基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

基于自适应紧框架学习的轴承故障诊断

轴承是工业生产设备中最关键的零部件之一,其运行状态直接影响到整个机器或系统的运行.针对传统多尺度变换特征无法自适应解决故障诊断问题,提出一种基于自适应紧框架学习的故障诊断方法.针对过完备字典各原子具有明显的相关性,影响故障信号的重建效果,在含噪条件下通过学习构造紧框架,它既可以对轴承故障信号进行有效的自适应描述,又能完...     

基于Hilbert-Huang变换的电力变压器铁心压紧力监测方法

利用Hilbert-Huang变换对信号的自适应特性,提出一种基于振动法的电力变压器铁心压紧力在线监测方法。通过对铁心振动信号进行经验模式分解(EEMD),得到一组特征模式函数(IMFs),根据铁心振动特性确定出反映压紧力变化的IMFs,计算IMFs的瞬时频率和时频能量分布,用瞬时频率和时频能量分布构建能够表述铁心压紧力的特征矢量,经距离算法计算特征矢量的长度值,实现铁心压紧力变化的在线监测。实验结果表明,由Hilbert-Huang变换得到的铁心振动时频能量分布具有明确的物理意义,提出的特征矢量和距离算法能够有效反映铁心在不同压紧力状况下的振动特性,为电力变压器的振动在线状态监测与故障诊断奠定了良好的基础。     

大型变压器设备绕组变形故障诊断技术

变压器组作为输变电系统的核心设备,使用科学有效的方式对变压器进行故障诊断,不仅可以及时了解和掌握变压器的运行状态,而且还可以有效降低故障发生概率,最大限度的确保电网运行的安全性和可靠性.因此,本文对变压器设备绕组变形故障诊断技术进行设计研究,试图为之提供行之有效的可行性建议.     

电力变压器故障诊断的研究

随着电力的大规模生产,电力设备的功能越来越完善,自动化程度也越来越高,为保证电力系统安全、经济、稳定运行,电力设备的故障诊断越来越重要。本文笔者对电力变压器故障诊断进行了研究。     

基于小波神经网络的电力变压器故障诊断

电力变压器是电力系统中的重要组成部件,它的性能是否优越直接影响着整个电力系统的可靠安全运行。特别是对于高压电气设备而言,如何能够快速、正确的寻找并解决电力变压器发生的以及潜在的故障非常重要。本文以神经网络原理为基础,结合小波分析方法,研究电力变压器的故障诊断问题。     

混合特征驱动的滚动轴承智能故障诊断方法

针对采用传统特征指标进行故障诊断准确率较低的问题,提出了一种基于混合标度律特征和改进支持向量机的滚动轴承智能故障诊断方法。首先,利用超阶分析得到指示故障的标度律指标,并将其与常规特征指标相结合构造混合特征指标矩阵,提升特征指标对故障的区分度。其次,采用支持向量机(support vector machines, SVM)对构造的混合特征矩阵进行分类,利用粒子群优化算法对SVM中重要参数进行优化。最后,利用滚动轴承试验台对提出的滚动轴承智能故障诊断方法进行验证。结果表明,与常规特征相比,利用构造混合特征指标得到的训练准确率提高了13%,测试准确率提高了23%。所提方法不仅能识别不同故障类型,而且能对同一故障不同损伤程度进行识别,有望进一步实现滚动轴承故障定量诊断。     

基于脚步诱发结构振动的人员特征身份识别研究

身份识别是安防领域一项重要工作,目前生物特征识别方法主要利用静态生理特征,利用脚步振动信号进行身份识别研究相对较少,本文提出利用行走过程中脚步诱发结构振动信号的差异性来识别人员。基于能量阈值法检测脚步事件与非脚步事件,对不同测试人员单一脚步事件在时域、频域方面共16个脚步特征参数进行了对比分析,研究发现可以将不同特征组合下参数差异性作为身份识别的依据。为了验证方法的有效性,采用支持向量机(support vector machine, SVM)作为分类工具,测试人数为10人数据样本500个情况下,选用16个脚步特征参数平均识别率为79.21%;采用皮尔逊相关系数法筛选出彼此不相关的10个脚步特征参数平均识别率为91%,相比于采用16个脚步特征参数平均识别率提高了11.79%;对比了在不同SVM核函数下分类工具对选取的10个脚步特征参数平均识别率的影响,结果采用线性核函数下平均识别率最高达到96%。结果表明,有效的脚步特征参数组合适用于小样本下的身份识别。     

基于SVM的彩色扫描仪特征化

研究了基于支持向量机(SVM)的彩色扫描仪特征化方法,分析了采用SVM回归法实现RGB色空间与CIELab色空间非线性变换的可能性。研究结果表明:L,a,b测试值与预期值的回归相关性达到99%以上,其中CIELab色差平均值、最大值和最小值分别为2.314 3,5.791 7和0.507 3;利用SVM回归法可满足扫描仪特征化的精度要求,体现了SVM在小样本拟合中的精度和时间优势。     

