基于有向无环图支持向量机的水轮发电机组故障诊断模型

提高水轮机组的状态监测与故障诊断系统的准确性和及时性,对电力系统的安全运行具有重大意义。针对神经网络收敛速度慢、容易陷入局部最优解等不足,提出了一种基于有向无环图支持向量机方法的水轮发电机组故障诊断方法。该方法能有效解决小样本、高维数、非线性等问题,从而能在较短的时间内准确地诊断故障。     

基于支持向量机和多源信息的直驱风力发电机组故障诊断

提出了一种综合考虑风速、转速以及主轴水平方向和垂直方向振动的时域特征参数、频域特征参数等多源信息的基于支持向量机(support vector machine,SVM)的直驱风力发电机组故障诊断方法。对直驱风电机组正常状态、风轮质量不平衡、风轮气动不平衡、偏航和断叶片等5种状态进行实验分析,研究不同状态下的机组特征。根据实验分析结论,将风电机组主轴水平方向、垂直方向振动的时域参数、频域参数以及风速、转速选为描述机组运行状态的特征参数,对机组进行故障识别。将风电机组5种状态下的特征参数作为学习样本,在SVM中训练,建立不同特征的参数向量和故障类型的映射关系,从而达到故障诊断的目的。根据风电机组不同故障的实验数据,对考虑多源信息的故障模型进行应用检验。结果表明,该方法简单有效,具有很好的故障识别能力和良好的鲁棒性,适合直驱风电机组故障诊断,同时可以满足在线故障诊断的要求。     

基于支持向量机的齿轮箱齿轮故障诊断

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机（SVM）网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性作为分量进行样本化学习,完成对齿轮故障样本的训练,使SVM具备分类功能.最后,采用SVM对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM作为一种故障诊断方法的实用性.     

基于支持向量机与知识的汽轮发电机组智能故障诊断研究

针对汽轮机组故障诊断效率与准确率不高的问题,把常见的18种振动故障划分为4类,利用支持向量机对振动信号的频谱进行故障类识别,实现故障的初诊断。对不同类故障建立不同的故障模式识别模型,采用特定的征兆群运用加权模糊逻辑进行知识推理诊断出具体故障模式。提出了故障原因、故障影响和故障处理措施在知识库中的查找方法,使得诊断过程更加细致全面。案例分析表明该方法是有效可行的,对汽轮发电机组智能故障诊断系统的设计具有借鉴意义和深入研究的价值。     

基于支持向量机的移动机器人故障诊断

某些移动机器人在人们无法到达的环境下工作,因此机器人应该具备自己诊断和处理故障的能力。本文研究移动机器人运行时正常状态和可能发生的故障状态,通过采集和记录其数据作为训练和测试数据,采用小波变换提取不同状态下的特征矢量,利用支持向量机(SVM)的方法对特征矢量分类,实现对移动机器人行进时的故障诊断。结果表明,小波变换提取特征矢量、支持向量机分类的方法对于移动机器人的故障诊断效果良好。     

基于支持向量机的逆变电源故障诊断

针对基于支持向量机的逆变电源故障诊断进行了研究。使用自行设计的变频电源模拟逆变器各种故障状态,分别采集了常态和各种故障状态下的电压信号,并进行波形和谐波分析。并在MATLAB中搭建了逆变电源的仿真电路用来验证实际电路实验。在电压波形和谐波分析的基础上,研究一种根据电压波形特征进行逆变电源故障诊断的方法,即采用支持向量机分类的方法对逆变器的故障状态进行分类。仿真实验和真实试验验证了基于支持向量机的逆变器故障诊断方法的有效性。     

基于粗糙集与支持向量机的变压器故障诊断

介绍了基于粗糙集理论(RS)和支持向量机(SVM)的变压器故障诊断方法,使用这种方法可提高训练速度和诊断准确率。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

基于支持向量机的某导弹自动驾驶仪故障诊断研究

基于支持向量机良好的分类性能,本文采用它对某导弹自动驾驶仪进行故障诊断,从仿真结果可以看出,诊断精度高,可以应用更加广泛的区域中.     

一种基于多类支持向量机的故障诊断算法

主要研究了多类支持向量机算法,及其在多类故障诊断问题中的运用.考虑到传统"一对一"算法和"一对多"算法的局限,提出了基于遗传算法的决策树支持向量机,利用遗传算法的全局随机搜索性能来构造决策树.根据样本数据的分布,遗传算法的适应度函数定义为两个子类集聚类中心之间的距离,使得在决策树的每一个节点最可分类别尽可能分开.通过对三个数据集进行仿真分析,表明该算法的性能优于两个传统算法,具有更高的推广能力,验证了算法的有效性.     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

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。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

支持向量机在模拟电路故障诊断中应用

支持向量机是建立在统计学习理论基础上的机器学习方法,结构简单,泛化能力强,对小样本分类具有良好的识别效果.本文提出了基于支持向量机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以支持向量机为基础的模拟电路故障诊断模型.并以双二次滤波电路为诊断实例,实验结果表明,该方法故障诊断准确率大于96.5%,优于传统方法.     

基于粗糙集与支持向量机的变压器故障诊断

提出了一种基于支持向量机、粗糙集和属性约简集选择的变压器故障诊断方法,以二值分类法为基础,构建了基于支持向量机的多值分类器。利用领域知识对变压器连续性色谱数据进行离散化,采用粗糙集进行约简,并用约简集选择算法提取其重要特征子集,建立特征气体比值与故障类型的映射关系,采用粒子群算法对支持向量机核参数进行优化,达到了故障诊断的目的。仿真结果表明,该方法对变压器故障诊断具有较高的诊断率。     

基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究

提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析,选择典型油中气体作为支持向量机输入参数,然后在深入发掘油中气体所含故障信息基础上,利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解,具有很好的推广能力及一致性等优点,还适用 于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率,该模型同时在相关性强的特征气体之间,利用K-近邻搜索聚类在最优分类面附近对分类结果进行精确逼近,使分层决策模型可靠性显著改善。计算结果表明,该模型具有很好的分类效果。     

基于K-L特征提取与支持向量机的油浸式变压器故障诊断模型研究

针对变压器多故障问题,提出了基于Mercer核函数的欧式距离查询策略算法,并建立了基于Karhunen-Loeve(K-L)特征提取与支持向量机的变压器故障诊断模型,利用K-L变换提取信号的特征值,最后通过支持向量机学习算法完成对信号的选择与分类。通过实例应用表明:所训练的SVM分类器较之直接任意选取训练样本作为训练集的传统方法具有更高的诊断率。     

基于多类支持向量机的变压器绝缘故障诊断

利用支持向量机进行故障诊断,提出了一种基于决策树的多类支持向量机,并在变压器绝缘故障诊断中检验了它的有效性。     

基于差分进化优化的支持向量机燃料电池故障诊断

质子交换膜燃料电池是一种多耦合非线性的复杂系统,电堆内部的水淹和膜干故障是其运行过程中最常见的故障.基于差分进化算法优化的支持向量机方法,可以用于燃料电池故障诊断,该方法在传统的支持向量机模型上增加了主成分提取和差分进化算法寻找最优参数,使模型得到更好的训练效果.采用电堆20片单电池电压为数据集进行相关的故障验证分析,结果表明:通过差分进化算法优化的支持向量机在燃料电池故障诊断中有着较高的准确度,具有一定的工程应用价值.