基于自适应变异微粒群优化SVM的电机轴承故障诊断方法

电机轴承作为电机的重要机械部件,其故障对电机的安全运行有着严重的影响,针对轴承故障此类问题,提出了自适应变异微粒群优化SVM的电机轴承故障诊断的方法。该方法先用小波包的频带能量分解技术将电机振动信号分解到各个频带,由各个频带能量组成了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,最后运用自适应变异微粒群算法优化后的SVM,组成电机轴承状态"决策树",并对电机状态进行分类,分类结果和用试凑法的SVM作对比。最终结果证明了该的方法对感应电机的轴承故障的检测和分类具有良好成效。     

基于自适应神经网络—小波包熵的轴承故障诊断

针对轴承故障诊断时振动信号呈现复杂性和混沌特性,故障特征分量容易淹没在噪声之中。引用自适应线性神经网络(Adaptive Linear Neuron,ADALINE)降噪和小波包Shannon熵(Wavelet Packet Analysis Shannon Entropy,WPASE)相结合的方法诊断轴承故障。首先利用ADALINE对不同故障模式的振动信号进行降噪处理,引用小波包理论对降噪后的信号进行小波包分解,计算各层细节信号的Shannon熵值,以此作为不同故障模式的故障特征量。仿真实验表明ADALINE降噪效果明显,Shannon熵能够清楚区别不同的故障模式。该方法简单可靠,为轴承故障诊断提供了新的思路和方法。     

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%。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

粒子群优化神经网络在高压断路器机械故障诊断中的应用

提出了一种以振动信号小波包特征熵为特征向量的高压断路器机械故障诊断的智能算法,该算法利用小波包分解原理将高压断路器振动信号分解到不同的频段中,计算各频段的能量熵值,并将其作为神经网络的输入向量,同时利用粒子群算法对神经网络进行优化,以提高故障诊断的精度。试验结果表明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统神经网络算法,适用于高压断路器机械故障诊断     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法.利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊...     

基于多传感器信号融合的真空断路器机械特性状态评价

真空断路器机械特性状态评估中存在仅依靠单一传感器信号进行评价的问题。对此,提出了一种利用D-S证据理论对多传感器信号进行信息融合来判断真空断路器机械特性状态的方法。此方法首先对位移传感器测出的运行参数利用模糊综合评判方法计算得出基于位移信号的评价结果。然后,运用小波包-能量熵谱法对加速度传感器监测的振动信号进行信号处理,提取特征向量,结合相似性原则得出基于振动信号的评价结果。最后,运用D-S证据理论中的合成法则对以上两个传感器得出的初步评价结果进行融合,得出最终评价结果。经过实例验证,该方法得出的评估结果具有更高的可信度。     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

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。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

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.     

Method of Mechanical Fault Intelligent Diagnosis Based on Vibration Signal of High Voltage Circuit Breaker

Based on vibration signal of high voltage circuit breaker,a new method of intelligent fault diagnosis that wavelet packet extracts energy entropy which are used as characteristic vector of the support vector machine(SVM)to construct classifier for fault diagnosis is presented.The acceleration sensors are applied to collecting the vibration data of different states of high voltage circuit breakers based on self-made experimental platform in this method.The wavelet packet are fully applied to analyze the vibration signal and decompose vibration signal into three layers,and wavelet packet energy entropy of each frequency band are as the characteristic vector of circuit breaker failure mode.Then the intelligent diagnosis network is established on the basis of the support vector machine theory.It is verified that the method has a better capability of classification and a higher accuracy compared with the traditional neural network diagnosis method through distinguishing the three fault modes which are tripping device stuck,the vacuum arcing chamber fixed bolt looseness and too much friction force of the transmission mechanism of circuit breaker in this paper.     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

基于小波近似熵的串联电弧故障识别方法

根据UL1699标准搭建了串联电弧故障发生装置,并针对不同类型负载进行实验,获得了供电线路正常工作状态和发生电弧故障状态时的电流信号实验数据。应用小波变换对电流信号进行分解重构,通过近似熵(Ap En)算法对分解重构后各频段信号的不规则程度进行量化,得到电流信号的特征向量,并将其输入到支持向量机(SVM)。通过SVM对电流信号特征向量进行分类,完成电弧故障的检测识别。结果表明,通过小波近似熵算法得到的电弧故障特征向量能够作为诊断识别电弧故障的有效依据。     

基于支持向量机的高压断路器机械状态分类

基于统计学习理论的支持向量机是专门研究少样本情况下的统计规律及学习方法,为故障诊断向智能化方向发展提供了途径.本文首先介绍了支持向量机的基本原理;其次提出了一种基于小波包和熵理论的振动信号特征提取方法,即利用小波包分解各节点重构信号的熵值反映信号与正常状态的偏移;最后详细介绍了这种新方法在断路器故障诊断中的具体应用,并与传统神经网络方法相比较.使用结果表明:无论在分类效果,还是学习速度方面,支持向量机都优于神经网络,更适合在断路器机械状态识别中的应用.     

自适应分级多分类支持向量机在变压器故障诊断中的应用

以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一种自适应分级多分类支持向量机变压器故障诊断方法。此方法基于模式识别特征提取的思想,采用不同的输入向量,对变压器有无故障和故障类型判别时,采取分级决策结构。采用自适应优化算法对多分类支持向量机进行优化,通过诊断效果和不同类型故障识别率的比较,得出变压器油中溶解气体的组分含量比值更能反映变压器故障类型,最终测试效果比较和支持向量机参数分析,可以看出该方法具有较高的准确率和良好的泛化能力。     

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

基于小波包能量熵和DBN的MMC-HVDC输电线路单极接地故障定位方法

可靠精确的故障定位技术对MMC-HVDC输电系统的稳定运行至关重要。针对高阻接地故障的定位精度低的问题,提出了一种基于小波包能量熵(wavelet packet energy entropy,WPEE)和深度信念网络(deep belief network,DBN)的输电线路单极接地故障定位方法。通过对不同条件下故障波形中所包含的故障信息进行分析,运用小波包能量熵提取双端故障电压波形中深层故障特征并构造新的特征矩阵。基于新的特征矩阵搭建DBN模型并通过粒子群寻优(particle swarm optimization,PSO)算法对其模型参数进行寻优,最终利用DBN回归机制实现精确的故障定位。利用电磁暂态仿真软件PSCAD/EMTDC搭建了±250 kV双端MMC-HVDC系统模型并在线路上进行不同位置、不同过渡电阻的单极接地故障模拟仿真。为了对比测试模型的定位精度性能,与基于支持向量机(support vector machine,SVM)的故障定位方法相比较。实验结果表明,该方法在20 kHz的低采样频率下可以精准可靠地定位过渡电阻高达4000Ω以内的直流线路单极接地故障。