基于多策略ISOA优化SVM的变压器故障诊断研究

针对由支持向量机（SVM）参数难以确定而导致的变压器故障诊断精度低及海鸥优化算法（SOA）易陷入局部寻优的问题,提出一种多策略改进海鸥优化算法（ISOA）优化SVM的变压器故障诊断方法。首先,提出一种多策略的改进方法来全方面提升SOA的寻优性能;然后,利用ISOA对SVM内部参数进行优化,构建基于ISOASVM的变压器故障诊断模型;最后,将油中气体溶解分析（DGA）数据的特征提取结果输入到ISOA-SVM模型中进行变压器故障诊断。实例分析表明,所提ISOA-SVM模型诊断精度更优。     

基于Douglas-Peucker融合闵式距离的锂电池健康因子提取及SOH预测

针对锂离子电池的健康因子提取困难而导致电池健康状况(state of health,SOH)预测精度低的问题,提出一种基于Douglas-Peucker融合闵式距离的锂电池健康因子特征提取算法,并利用该算法对恒流恒压充电恒功率放电策略下的电池数据进行特征提取,进而实现对锂电池的SOH预测。首先对测量的实验数据建立特征工程,利用闵式距离建立评价指标,实现基于Douglas-Peucker算法的电池健康因子提取,进而得到34维健康因子。然后,针对所提取的健康因子,利用差分变异头脑风暴(difference-mutation brainstorm optimization,DBSO)算法进行寻优,剔除不相关和冗余的特征,避免模型过拟合,提高模型性能。最后,利用支持向量机(support vector machines,SVM)及其优化模型对所提取的健康因子进行电池SOH预测。实验结果表明,所建立的特征工程提取的健康因子在SVM各模型中拟合优度均超过0.96,其中DBSO-SVM模型的预测精度最高,预测效果最好,平均绝对值误差(mean square error,MSE)值低于3。结合不同充放...     

基于CEEMDAN与CBBO-SVM的汽轮机转子故障诊断研究

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于CEEMDAN(自适应噪声完备集合经验模态分解)和CBBO(混沌生物地理学优化算法)优化SVM(支持向量机)相结合的故障诊断方法。首先利用CEEMDAN对转子振动信号进行分解,提取PE(排列熵)作为故障特征值,并构造特征向量;其次将混沌理论引入到BBO(生物地理学优化算法)中,得到CBBO,通过CBBO优化SVM得到诊断模型的最优参数。最后通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性与先进性。结果表明:CBBO优化SVM模型可以准确、高效地对汽轮机转子进行故障诊断;与CPSO(混沌粒子群算法)优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于KPCA与IHHO-LSSVM的电力变压器故障诊断方法研究

为提高电力变压器故障识别精确度,提出基于核主成分分析(Kernel principal component analysis,KPCA)与改进哈里斯鹰算法(Improved Harris hawk algorithm,IHHO)优化最小二乘支持向量机(Least square support vector machine,LSSVM)的电力变压器故障诊断方法。首先,利用核主成分分析对变压器原始故障数据进行预处理,去除冗余数据;其次,结合Sigmoid变形函数以及点对称策略改进传统哈里斯鹰算法(HHO),并与HHO和遗传算法(Genetic algorithm,GA)进行性能对比,证明求解精度和网络收敛速度有所提升;最后,采用IHHO对LSSVM的相关超参数进行优化求解,获取KPCA与IHHO-LSSVM相结合的变压器故障诊断模型。结果表明所提模型的诊断精度为95.6%,同其他故障诊断模型相比分别提高了8.9%、16.7%,证明了所提方法能够有效地提升变压器故障诊断性能。     

基于特高频传感器的GIS局放信号监测装置及定位方法

GIS局部放电监测与局放源定位是预防绝缘事故的主要手段。针对目前定位方法存在的成本高、布线难等问题,提出一种基于特高频传感器的GIS局放监测装置与定位方法,通过在GIS本体和周围空间部署特高频传感器获取放电信号。利用特高频累积平均信号强度及特征相似度方法,排除空间放电信号的干扰,识别GIS内部局部放电信号。结合传感器与GIS的空间拓扑关系,根据特高频信号强度,实现放电源的定位。经现场应用,所提方法能够准确定位放电源位置,验证了该定位方法的可行性。     

基于改进二叉树支持向量机的内燃机故障识别

为提高内燃机在强耦合、弱信号条件下的故障诊断精度,提出一种基于改进二叉树支持向量机(SVM)的内燃机故障诊断方法.首先对样本的可分性测度进行重新定义,以此训练出的支持向量机模型更大程度上减少了样本错分的可能性,通过对仿真数据的分类识别,验证了有效性.以BF4L1011F型内燃机为诊断对象,分别提取振动信号的数据域及图像域特征,对比不同多分类算法识别结果,所提方法表现出更高的识别准确率.     

