基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

基于全信息小波包和支持向量机的旋转机械故障诊断

针对传统旋转机械单通道故障诊断的信息不完整以及缺少故障样本等问题,提出了基于全信息小波包和支持向量机的旋转机械故障诊断方法.运用小波包频道能量分解技术提取了全信息能量特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对设备工作状态进行自动识别和诊断.实验研究表明:基于全信息小波包和支持向量机的故障诊断方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,显著提高了故障诊断的准确率.     

基于主成分分析与支持向量机的汽轮机故障诊断

汽轮机故障诊断的一大难题是故障样本的缺乏,由于支持向量机针对小样本情况能取得很好的效果,为此,提出基于主成分分析与支持向量机的故障诊断方法,首先采用主成分分析方法对汽轮机故障数据进行故障特征提取,将特征向量作为支持向量分类器的输入,按照汽轮机的故障类型训练分类函数.对于支持向量机参数的选取,提出了基于错分样本数的蚁群优化算法.在小样本情况下对汽轮发电机组故障诊断进行了仿真研究.结果表明,应用该算法可以正确且有效地诊断多类汽轮机故障.     

基于支持向量机的发动机磨损故障识别

针对发动机磨损故障识别问题,利用支持向量机(Support Vector Machine,SVM)的小样本训练学习的优势,建立基于SVM的发动机磨损故障识别方法,有效解决了困扰发动机油液分析故障诊断中小样本识别问题,为发动机故障诊断提供了一种新的途径.     

基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

基于支持向量机的船用低速柴油机换气系统的故障诊断

采用支持向量机对MAN BW 6S35ME-B9型船用低速柴油机在25%、50%、75%和90%工况下的热工参数进行故障诊断,通过真实热工参数和模拟故障的对比验证,证实了利用支持向量机进行故障诊断的可行性,通过与BP神经网络分类性能比较,说明支持向量机在故障分类中的优越性。     

大型风电机组电动变桨系统变桨角度故障诊断

为提高大型风电机组电动变桨系统变桨角度故障的判别准确性,结合模糊粗糙集特征量约简和基于粒子群算法优化的支持向量机进行变桨角度故障诊断分析研究。首先基于模糊粗糙集理论建立变桨系统特征参数约简的数学模型,通过对变桨相关运行数据进行约简,确定对故障诊断贡献率较高的参数;再利用实际运行数据训练经粒子群优化的支持向量机,从而获得高精度诊断模型;然后设计基于双层支持向量机的故障程度判别模型,可对故障进行进一步分类。最后通过实际运行数据对变桨角度故障进行诊断实验,实验结果表明,该诊断方法能准确快速地判别故障并可进行故障程度分类。     

基于人工蜂群算法优化支持向量机的燃气轮机故障诊断

针对基于SVM(支持向量机)的故障诊断方法中支持向量机的参数难以选取导致诊断结果较差的问题,采用ABC(人工蜂群算法)对支持向量机的惩罚因子C和核函数参数σ进行优化;并构建了ABC-SVM(人工蜂群优化支持向量机)对燃机涡轮叶片故障进行诊断。诊断实例表明,该方法诊断准确率达到96. 43%,具有很好的诊断效果,为燃气轮机故障诊断提供了一种新的方法,具有实际应用价值。     

基于深度学习的发电机故障挖掘方法研究

发电机工作环境复杂,发电机的涡轮叶片在燃烧的气体作用下高速转动,电机本身容易产生故障。通过对发电机故障特征数据的挖掘,可实现故障诊断。传统方法采用支持向量机SVM故障挖掘和分类算法,解决发电机故障检测的稳定性问题,但随着故障特征的增加,故障特征相似性增强,挖掘性能下降。提出一种基于深度学习支持向量机的发电机故障挖掘算法。对发电机故障挖掘原理进行描述,构建故障数据挖掘模型,采用深度学习支持向量机对故障特征进行数据分类处理,解决发电机故障数据的相似性干扰问题,提高了故障数据挖掘和分类性能,仿真实验表明,采用该算法进行发电机故障挖掘,通过深度学习,对故障数据的特征分类性能较好,提高故障诊断能力。     

基于支持向量机的柴电混合动力故障诊断研究

对柴电混合动力系统级故障诊断进行了研究,利用仿真软件搭建了实时整车模型,并构建了基于支持向量机的柴电混合动力系统的诊断框架.采用一对一方法构建多分类器,故障识别准确率达到98％.构建了柴电混合动力系统故障诊断实时仿真平台,进行了基于支持向量机的柴电混合动力系统故障诊断实时仿真,验证了实时环境下基于支持向量机诊断算法能有...     

