结构优化深度网络的高压断路器机械故障诊断

高压断路器操作过程中的振动信号反映断路器的机械状态。针对基于浅层的振动信号分析模型的特征提取及故障诊断精度等方面存在的不足,提出了一种基于遗传算法优化的卷积神经网络高压断路器故障诊断方法。利用遗传算法的全局寻优能力,通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等,进而优化卷积神经网络,并将优化后的卷积神经网络应用于高压断路器的故障诊断。结果表明,所提方法的诊断性能优于未进行优化的卷积神经网络、动态支持向量机和多层感知机。     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征，与时-频平面特征提取相比，又可大大降低数据维数.对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.     

基于振电结合的高压断路器特征提取及分类方法研究

为了对高压断路器操作机构的工作状态进行较准确的评估,提高高压断路器机构的运行稳定性,提出了一种基于振动信号与电流信号结合的高压断路器信号特征提取和分类方法。首先通过对高压断路器分合闸线圈电流信号和振动信号的机理分析,提出利用时间节点参数作为特征向量,然后采用曲线斜率方法提取电流信号时间参数,利用基于短时能量的双门限法提取振动事件的时间参数,将两者的参数作为模式识别的特征向量。最后通过支持向量机(Support Vector Machine, SVM)分类结果表明:线圈电流曲线与振动信号相结合能够准确而全面地反映操作机构的运行状况,利用SVM可以快速准确的判断操作机构的故障类型,对于断路器的故障诊断和检修维护具有重要的意义。     

基于振动信号高压断路器故障诊断的仿真研究

基于高压短路器的机械振动信号,研究了一种高压断路器的故障诊断方法,由于高压断路器机械故障的出现,不仅引起振动冲击事件的时移,还会引起时域波形中一些波峰幅值的变化,基于径向基函数网络理论（RBF网络）,将健康振动信号和断路器实际振动信号波峰幅值之差形成的残差以及冲击事件发生的时间作为断路器故障诊断的特征参数,来判断路器是否故障及故障的类型,仿真结果表明,RBF网络故障诊断的方法具有实时性、精度高和鲁棒性,确是一种新颖而有效的方法。     

支持向量机的给水管网水质综合评价研究

提出了基于支持向量机(SVM)的给水管网水质综合评价模型.在给水管网水质评价标准的基础上采用内插法获得学习样本,利用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,并用K-折交叉验证法优化模型参数,以优化参数的模型建立网络水质分级标准.将训练好的网络模型应用于水体实例并与其它几种评价模型加以比较,分析结果表明,SVM方法评价结果比较客观、合理,尤其在体现指标的极值作用方面具有独到的优势.     

基于KPCA数据重构的参数优化方法

传统的多变量统计过程监控技术采用的故障模型是线性的,该模型在具有强非线性特征的工业过程的故障诊断及预测方面的效果不够理想。针对复杂系统,需采用非线性数据模型的故障描述,研究基于核主元分析(Kernel Principal Component Analysis,KPCA),KPCA数据重构的最优参数选择方法十分必要。采用网格搜索法和交叉验证法相结合的方法确定KPCA算法和支持向量机(Support VectorMahine,SVM),SVM回归算法的最优参数,使重构误差为最小。以TE过程为仿真实例,仿真结果表明:所提出的基于KPCA数据重构的最优参数选择方法是有效的。     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别．利用模糊域分布可以很好地刻画信号的时频局部化特征，与时一频平面特征提取相比，又可大大降低数据维数．对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果．     

双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。     

基于一类支持向量机的财务数据异常模式识别

财务监督在反腐倡廉建设中发挥着重要作用,但是财务数据具有非平稳、非线性、信噪比低等特点,且没有专门用于鉴别财务数据异常的训练集。将金融交易数据以周为时间跨度生成时间序列,选择交易总金额、交易离散系数、转账次数作为财务账户数据的特征,利用基于统计学习理论的一类支持向量机(one class SVMs)实现金融交易数据的无监督分类,从而识别出可疑异常财务数据。采用径向基函数作为一类支持向量机的核函数,运用交叉验证法选择核参数γ和惩罚参数C。仿真数据异常检测实验证明了该方法的有效性,并检测出了实际财务账户数据中的可疑值。      

基于最小二乘支持向量机的刀具磨损预报建模

最小二乘支持向量机是支持向量机的一种扩展,已在模式识别和函数逼近等领域得到了成功应用.将最小二乘支持向量机应用于刀具磨损的预报,在网格搜索的基础上采用交叉验证法确定模型的参数,并同偏最小二乘回归的建模结果进行了比较.     