基于FCM和EO-SVM水轮机尾水管压力脉动特征识别

为有效识别水轮机尾水管压力脉动特征,提出了一种基于模糊C均值聚类、平衡优化器算法与支持向量机的识别方法。该方法首先采用平衡优化器算法优化SVM的惩罚因子和核函数以获得更好的SVM参数组合,构建EO-SVM识别模型以实现其在水轮机尾水管压力脉动特征识别中的应用。然后采用模糊C均值聚类算法将待分类的压力脉动特征进行初始聚类,将其分为四类,并依据聚类结果选择最靠近每类中心的样本作为EO-SVM模型的训练样本。将SVM和EO-SVM两种模型的识别分类结果进行比较,验证了所提EO-SVM模型的有效性。     

基于Borderline-SMOTE-IHT混合采样的改进GWO-SVM变压器故障诊断方法

针对变压器故障数据不均衡导致变压器故障诊断精度不高的问题,提出一种基于Borderline-SMOTEIHT混合采样的改进GWO-SVM变压器故障诊断方法。首先,利用Borderline-SMOTE算法选择最具代表性的边界样本生成少数类新样本,利用IHT算法剔除多数类中的噪声样本或边缘样本,增大类间特征的差异性。其次,基于差分进化思想,在灰狼算法中引入动态收敛因子和概率突变机制,对SVM模型中的惩罚因子和核参数进行优化,以提高算法的全局搜索能力和收敛精度。最后,通过实验对比分析,证明了所提方法的有效性。     

基于云PSO-SVM的汽轮机转子故障诊断研究

为提高汽轮机转子故障诊断的准确率和识别效率,提出基于云粒子群优化算法(CPSO)优化支持向量机(SVM)的故障诊断方法。首先利用补充总体平均经验模态分解(CEEMD)对转子振动信号进行分解,利用能量法筛选出更为有效的固有模态分量(IMF)并计算对应的排列熵(PE)作为故障特征值;其次将云理论引入到粒子群优化算法(PSO)中得到CPSO算法,通过CPSO算法优化SVM得到诊断模型。在ZT-3试验台对汽轮机转子常见4种故障(正常状态、转子不平衡、转子不对中和动静碰磨状态)状态进行模拟实验,获取故障数据后进行故障识别研究。研究表明:在相同测试样本的条件下,CPSO-SVM诊断模型的识别准确率为95%,比PSO-SVM诊断模型提高了5%,运行时间为22.055 s,比PSO缩短了14.5 s。研究结果验证了CPSO-SVM算法在汽轮机转子故障诊断方面的优越性。     

正交降噪算法在井下变压器局放信号处理中的应用

为了保障井下供电用干式变压器的稳定安全运行,正确识别其局部放电类型及绝缘状况极其关键.提出了一种基于正交匹配降噪算法的局放信号处理方法,将现场采集到的局放信号通过正交匹配追踪算法进行初步降噪,再将降噪后的信号经自回归模型获取其自回归特征值,最后将信号自回归特征值配合随机森林集成分类模型进行放电类型识别.试验结果表明,该...     

基于 PLS-SVM 的开关柜局部放电检测方法

摘要： 超声波检测法是高压开关柜局部放电检测的一种有效方法,但目前基于超声波信号检测原理开发的局部放电检测产品主要有信号幅值检测、将信号降频至音频从而监听检测,具有检测结果不够准确、对检测人员要求较高等缺点。该研究提出了一种基于偏最小二乘（partial least squares,PLS）特征降维和支撑向量机（support vector machine,SVM）的开关柜局部放电检测方法,首先计算超声音频信号的声学特征,并采用PLS进行降维处理,然后采用SVM分类器来区分局放和非局放音频信号。实验结果表明,所提方法比传统阈值方法具有更高的识别准确率,并且降低了对检测人员的要求,具有更好的普适性。     

基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。     

基于改进FOA LSSVM的变压器故障诊断

针对基于油中溶解气体（DGA）变压器故障诊断方法存在的不足,提出了改进果蝇算法优化LSSVM的变压器故障诊断方法。为克服果蝇算法易陷入局部极值、收敛精度低的缺陷,引入线性递减步长、变异操作和混沌搜索策略进行改进。建立了LSSVM变压器故障诊断模型,并用改进的果蝇算法优化参数。仿真试验及对比研究表明,改进模型可准确、有效地识别变压器故障类型,相较其他模型（BPNN、FOA PNN和FOA LSSVM）,该模型的准确率较高,更适合于变压器故障诊断。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