基于K-L变换的支持向量机在汽轮机故障诊断中的应用

支持向量机应用于故障诊断是近年来研究的热点,在支持向量机算法的基础上,以汽轮机故障为例,引入了K-L变换对故障特征进行提取。结果表明,经K-L变换后的支持向量机算法能够保证故障信息的完整性,有效识别临界故障状态,提高了故障的分类精度,扩展了支持向量机的应用范畴。     

采用CSA优化LS-SVM的油浸式变压器故障诊断方法

提出了一种基于耦合模拟退火(CSA)优化最小二乘支持向量机(LS-SVM)的变压器故障诊断方法,该方法以变压器油中五种溶解气体含量为故障特征量,利用故障样本集结合CSA算法、k-折交叉验证来训练并优化一对一组合分类的LS-SvM模型,并将其应用于故障诊断分类。样本测试集验证表明,该方法可避免改良三比值法中编码缺失、编码...     

基于改进二叉树支持向量机的内燃机故障识别

为提高内燃机在强耦合、弱信号条件下的故障诊断精度,提出一种基于改进二叉树支持向量机(SVM)的内燃机故障诊断方法.首先对样本的可分性测度进行重新定义,以此训练出的支持向量机模型更大程度上减少了样本错分的可能性,通过对仿真数据的分类识别,验证了有效性.以BF4L1011F型内燃机为诊断对象,分别提取振动信号的数据域及图像域特征,对比不同多分类算法识别结果,所提方法表现出更高的识别准确率.     

基于多类支持向量机的变压器故障诊断模型

针对现有支持向量机诊断模型构造复杂、参数设计困难等问题,建立了基于多类支持向量机的变压器故障诊断模型,并提出一种实用的支持向量机参数寻优方法。该方法结合网格搜索,对训练样本进行分组交叉验证寻找给定范围内的最优参数,有效地解决了支持向量机的参数设计难题。实例计算表明,基于参数寻优建立的多类支持向量机模型在保证很高的故障分类正确率的同时,大大降低了二值支持向量机分层组合模型的构造及参数设计的复杂程度,具有很好的实用性和推广性。     

基于遗传算法优化支持向量机的船用柴油机气门漏气故障智能诊断方法

针对船用柴油机气阀漏气故障的问题,提出一种结合遗传算法（genetic algorithm,GA）与支持向量机（support vector machine,SVM）的船舶柴油机气阀漏气振动诊断方法,称之为遗传算法优化支持向量机（GA-SVM）。通过分析静态与动态工况下的缸盖振动信号,提取训练SVM特征参数,利用GA-SVM的惩罚因子与核函数参数对故障进行识别。试验结果表明,GA-SVM方法完善了SVM参数选取方法,可有效识别柴油机气门漏气故障。优化后的整体故障诊断准确率为99.333%,相比于未优化前的测试集,故障诊断正确率提高了约2%。     

基于提升小波包的离心泵故障诊断方法

为准确诊断离心泵的振动故障,提出了基于提升小波包和相关向量机的离心泵振动故障诊断方法.首先通过提升小波包方法快速提取各状态振动信号的分解系数能量、时域统计参数作为特征量.针对支持向量机稀疏性不高而导致诊断速度慢的问题,利用相关向量机实现分类诊断.研究结果表明,该方法能够有效地诊断离心泵的振动故障,诊断率达95.5％;与...     

基于支持向量机的凝汽器故障诊断研究

分析了凝汽器工作过程及故障机理,建立了凝汽器典型故障集、征兆集及典型故障特征向量集合.建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性.同时和神经网络方法对比后发现:在小样本情况下,采用支持向量机方法的计算结果比神经网络更优越,推广能力更强,而且效率高于神经网络.本方法针对故障诊断样本少的特点,为建立智能化的凝汽设备状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值.     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

一种用于三相整流装置故障诊断的方法

针对电力电子整流装置故障诊断方法中的故障特征提取和故障识别两个关键技术,提出一种基于主元分析和支持向量机相结合的三相整流装置故障诊断方法,首先对故障信号进行主元分析并提取相应的故障特征,然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明,该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,且算法简单,在解决电力电子电路故障问题上有很好的工程实用价值。     

基于RVM-ANFIS的燃气轮机气路故障诊断

为了提高燃气轮机气路故障诊断的准确率和效率,采用相关向量机(RVM)先对燃气轮机气路中的压气机、涡轮叶片和燃烧室进行故障划分。用自适应神经模糊推理系统(ANFIS)进一步对故障进行分类。实验结果表明,方法有很强的学习能力和特征提取能力,与支持向量机(SVM)、BP神经网络相比,能更加准确、快速地识别故障。