基于支持向量机的电机转子断条故障诊断

交流电动机转子断条故障诊断的问题可以归结为模式分类的问题,支持向量机是近几年来涌现的一种新型的针对小样本集合具有较好分类效果的方法.根据断条故障在定子电流谱中产生相应特征分量,本文利用窗提取的方法对定子电流谱进行转换,在不损失故障特征信息的前提下构造低维数特征空间,并在其中用SVM进行分类.同时针对实际应用中转差率s由于负载的变化而使故障特征频率位置发生变化的问题,分别在恒定负载和变负载条件下进行试验.断条情况为无断条、一根断条、连续两根断条三类,结果表明在恒定负载和变负载条件下都有较高的诊断正确率.同时因为整个诊断过程可以实现自动化,所以可实现在线诊断.     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态...     

基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法

滚动轴承故障定位,特别是对其性能退化程度的诊断可以更有效地进行设备维护以降低停机率.提出了对滚动轴承不同故障位置及性能退化程度的非平稳振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行经验模态分解,得到一系列固有模态函数和一个残余分量.经验模态分解方法具有分解自适应性和分解唯一性.对每个固有模态函数建立自回归模型,分别采用Yule Walker和Ulrych-Clayton两种方法求得模型参数和残差方差,并以此作为各类状态信号的特征矩阵,输入到改进的超球多类支持向量机分类器,判断滚动轴承故障位置及性能退化程度.实验结果表明,提出的方法可同时实现滚动轴承故障位置及性能退化程度的智能诊断,且基于经验模态分解结合自回归模型的Ulrych-Clayton参数估计进行特征提取的诊断方法识别率更高.     

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.     

基于振动信号EMD分解与支持向量机的有载分接开关机械故障诊断

本文中作者将经验模态分解与支持向量机算法引入到有载分接开关机械故障识别领域。通过对有载分接开关振动信号进行经验模态分解,并选取前5个本征模态函数的能量作为输入特征参量,利用支持向量机算法对有载分接开关弹簧储能不足、触头松动、触头磨损3种机械故障进行了识别,同时比较了不同核函数对支持向量机分类结果的影响。     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。     

基于经验模态分解和支持向量机的短期风电功率组合预测模型

针对风速序列随时间、空间呈现非平稳性变化的特征,提出一种基于经验模态分解（empirical mode decomposition,EMD）和支持向量机（support vector machine,SVM）的EMD-SVM短期风电功率组合预测方法。该方法首先利用EMD将风速序列分解为一系列相对平稳的分量,以减少不同特征信息间的相互影响;然后利用SVM法对各分量建立预测模型,针对各序列自身特点选择不同的核函数和相关参数来处理各组不同数据,以提高单个模型预测精度。最后将风速预测结果叠加并输入功率转化曲线以得到风电功率预测结果。研究结果表明,EMD-SVM组合预测模型能更好地跟踪风电功率的变化,其预测误差比单一统计模型降低了5%~10%,有效地提高了短期风电功率预测的精度。     

基于小波包分析和支持向量机的异步电机转子断条故障诊断

提出了一种基于小波包分析(WPA)和支持向量机(SVM)的异步电机转子断条故障诊断方法。针对异步电机转子断条故障时定子电流出现的边频分量(1±2s)f进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响。采用多个最小二乘支持向量机组成故障分类器,兼顾了训练误差和计算效率,将故障特征向量输入支持向量机进行训练,从而实现在小样本情况下转子断条故障的在线识别。试验结果表明:基于小波包分析提取的故障特征明显,由WPA和SVM构成的诊断系统,具有良好的分类能力和泛化能力,有效提高了异步电机转子断条故障在线诊断的准确率。     

基于经验模式分解的神经网络模型及其在转子系统故障诊断中的应用

为了对非平稳、非线性系统时间序列进行建模,提出一种基于经验模式分解的神经网络预测模型,研究它的有效性。通过太阳黑子数据的仿真试验,验证该神经网络结构比对应的单一神经网络结构性能优越。根据该方法组成一个多分量神经网络模型库,用于转子故障的模型诊断,这些模型可以用做一步向前预测器,对检测和诊断信号进行比较,从预测误差提取特征,能够确定机器的状态。不同故障状态的转子振动信号用来训练和检验模型。实验数据表明,这种方法用于故障诊断具有一定的工程实用性。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于EMD/SVM的飞机发电机动态特性建模分析

在深入研究经验模态分解(EMD)和支持向量机(SVM)算法的基础上,结合两者优势建立了飞机发电机动态特性模型。首先利用EMD方法对输入模型的信号进行去噪处理,然后在突加突卸负载的条件下利用SVM方法建立发电机动态特性模型。实验结果表明,该模型能较好地反映飞机发电机调压的动态过渡过程,验证了该方法的正确性和有效性。     

二维bagging集成支持向量机进行网络故障诊断

由于网络故障信息通常表现出不确定、复杂的特点并且对故障特征的描述也多是非完备的,运用支持向量机进行故障诊断经常不能达到其最优性能.本文提出一种新颖的二维bagging集成支持向量机,显著提高了传统支持向量机进行网络故障诊断的精度.实验结果验证了该方法的准确性和有效性.     

基于欧氏聚类和支持向量机的变压器故障诊断

以变压器油中溶解气体的相关信息作为特征向量,首次将基于欧氏聚类的支持向量机多分类模型应用于变压器故障诊断中。该组合模型以变压器状态类别间的欧氏距离为依据,构建支持向量机多分类模型。实验表明,该方法能够避免多分类模型组建的盲目性,同时能有效地对变压器进行故障诊断。     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

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.     

基于经验模式分解的异步电机转子断条故障诊断

为提高异步电机转子断条诊断的准确性,提出了一种基于经验模式分解(EMD)的诊断方法.选取单相功率频谱作为分析对象,通过对单相功率频谱进行EMD,准确地提取了 2sf故障特征量.仿真结果表明,该方法诊断灵敏度高、直观清晰,有效解决了定子电流中故障分量频率与基波频率相近而不易被EMD的难题,是一种有效的方法.     

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.