轴向预紧力对变压器绕组振动特性的影响

研究不同预紧力下变压器绕组的振动特性,对所研究的220kN变压器的高低压绕组线圈通过振动实验和基于ANSYS的有限元分析两种不同方法来找出预紧力与变压器绕组振动的关系.     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于进化蒙特卡洛方法的特征选择在机械故障诊断中的应用

特征选择可以从原始特征集中去除冗余特征,选择出优化特征子集,提高机械故障诊断精度和诊断效率。将进化蒙特卡洛方法引入机械故障诊断的特征选择。应用支持向量机(SVM)作为故障决策器,采用Wrapper式特征子集评价标准,并采用进化蒙特卡洛算法搜索最优特征子集。运用滚动轴承故障振动信号数据对提出的方法进行验证,实验结果表明该方法是有效的。     

基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。     

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。     

基于谱相关密度切片分析和SVM的滚动轴承故障诊断

为了对旋转机械中的滚动轴承进行故障分析,针对滚动轴承具有二阶循环平稳的特点,采用了谱相关密度组合切片分析方法进行特征提取,并将提取的特征作为输入向量,用"一对其他"多分类支持向量机进行故障识别,给出了基于谱相关密度组合切片分析和多类支持向量机的滚动轴承故障诊断流程图,该方法具有较高的计算效率和估计精度。最后通过对实验数据的分析与处理,验证了该方法在滚动轴承故障诊断中的可行性和实用价值。     

改进FSVM在发动机振动故障融合分析中的应用

摘 要：对模糊支持向量机中的传统隶属度确定函数进行了改进,得到了紧密度隶属函数的模糊隶属度确定方法;针对航空发动机整机振动中多类故障诊断的特点,引入模糊隶属度函数建立了更有效地FSVM融合诊断的数学模型,并将该模型应用到航空发动机整机振动故障诊断中。计算结果显示：该方法不但具有较高的正确诊断率,而且也具有很强的抗噪声能力,从而为航空发动机整机振动故障分析提供了一种新方法。     

基于定子振动特征的转子绕组短路故障识别

分析了汽轮发电机转子绕组匝间短路故障和转子不平衡故障时定、转子径向振动特征。当转子绕组匝间短路故障发生时,转子基频振动增加,定子二倍频振动减小;当转子不平衡故障发生时,转子基频振动增加,定子二倍频振动增加,不同于转子绕组匝间短路故障时的定子振动特征。在此基础上提出了基于定子振动信号的转子绕组匝间短路故障识别方法,与传统的单纯利用转子振动信号的诊断模型相比,可有效识别转子绕组匝间短路故障和转子不平衡故障。最后实测了SDF-9型故障模拟发电机定、转子径向振动信号,与理论分析结果基本吻合。     

基于声成像模式识别的故障诊断方法研究

利用非接触式声学故障诊断技术的工作优点,发展了基于支持向量机的声成像模式识别技术,并引入到故障诊断领域。针对某种机械故障特点,在利用波束形成算法得到声像进行噪声源识别与定位的基础上,对声像进行图像处理,提取声像的纹理特征和奇异值特征,采用支持向量机进行训练分类,进而用于机械工作状态的诊断。通过仿真及实验,得到了较好的诊断效果,表明基于声像的图像特征提取技术在结合支持向量机后可应用于机械故障诊断,为声成像方法在故障诊断领域的应用提供参考。     

基于水电机组运行工况的水轮机压力脉动诊断策略

水轮机压力脉动是水电机组运行过程中不可避免的现象,准确地识别和定量诊断脉动状态对机组高效稳定运行尤为重要。为此,本文提出了基于水电机组运行工况的水轮机压力脉动诊断策略,以水电机组实际运行工况为切入点,通过分析工况参数与压力脉动的非线性相关关系,得到影响压力脉动的主要相关工况参数,提取了融合机组运行工况参数与脉动幅值特性的特征向量,并利用支持向量机(SVM)与极限学习机（ELM）两种诊断方法进行脉动状态定性诊断。研究压力脉动幅值历史统计规律,提出了脉动状态对机组劣化程度的模糊评估函数,反演了定性诊断结果与机组健康状态的映射关系,实现压力脉动的定量诊断。实例验证表明,相对于仅基于脉动幅值的诊断策略而言,该方法诊断准确率更高,定量诊断指标可靠有效。这为水电机组安全稳定运行提供技术保障。     

基于振动图像纹理特征识别的轴承故障程度诊断方法研究

针对轴承故障诊断中故障分类研究多,故障程度研究少,振动图像信息丰富得不到充分利用问题,提出利用振动图像纹理特征识别技术进行轴承故障程度诊断方法。该方法先对轴承振动响应信号进行EMD-形态差值滤波处理,后将滤波后信号转换为双谱等高线图,利用灰度三角共生矩阵得到双谱图形纹理特征,应用主成份分析法从纹理特征参数中提取轴承故障程度特征参量,用支持向量机进行模式识别。实验结果表明该方法能有效区别轴承外圈、内圈及内外圈的故障严重程度,可为旋转机械故障程度诊断提供新方法。