同的热效应,从而产生相应位置的异常温升的问题,讨论了基于嵌入式技术的大型变压器温度监测和故障诊断系统,详细地介绍了基于单片机控制的油浸式变压器温度采集电路的硬件电路设计。实践结果证明,该系统具有实时性强、可靠性高、运行成本低等优点,对大型油浸式变压器运行状态的实时温度监测和故障诊断而言,具有较广阔的应用前景。     

基于随机向量泛函连接网络的油浸式变压器故障诊断

针对常用机器学习算法收敛速度慢、容易陷入局部最优等不足,提出一种基于随机向量泛函连接(Random Vector Functional Link,RVFL)网络的油浸式电力变压器故障诊断方法。该方法以变压器油中五种主要特征气体作为输入,以七种变压器运行状态作为输出,构建了基于RVFL网络的故障诊断模型。算例分析的结果验证了该方法的有效性和优越性。     

基于改进SVM的数控机床在线实时诊断系统设计

结合故障诊断需求,提出一种改进SVM故障诊断与预警系统.结合故障诊断原理,对系统整体架构进行部署;选择7202AC型角接触球轴承故障特征作为研究对象,通过传感器对故障特征进行采集;通过时域、频域和时频域特征提取,完成对故障信号的预处理;然后利用遗传算法对传统SVM惩罚因子C和g进行优化,以此完成对不同故障类型的识别.最后,结合MATLAB软件和Python编程语言,对改进算法进行系统实现,验证了改进算法的可行性.     

基于PSO改进KPCA-SVM的故障监测和诊断方法研究

针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)算法优化核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T~2和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。     

基于IWOA-SVM的滚动轴承故障诊断

针对滚动轴承振动信号故障难以识别的问题，创建一种应用改进鲸鱼优化算法（IWOA）优化支持向量机（SVM）的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取；其次，为改进鲸鱼优化算法，采取精英反向学习策略增强种群的广泛性，选用非线性因子并加入随机扰动策略增强探索能力；通过4组基准测试函数，将IWOA与4种优化算法对照分析，验证了此改进算法的优越性；最后，将SVM的惩罚参数和核函数参数放入IWOA中，构建IWOA-SVM故障分类模型。故障诊断的结果表明，用IWOA-SVM分类模型在故障诊断中拥有更好的效果，准确率达到100%。     

基于最小二乘映射和SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的早期非平稳微弱故障信号特征提取困难、特征参量分辨率低、早期故障诊断困难等问题,提出了一种基于最小二乘映射(LSM)的故障特征参量优化和支持向量机(SVM)的故障诊断方法。首先计算出能够反映滚动轴承状态的无量纲时域特征参量;其次通过LSM理论进行优化计算出来的无量纲时域特征参量,构建高敏感度的特征参量;最后将通过敏感度识别因子指数(DI)选取优化过的特征参量作为样本输入到SVM中进行诊断,通过逐次推理诊断出轴承故障类型。实验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。     

基于假设检验和支持向量机的旋转机械故障诊断方法

针对旋转机械故障诊断中存在的早期非平稳微弱故障信号特征提取困难、故障诊断不准确等问题,提出了一种基于自适应假设检验滤波和支持向量机（SVM）的故障诊断方法。该方法采用统计学假设检验原理来评估参考信号(噪声信号)和原始信号(故障信号)在频域上的相似性,删除具有高相似性的频域成分;通过粒子群优化算法获得最佳的显著性水平α;定义评估因子Ipq来评价假设检验滤波的效果。最后通过SVM来逐次诊断轴系构造异常。验证结果表明该方法能够有效地诊断出传动轴不对中和不平衡的故障类型。     

基于AVMD与SMA-SVM的滚动轴承故障诊断

现实工程中难以获得大量轴承故障样本,因此大多采用支持向量机进行分类,而传统的智能优化算法优化支持向量机,容易陷入局部最优解,寻优时间长,并且需要人为干预。本文提出了一种自适应变分模态分解（adaptive variational modal decomposition,AVMD）与黏菌算法(slime mould algorithm,SMA),对支持向量机（support vector machine,SVM）进行智能优化的故障诊断方法,用更合理的惩罚参数与核参数使构建的SMA-SVM模型对小样本数据进行快速准确分类。该方法首先利用AVMD方法对故障信号进行分解,然后计算各IMF分量的样本熵作为特征向量,最后将特征向量输入到所提出的SMA-SVM模型中进行故障识别。并将其与以往传统的优化算法,如遗传算法、粒子群算法的优化支持向量机等故障诊断方式相比较。结果表明,所提出的故障识别方法准确率高,并且缩短了寻优时间,相较于其他方法展现了其优越性,该方法可有效用于轴承的故障诊断。