基于红外神经网络的高压断路器故障诊断方法

为了高效、快速、准确地确定高压断路器的故障,提出了一种基于红外诊断与神经网络相结合的高压断路器新型故障诊断方法。首先,利用红外测量技术采集高压断路器故障样本,并将故障样本进行归一化;其次,构造BP神经网络故障诊断模型,提出一种新型改进BP神经网络算法,将构造的高压断路器故障样本输入到改进BP神经网络中进行训练,得到改进BP神经网络的相关参数;最后,通过仿真研究验证了提出的基于红外神经网络的高压断路器故障诊断方法的合理性与优越性。     

基于声振联合特征熵的断路器故障诊断方法

针对断路器机械故障复杂、诊断困难的现状,提出了一种基于声振联合分析的断路器故障诊断方法。利用小波包和特征熵理论对采集到的振动和声音信号进行分解和特征提取,故障状态与正常状态之间的差异由特征熵矩阵之间的偏差来反映。将形成的特征熵矩阵作为支持向量机的输入特征向量,对断路器的卡涩和螺丝松动故障进行了分类识别,并与传统的单一信号故障诊断方法进行了比较。结果表明:以声振联合特征熵矩阵作为输入的支持向量机,在分类的效果上明显优于单信号,更适合在断路器故障识别中应用。     

遗传优化支持向量机在失火故障诊断中的应用

故障样本的缺乏严重制约智能故障诊断的发展,支持向量机算法的提出有效地解决了小样本学习问题.然而支持向量机算法中两个参数惩罚因子C和核参数γ对故障样本的准确识别起着决定性作用.针对参数较难选择问题,采用遗传算法对支持向量机中的两个参数进行全局寻优.把汽车在典型故障下尾气中各气体的体积分数作为训练样本,样本经过主成份分析实现降维和去相关.用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断.使用LIBSVM工具箱进行仿真,结果表明经遗传算法优化后的支持向量机对于小样本故障诊断有很高的准确率.     

基于KPCA和SVM的火箭发动机试验台故障诊断方法

为了解决液体火箭发动机试验台的故障诊断问题,提出了一种基于核主元分析(KPCA)特征提取和支持向量多分类机(SVM)的故障诊断方法,该方法首先利用核主元分析对试验台标准故障样本进行特征提取,通过特征分析,建立适合于试验台故障状态识别的层次多分类支持向量机,并对其进行训练,然后将试验数据在主元上投影,输入到训练好的支持向量多分类器,对试验台故障状态进行识别.该方法充分利用了核主元分析强大的非线性特征提取能力和支持向量分类机良好的小样本泛化特性,解决了试验台故障诊断中的小样本、非线性模式识别问题.对试验台的试验结果表明,该方法是有效的、可行的.     

基于核极限学习机的模拟电路故障诊断研究

核函数极限学习机有效地避免了极限学习机(ELM)模型固有的随机性和支持向量机(SVM)模型求解的复杂性,而且具有更快的学习速度和更好的泛化性能。因此,提出了基于核极限学习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,建立了以核极限学习机为基础的模拟电路故障诊断模型。实验结果表明,该方法故障诊断准确率大于99%,性能优于支持向量机和极限学习机。     

基于EEMD样本熵和支持向量机的高压断路器故障诊断

首先提出了一种以集合经验模态分解(ensemble empirical mode decomposition,EEMD)样本熵和支持向量机(support vector machine,SVM)相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。然后提出并分析了分闸弹簧力减小、缓冲弹簧无效两种新故障对高压断路器的性能影响,同时针对输电线路发生永久故障时,断路器按照跳闸、重合闸然后二次跳闸指令动作的实际情况,首次探索性选择振动能量相对较小的分闸振动信号作为诊断对象。最后实测了某35 k V高压SF6断路器正常运行、分闸弹簧力减小、缓冲弹簧无效、基座螺丝松动工况下断路器分闸振动数据进行识别,结果表明该方法检测高压断路器故障快速、准确,为断路器的故障诊断提供了新的思路。     

GASA—SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机（SVM）参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法sA的概率突跳特性,提出一种改进的基于遗传退火算法（GASA）混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明：应用GASA．SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

一种混合核函数支持向量机算法

提出一种基于混合核函数的支持向量机算法.首先证明了常用核函数的非负线性组合也是满足Mercer条件的核函数.然后通过最小化衡量二次损失函数支持向量机泛化能力的RM界来进行各子核函数参数、混合核函数组合系数以及惩罚系数的选取.仿真实验表明,基于混合核函数的支持向量机的泛化性能优于基于单一核函数的支持向量机.