基于PSO-SVM模型的焊接转子环焊缝超声缺陷识别

提出了一种粒子群算法(PSO)优化支持向量机(SVM)的方法,对焊接转子环焊缝的超声回波信号进行缺陷识别.对消噪后的超声回波缺陷信号进行4层小波包分解及结点重构,提取结点重构信号中近似部分的波峰系数和波形系数,并与细节部分的积分超声值、有效值和绝对值方差组成样本的特征向量;采用PSO算法对SVM的惩罚因子和核函数参数进行优化选择,最后完成缺陷识别.结果表明:PSO-SVM模型对预测样本具有很好的识别效果,与其他常用的SVM模型相比,PSO-SVM模型无论是识别率还是识别时间上都具有良好的效果.     

基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

改进FA优化SVM的风机叶片裂纹检测模型北大核心CSCD

风力发电机往往工作在气候条件恶劣的环境中。风机叶片受到风沙、雨水的侵蚀会出现裂纹,裂纹在产生后会逐渐扩大,尽早发现叶片裂纹能给工作人员更多的维修时间。针对叶片微小裂纹难以发现的问题,文章提出了一种利用无人机拍摄的叶片图像结合机器学习进行裂纹检测的方法。对原始图像预处理后,进行特征向量的提取。提出一种用改进的萤火虫算法优化支持向量机(SVM)的裂纹检测模型。为增加萤火虫算法的全局搜索能力,引进了混沌映射生成种群初始位置,同时采用自适应步长以更好地趋近最优解。以云南某风电场的数据离线训练和测试,结果表明,所提的模型在检测精度和稳定性上均优于用粒子群算法(PSO)、遗传算法(GA)优化的SVM。     

改进FA优化SVM的风机叶片裂纹检测模型北大核心CSCD

风力发电机往往工作在气候条件恶劣的环境中。风机叶片受到风沙、雨水的侵蚀会出现裂纹,裂纹在产生后会逐渐扩大,尽早发现叶片裂纹能给工作人员更多的维修时间。针对叶片微小裂纹难以发现的问题,文章提出了一种利用无人机拍摄的叶片图像结合机器学习进行裂纹检测的方法。对原始图像预处理后,进行特征向量的提取。提出一种用改进的萤火虫算法优化支持向量机(SVM)的裂纹检测模型。为增加萤火虫算法的全局搜索能力,引进了混沌映射生成种群初始位置,同时采用自适应步长以更好地趋近最优解。以云南某风电场的数据离线训练和测试,结果表明,所提的模型在检测精度和稳定性上均优于用粒子群算法(PSO)、遗传算法(GA)优化的SVM。     

基于遗传算法优化支持向量机的电能质量暂态扰动识别新方法

针对电能质量识别领域中,采用随机参数的支持向量机(SVM)分类器识别随机暂态扰动信号准确率低、优化耗时长等问题,提出一种基于遗传算法(GA)优化SVM识别电能质量暂态扰动(PQD)的新方法(GASVM)。首先,仿真生成具有随机噪声水平和扰动参数的9种PQD信号;接着,通过S变换,提取出6种信号特征构成输入特征向量,用于训练SVM分类器;再采用GA对SVM进行参数寻优,进而获得优化的GA-SVM分类器;最后,采用GA-SVM识别PQD信号。仿真对比试验表明,新方法能准确识别不同噪声环境下的9种PQD信号,分类准确率及优化所需时间均优于PSO优化SVM方法(PSO-SVM)。     

基于摩擦振动信号的缸套-活塞环磨损状态识别研究

基于摩擦振动信号的多重分形特征,提出利用多重分形去趋势波动分析（multi-fractal detrended fluctuation analysis,MF–DFA）和支持向量机（support vector machine,SVM）相结合的方法识别缸套—活塞环磨损状态。在Bruker UMT—3摩擦磨损试验机上进行了柴油机气缸套—活塞环的摩擦磨损模拟试验。应用总体模态分解（ensemble empirical mode decomposition,EEMD）方法对测取振动信号进行降噪处理,获取能够表征摩擦副表面接触特性的摩擦振动信号。通过MF–DFA方法计算得到不同磨损状态下摩擦振动信号多重分形谱,由多重分形谱构造特征向量,通过差分进化（differential evolution,DE）算法对SVM参数进行优化,识别不同摩损状态。试验结果表明,正常磨损状态识别准确率为100%,磨合磨损状态和急剧磨损状态识别结果存在轻微混淆。所提方法可以实现缸套—活塞环不同磨损状态的识别。