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PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

基于VMD和PSO-SVM的汽车传动轴系故障诊断

针对传动轴系振动信号故障特征难以提取的问题和进行故障诊断时难以获得大量故障样本的实际情况,提出了一种基于VMD和PSO-SVM相结合的传动轴系故障诊断方法。首先,将传动轴系振动信号进行VMD分解,得到本征模态函数IMF;然后,计算IMF的能量值和对应的能量熵值;最后,用粒子群优化(PSO)优化支持向量机(SVM)的参数,并将归一化处理后IMF的能量值及能量熵值作为特征向量,输入到PSO-SVM中来判断传动轴系的工作状态和故障类型。实验结果表明,该方法故障诊断准确率达到94. 44%,可以准确、有效地对传动轴系进行故障诊断。     

基于K-L散度与PSO-SVM的齿轮故障诊断

针对表征齿轮故障信号特征难提取及支持向量机结构参数基于经验选取,致使故障状态识别精度差的问题,提出了一种基于K-L散度与PSO-SVM的齿轮故障诊断方法。首先,用经验模式分解(EMD)将齿轮振动信号筛分为多个本征模式分量(IMF);然后,选取包含有信号主要特征的IMF并求其与无故障原信号的K-L散度值;其次,利用粒子群算法(PSO)优化支持向量机(SVM)的惩罚系数和高斯核宽度系数两个结构参数,在此基础上建立齿轮故障分类模型;并利用实验齿轮数据验证方法的有效性,结果表明,与TF-SVM、TF-PSO-SVM、K-L-SVM方法相比,基于K-L散度与PSOSVM的齿轮故障诊断方法具有更高的精度。     

DBN与PSO-SVM的滚动轴承故障诊断

针对如何提高轴承故障诊断的准确率和算法训练的效率问题,提出了一种深度信念网络(DBN)与粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。首先,求出信号的时频特征统计量,其次,利用DBN对时频特征统计量进行特征提取,最后,利用PSO-SVM进行分类。实验结果表明:相比于直接用PSO-SVM进行分类,该方法不仅准确率更高,而且算法训练的时间大大缩短了,提高了滚动轴承故障诊断的准确率和效率。     

基于遗传算法的电力变压器故障诊断研究

详细设计了一种电力变压器自动检测方法。首先研究了电力变压器故障分层诊断模型,然后阐述了基于油中溶解气体分析的变压器故障诊断国内外研究现状,最后就基于遗传算法和线性决策树的变压器绝缘故障诊断模型进行了深入的探讨,具有一定的参考价值。     

基于BP网络的变压器故障诊断研究

电力变压器是电力系统中最重要的设备,为了确保电力系统的安全性和可靠性,需要对变压器进行故障诊断,以使变压器能够正常运行。结合BP神经网络建立了变压器故障诊断模型,通过一系列仿真确定了5-12-5的网络模型;训练了该网络模型,将训练后的模型用于变压器的故障诊断。由诊断结果看出,该模型具有较高的收敛度和故障诊断准确度。     

基于概率神经网络的变压器故障诊断研究

概率神经网络(Probabilistic Neural Network)的结构简单、训练简洁,具有非常强大的非线性能力,具有较强的容错能力,充分利用故障先验知识,将诊断错误带来的损失降到最小。根据PNN理论,在MATLAB中建立一个简化的变压器的故障诊断系统,根据收集到的变压器故障实例数据进行了分析与仿真,仿真结果表明,概率神经网络在变压器故障诊断的问题中是可行的,应用前景非常广泛。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

基于ITD与PSO-SVM的供输弹系统故障诊断

针对采集的供输弹系统测试信号成分复杂,故障难以识别问题,提出一种基于固有时间尺度分解(ITD)与粒子群优化支持向量机(PSO-SVM)的供输弹系统故障诊断方法。首先在时域内使用ITD方法对信号进行分解,对分解产生的分量进行相关系数计算,然后选取与原始信号相关系数大的前5层分量进一步验证在频域内ITD方法的有效性,在频域内提取前5层分量的样本熵值,最后将提取的样本熵值用PSO-SVM对供输弹系统故障进行故障诊断,并与支持向量机(SVM)的诊断结果进行对比,结果表明:PSO-SVM相对于SVM可以提高故障诊断的正确率,正确率高达92.31%。     

基于粗糙集理论的变压器故障诊断专家系统研究

在传统的变压器故障诊断专家系统的基础上 ,引入粗糙集理论以解决专家系统较难获取完备知识的瓶颈问题。该系统从历史故障数据所形成的决策表出发 ,运用粗糙集理论进行约简 ,构建专家系统知识库模型。通过计算规则隶属粗糙度 ,来表示诊断规则的置信程度。利用推理机和故障事例库 ,实现对知识库的动态维护。     

基于模糊神经网络的电力变压器故障诊断研究

将模糊控制和神经网络理论相结合,通过遗传算法对其参数进行优化,有效地解决了常规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,实例仿真结果表明该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性。     

基于粗糙集理论的电力变压器故障诊断研究

粗糙集理论是一种较新的数据处理工具，可以有效地分析和处理不完备信息。运用粗糙集理论研究了因各种复杂因素造成的不完备信号模式下电力变压器故障诊断的方法。该方法利用油色谱分析得到的各种气体浓度百分比作为故障分类的条件属性集，考虑各种故障情况，建立决策表。利用决策表的约简方法进行化简，区分关键信号与冗余信号，导出故障诊断规则，从而达到不完备信号模式下快速准确地故障诊断的目的。通过实际应用表明，该方法简单、有效、具有良好的容错性能。     

基于数据挖掘的变压器故障诊断和预测研究

作为电力系统日常工作的重要保障基础变压器在整个系统当中发挥着十分重要的作用。一旦变压器出现故障不仅仅会影响电力系统的正常化运行,同时也将带来了严重的经济损失,这将会直接导致负面社会效益的出现。为了防止上述情况出现就需要对变压器故障诊断工作进行落实,针对故障点构建出预见性防护方案。本文对基于数据挖掘的变压器故障诊断进行了分析,提出了一系列观点,供以参考。     

基于混合域特征集与PSO-SVM的滚动轴承故障诊断方法

针对单一或单域特征难以全面反映设备零部件运行状态的问题,提出了一种基于混合域特征集与粒子群优化支持向量机(Particle Swarm Optimization Support Vector Machine,PSO-SVM)的滚动轴承早期故障诊断方法。首先,分别采用基于时域、频域以及时频域的信号处理方法进行特征提取;然后将提取到的特征指标进行有机结合,构建混合域特征集;最后将混合域特征集输入粒子群优化支持向量机中实现滚动轴承早期故障的诊断。通过对凯斯西储大学轴承故障诊断实验数据进行验证,结果表明该方法在轴承故障诊断中具有精确性与稳定性。     

变压器故障诊断研究综述

变压器故障诊断可指导制定合适的检修策略,保障电网安全可靠运行.数字电网建设将推动变压器状态监测数据的爆发式增长,给变压器故障分析与诊断带来重大机遇与挑战.阐述了变压器状态监测技术的发展,论述了变压器故障诊断过程中的数据清洗、监测参量预测和故障诊断研究现状,继而指出变压器故障诊断技术发展需解决的几个问题.开展变压器故障诊断分析与研究,对于进一步提升变压器故障诊断的高效性和准确性具有十分重要的意义.