利用骨干微粒群算法和SVM诊断电机定子故障

为了实现感应电机定子匝间短路故障的准确识别,提出一种基于骨干微粒群算法和支持向量机(support vector machine,SVM)的故障诊断方法。根据故障电流信号的特点,提出一种基于骨干微粒群算法的基波滤除方法,用以消除基波分量对故障特征提取的影响。然后利用小波包频带能量分解技术,将残余电流信号的故障特征谐波分解到不同频带,形成感应电机运行状态的特征向量,并以此作为SVM的输入向量。采用SVM进行分类,并利用骨干微粒群算法和交叉检验优化模型参数,避免参数选择的盲目性。实验结果表明,该方法不但可以有效滤除基波分量,突出故障特征,而且能够在小样本情况下准确辨识感应电机定子匝间短路故障。     

采用BBPSO优化SVM的电机定子故障诊断

为了准确识别感应电机定子匝间短路故障,该文提出一种基于骨干微粒群算法优化支持向量机的故障诊断方法,并给出了可行的诊断步骤。该方法首先利用小波包频带能量分解技术,将定子电流信号的各频率分量分解到不同频带,形成感应电机运行状态的特征向量,并以此作为支持向量机的输入向量。采用支持向量机进行分类,并利用无需设置控制参数的骨干微粒群算法和交叉检验优化模型参数,避免了参数选择的盲目性。最后试验结果表明,该方法诊断感应电机定子匝间短路故障能取得良好的效果。     

基于骨干微粒群算法和支持向量机的电机转子断条故障诊断

为了准确识别感应电机转子断条故障,本文提出一种基于骨干微粒群算法和支持向量机的故障诊断新方法,并给出了可行的诊断步骤和分析。首先根据故障电流信号的特点,提出一种基于骨干微粒群算法的基波滤除方法,用以消除基波分量对故障特征的影响。然后利用小波包频带能量分解技术,将残余电流信号分解到不同频带,形成感应电机运行状态的特征向量,并以此作为支持向量机的输入向量。采用"一对一"向量机进行分类,并利用骨干微粒群算法和交叉检验优化支持向量机模型参数。最后实验结果表明,该方法诊断感应电机转子断条故障能取得良好的效果。     

ISSA优化SVM的电机滚动轴承故障诊断

针对电机轴承易发生故障，传统故障诊断方法具有耗时长、诊断精度低、调节参数多等问题，提出一种改进麻雀搜索算法ISSA优化支持向量机SVM的轴承故障诊断方法。该分类算法在传统麻雀寻优算法中引入改进Tent混沌映射、鸡群算法随机跟随策略、自适应t分布与动态选择策略，首先采用CEEMDAN能量熵对振动信号进行分解，选取与原信号相关性最大的5个IMF分量的能量熵值作为特征向量，然后输入到ISSA SVM分类器中进行轴承故障诊断。分别与PSO SVM、GWO SVM、SSA SVM分类模型进行实验对比，结果表明ISSA SVM诊断模型的诊断精度最高可达到100%。     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

结合经验模态分解能量总量法的断路器振动信号特征向量提取

为了检测出断路器的机械结构故障类型,本文分析了断路器机械振动信号的特性,提出基于经验模态分解(EMD)能量总量法与支持向量机(SVM)理论相结合的中压断路器振动信号的特征向量提取和故障分类的分析方法。首先将断路器的振动信号进行经验模态分解,得到所需要的内禀模态函数(IMF),通过离散采样点求能量总量的方法求出包含主要故障特征信息的各个内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,将测试样本信号的故障特征向量输入训练好的SVM,并对SVM及核函数参数进行遗传算法优化,采用"二叉树分类"支持向量机分类机制进行故障分类。经实验分析该方法能很好地识别出振动信号的差别及故障类型。     

基于AOA优化SVM的轴承故障诊断方法研究

为有效提高滚动轴承故障诊断准确率，提出了基于自适应噪声集合经验模态分解(CEEMDAN)气泡熵(BE)和支持向量机(SVM)相结合的轴承故障诊断方法。首先经CEEMDAN分解得到一系列本征模态函数(IMF)分量，然后筛选重要IMF分量计算其气泡熵值，构建故障特征向量并输入到经算术优化算法(AOA)优化的SVM模型中进行训练和轴承故障分类。结果表明该方法识别准确率高达992%，相比GA SVM准确率提升了28%，也能成功识别出滚动轴承单一故障与复合故障，可以用于轴承故障分类。     

基于相对小波能量的滚动轴承故障诊断

利用相对小波能量作为特征进行滚动轴承故障诊断.首先将滚动轴承振动信号进行离散小波分解,然后利用各频带的相对小波能量作为特征向量,使用支持向量机作为分类器对轴承故障进行分类.针对轴承内圈故障、滚动体故障、外圈故障3种故障及不同损伤程度的实测数据进行多种分类实验,实验结果表明利用相对小波能量作为滚动轴承故障诊断的特征非常有...     

IAO优化SVM的电机滚动轴承故障诊断

对于当前存在电机滚动轴承多种类型故障分类准确率不高的现象,提出一种改进天鹰优化算法（IAO）优化支持向量机（SVM）的电机滚动轴承故障诊断方法。首先,介绍了基本天鹰优化算法,然后引入Tent混沌映射和自适应权重对其改进,提高收敛速度,防止陷入局部最优;其次,对10种状态下的滚动轴承故障时域信号样本进行VMD分解,得到不同状态的时频域特征组成特征样本集。最后,利用IAO算法对支持向量机的惩罚参数(c)和核参数(g)进行优化,从而构建IAO-SVM滚动轴承故障诊断模型。最终结果表明,IAO-SVM诊断模型对电机滚动轴承10种状态下的故障诊断准确率最高达100%。     

基于改进粒子群算法与支持向量机的变压器状态评估

支持向量机(SVM)能较好地解决小样本、非线性特征的多分类问题,适用于电力变压器运行状态评佑,但参数选择时分类效果有着显著影响.利用改进的粒子群算法(PSO)对支持向量机(SVM)参数进行寻优,通过引入收敛因子、惯性因子动态化和自适应杜子变异三种方法对传统的PSO算法进行改进,从而获得最佳的分类模型.该模型以变压器油中...