基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用对水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本,通过训练,使最小二乘支持向量机能够反映特征向量和故障类型的映射关系,在完成局部诊断后再实现决策信息融合,从而达到故障诊断的目的。以水电机组振动故障诊断为例,进行了应用检验。结果表明,与常规方法相比,最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点,适合水电机组振动故障的诊断。     

基于粗糙集和支持向量机的水电机组振动故障诊断

提出应用粗糙集和支持向量机水电机组振动的故障诊断模型.运用粗糙集理论对水电机组振动信号的属性特征进行预处理,在约简去除其冗余属性后得到决策表,将决策表作为支持向量机的学习样本,通过训练,使构建的支持向量机多分类器能够反映属性特征和故障类型的映射关系,从而达到故障诊断的目的.测试结果表明,与常规方法相比,应用粗糙集和支持向量机相结合的方法进行故障诊断具有简单有效、诊断速度快和良好的鲁棒性等优点,是一种有效的诊断方法.     

基于小波包分析和支持向量机的水电机组振动故障诊断研究

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。     

基于开机过程信息融合的水电机组故障诊断方法

为保证水电机组运行的可靠性,通常采用基于振动频率分析的故障诊断技术。但是水电机组故障类型间存在重叠的频率特征,仅凭频率分析不易确定故障类型。因此,文中采用信息融合技术,引入开机过程中的时间和空间特征信息,在特征层采用支持向量机作为信息融合手段,在决策层采用D-S证据理论进行信息融合。实验结果表明,信息融合增加了故障诊断的特征信息,提高了故障诊断系统的诊断能力。     

基于多分类相关向量机的水电机组振动故障诊断

水电机组振动故障成因与故障征兆之间呈复杂的非线性关系,传统方法难以描述。当前研究常采用模式识别方法,如支持向量机、神经网络等实现振动故障诊断。该文在现有研究基础上,引进相关向量机(relevance vector machine,RVM)对诊断过程进行改进。相比传统方法,该文所提方法在学习过程中参数设置简单,在输出结果时给出了分类的可靠性,适合实际工程应用。同时,该方法在决策过程中,能够根据训练数据分布情况,自动选取决策结构,进一步提高诊断的速度与准确性。将该文所提诊断方法用于水电机组振动故障诊断实例,取得良好效果,验证了算法的有效性。     

基于熵权理论和信息融合技术的水电机组振动故障诊断

应用熵权、灰色关联分析和信息融合技术对水轮发电机组振动故障进行诊断。以水电机组振动信号的频域特征和时域振幅特征为诊断样本,使用基于熵权的灰色关联分析方法进行水电机组振动故障的初步诊断,然后应用证据融合理论对不同证据进行决策信息融合,从而得出最终的诊断结果。诊断实例表明,基于熵权的灰色关联分析和信息融合技术相结合的方法是有效的,适合于水电机组的振动故障诊断。     

水电机组振动故障的信息融合诊断与仿真研究

引起水电机组振动的原因复杂,目前主要是通过转速试验、负荷试验和励磁试验等试验手段来判别机组的振动故障.该文将多传感器信息融合方法引入水电机组振动故障诊断中,通过分析机组振动的频率特征,建立了振动故障的融合诊断识别框架,并模拟机组各部位的振动信号,采用小波分析和傅立叶变换进行预处理,提取信号的子带能量特征,应用信息融合方法进行了仿真诊断.结果表明,基于信息融合的故障诊断能充分利用机组各部位的信息,可以减少诊断的不确定性,从而有效地提高诊断的可靠性.     

基于鲁棒最小二乘支持向量机的电机振动故障诊断

对时序数据建模与辨识技术进行了分析，提出了使用鲁棒最小二乘支持向量机(LS-SVM)算法建立自回归移动平均(ARMA)时序预测模型。该模型是在LS-SVM的约束条件中考虑了鲁棒特性和时序模型参数，使之在求解的过程中对孤立点与噪声不敏感，并且能准确地辨识时序模型参数。考虑到电机振动故障诊断的输入输出数据集间存在着复杂非线性时序上的关系，通过用基于鲁棒LS-SVM的ARMA模型预报电机的振动值，从而预测电机振动故障。实验表明该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性，为确保电机正常运行创造了良好条件。     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

基于最小二乘支持向量机的变压器故障诊断

介绍了一种基于最小二乘支持向量机(LS-SVM)的电力变压器故障诊断方法,将样本数据进行归一化处理,以绝缘油中特征气体种类及其含量为依据建立变压器故障诊断LS-SVM模型,对模型中的核参数σ与惩罚参数C进行优化,并将测试样本输入训练好的LS-SVM模型,得到诊断结果。实例结果分析表明,LS-SVM将原先的非线性问题转化为求解线性问题,即使在小训练样本的前提下,也能获得更为准确的诊断结果。     

基于广义S变换和QPSO-SVM的水电机组振动故障诊断方法

提出一套完整的水电机组振动故障模式识别方法。首先,基于广义S变换提出一种能反映频谱特性的频带能量谱特征向量提取方法,并对其进行归一化处理后作为诊断模型的输入变量;然后,在分析量子粒子群算法（QPSO）和支持向量机算法（SVM）的基础上,利用QPSO算法对SVM算法中的核函数参数g和惩罚系数C进行寻优以提高SVM算法模型的诊断精度,提出一种基于QPSO-SVM算法的故障分类方法;最后,通过对比仿真和实例应用表明,该方法具有学习能力强、诊断精度高、鲁棒性好等优点,是一种有效的方法。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于最小二乘支持向量机回归的HHT在水轮发电机组故障诊断中的应用

水轮发电机组的故障表现为振动信号中出现异常频率成分,Hilbert-Huang变换可自适应地将这种频率成分提取出来并形成时频谱。但变换过程中,当两侧端点不为极值点时,会造成三次样条拟合的极值包络线偏离实际值,并且随着分解的不断进行向内“污染”。提出基于最小二乘支持向量机回归的Hilbert-Huang变换,该方法采用最小二乘支持向量机回归的方法对原信号两端进行拓延,得到附加的极值点,再利用三次样条插值的方法得到上、下包络线,实现了准确的EMD分解。将改进后的Hilbert-Huang变化应用于水轮发电机组故障诊断中,结果表明,该方法有效抑制了端点效应,实现了故障的准确识别。     

基于信息融合技术的旋转机械故障诊断

对多传感器信息融合技术作了简要介绍,并结合旋转机械振动故障诊断系统的要求与特点,探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功级相对应,提出了旋转机械振动故障诊断的信息融合模型,神经网络和证据理论相结合应用于故障诊断的新方法,提高了故障诊断系统的灵活性,故障诊断的效率和准确性。     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。