基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3〖WTB4〗%〖WTBZ〗,证明了所提方法具有较高的准确度和有效性。     

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法.通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function,PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警.实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度.     

基于CEEMDAN与样本熵的高压断路器机械故障诊断

依据高压断路器振动信号特性,提出一种自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与样本熵相结合的高压断路器故障特征提取方法。首先利用CEEMDAN将分闸振动信号分解成一系列内禀模态函数(intrinsic mode function,IMF),然后利用相关系数法与归一化能量筛选包含信号主要特征信息的前7阶IMF分量,求取其样本熵作为特征量,最后采用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)分类器,对断路器不同故障类型进行分类识别。实验结果表明该特征提取方法能准确提取振动信号特征量,输入PSO-SVM诊断高压断路器故障能取得良好的效果。     

基于LCD-Hilbert谱奇异值和多级支持向量机的配电网故障识别方法

准确识别故障类型是配电网故障处理的首要任务。提出了一种基于时频矩阵奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障识别方法。利用局部特征尺度分解法(LCD)、Hilbert变换以及带通滤波算法,构造配电网母线电压、主变低压侧进线电流等波形的时频矩阵,对其进行奇异值分解以获取波形奇异谱,提取相应奇异谱的分布参数(如反映奇异值大小的奇异谱均值、反映信号复杂程度的奇异熵等)作为特征向量。将特征向量输入基于多级SVM的分类器以实现故障识别。各类典型工况下的仿真和实验结果表明该识别方法的正确率均90%,可实现对各类不同故障的有效辨识,且具有很强的适应性和实用性。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于改进多尺度散布熵的电机典型故障信号诊断

为了提高电机振动信号的特征提取能力,设计基于改进多尺度散布熵的电机故障信号诊断方法。构建了改进多尺度散布熵(IMDE)算法来提取特征参数,以PSO优化SVM分类器完成故障的分类过程。研究结果表明:SVM相对ANN与k-NN获得了更高的分类精度,实现了SVM分类性能的显著提升,PSO-SVM的准确率能够达到100%,具备更优分类性能。设计了一种可以只提供少量训练样本的条件下实现100%准确率,能够获得比其它传统故障分析方法更优结果。     

基于 HHO参数优化的SVM 变压器故障诊断方法研究∗

为了提高变电信息系统中变压器故障诊断的准确率,针对变压器故障样本较少,采用类内类间距离的可分性测度和相关性分析法确定关键特征向量,将特征向量作为支持向量机的输入样本,建立 SVM 故障分类模型.分析了哈里斯鹰优化算法 (HHO)和粒子群算法 (PSO)的优缺点,提出了基于哈里斯鹰优化算法 HHO 优化支持向量机 SVM 模型的参数.最后,通过真实变压器故障数据进行实验仿真,结果表明所提出的变电站故障诊断方法能够有效识别故障类型,具有较高的准确率和收敛速度.     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于VMD去噪及多尺度模糊熵的管道小泄漏研究

针对天然气管道微小泄漏信号的特征在单一尺度上难以全面提取的问题,提出一种基于变分模态分解(VMD)与多尺度模糊熵(MFE)结合的管道小泄漏信号识别方法.首先使用VMD算法对管道负压波信号进行降噪处理,通过欧氏距离(ED)法评估确定VMD分解的有效模态并对其进行重构,以重构信号信噪比最高原则确定VMD分解的模态个数;将多尺度模糊熵作为故障特征值向量,最后用支持向量机对特征值向量进行分类识别.实验结果表明:该方法对管道信号状态整体识别率达99.33％,证明了该方法总体识别效果较好,可实现对管道小泄漏信号的准确识别.     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

基于ICEEMDAN多尺度模糊熵和MVO-KELM的变压器绕组铁心机械故障诊断

针对变压器绕组铁心机械故障诊断精度不足的问题,提出了一种基于改进自适应白噪声完整集成经验模态分解(ICEEMDAN)多尺度模糊熵(MFE)和多元宇宙优化算法优化核极限学习机(MVO-KELM)的变压器绕组铁心机械故障诊断方法。首先,为了避免虚假模态分量的产生,采用改进的ICEEMDAN对变压器原始振动信号进行分解。其次,利用Pearson相关系数法选取相关性最高的模态分量,并计算其MFE值。然后,将MFE值作为特征量构建特征数据集,并利用MVO优化KELM的核参数和正则化系数。最后,将特征数据集输入所建MVO-KELM模型进行分类识别,实现高准确率诊断目标。试验结果表明,所提方法具有优秀的诊断精度和稳定性,能够精确诊断变压器绕组铁心不同松动程度的故障,诊断准确率达到了99%以上,可为变压器现场检修策略的制定提供一定的指导。     

基于特征判定系数的CSO-SVM的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和特征熵权法（EWM）进行故障诊断的方法。通过相关系数加权峭度（CCWK）原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数（FDC）实现单一数据诊断变压器故障类型;通过主成分分析法（PCA）减小混合域特征尺度,采用鸡群优化算法（CSO）优化支持向量机（SVM）模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络（PNN）和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。     

基于细菌觅食算法优化的电力变压器故障诊断技术

针对支持向量机(SVM)分类性能受参数影响,且最优参数难以获取这一问题,提出一种基于细菌觅食算法(BFA)的电力变压器故障诊断模型的参数寻优方法。该方法以电力变压器油中特征气体含量作为状态评价样本,通过BFA寻找全局最优SVM参数解,构建k-折平均分类准确率目标函数,建立变压器故障诊断模型。仿真结果表明,BFA对SVM最优参数的选取较遗传算法(GA)、粒子群算法(PSO)更迅速,且优化后的SVM电力变压器故障诊断模型具有更高的精确度;利用BFA优化方法建立的SVM电力变压器状态诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。最后,通过实例分析,验证了方法的有效性。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。