基于因子分析和支持向量机算法的高压断路器机械故障诊断方法

高压断路器操作过程中的振动信号能够反映断路器的机械状态。以高压断路器机械振动信号中振动事件的起始点作为特征参量,使用因子分析对特征量进行降维优化、支持向量机(Support Vector Machine,SVM)经粒子群参数寻优(Particle Swarm Optimization,PSO)后可对断路器的不同状态进行分类。本文对断路器机械故障进行了模拟试验,结果表明,因子分析和支持向量机算法适于诊断高压断路器的机械状态。     

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。     

一种基于经验模式分解与支持向量机的转子故障诊断方法

转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。     

基于支持向量机与特征降维的直流断路器机械故障诊断技术研究

直流断路器机械故障诊断算法是直流断路器机械状态在线监测系统的核心部分。文中进行了直流断路器机械故障模拟实验,采集不同故障下的线圈电流及振动信号,对其进行特征提取后,将电流特征、振动短时能量特征、小波包频带能量特征排列组合,利用支持向量机构建故障诊断模型。文中使用主成分分析法及Relief-F算法对不同特征组合降维,进一步分析特征组合降维后的诊断效果,并通过K-Fold交叉验证算法评估单一特征和特征组合训练输出的诊断模型选取分类性能最优的诊断模型。     

基于时频周期窗的旋转机械故障诊断方法

周期平稳信号的Wigner-Ville分布是由时频域上若干个离散分量组成，某些分量对故障较为敏感，这些特征分量的检测及提取，对故障诊断十分重要。该文利用旋转机械故障信号及其高阶矩的周期性，通过傅立叶级数对周期平稳信号的分解，认为分解各项在U [0, 2p]区间内两两正交，提出了提取故障特征的时频周期窗观察方法，可以使用时频域局部开周期窗的方法，与故障特征频率项进行周期内相关运算，取出周期自相关函数在故障特征频率分量（调制频率）上的正交投影，从而获得某一故障特征信息，与通常的功率谱分析相比，排除了周期窗外噪声对分析结果的影响，使得特征提取更加精确。通过仿真和实例进行了有效性验证。     

支持向量回归机理论及其应用

介绍了支持向量回归机理论的原理及其学习算法,并给出其具体应用。     

基于支持向量回归机的谐波分析

传统谐波分析方法中,窄带滤波器选频法对元件参数十分敏感,受外界环境影响较大,且精度难以保证;快速傅里叶分解法会产生频谱泄漏误差,不同频率谐波之间也有干扰;神经网络分析方法检测精度高,但其基于大样本的学习方法,受样本及训练初始值影响较大,有时会导致训练不成功。为减小外界环境影响,提高检测精度和降低噪声影响,提出基于支持向量回归机的谐波分析方法,它是基于统计学习理论,以结构风险最小化为原则的机器学习,通过引入松弛变量和损失函数提高算法泛化能力和减小误差,该算法最终转化为标准二次规划问题,有全局最优解。通过算例分析,并与傅里叶检测方法相比较,可知该算法具有稳定性好、检测精度高、对噪声不敏感等优点。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

基于支持向量回归的配电网线损计算模型

提出了一种基于支持向量回归的计算配电网线损的可行方法,建立了配电网线损计算的支持向量回归模型。针对有代表性的配电线路的线损与特征参数的样本数据,利用支持向量回归的拟合特性映射线损与特征参数之间复杂的非线性关系,找出配电线路的线损随特征参数变化的规律。为了提高支持向量回归机的学习效率,采用样本分类处理的方法分别对其进行训练,使的计算结果更加符合实际。以配电线路数据为实例,仿真结果验证了所提的方法和模型的有效性和实用性。     

基于支持向量回归的配电网线损计算模型

提出了一种基于支持向量回归的计算配电网线损的可行方法,建立了配电网线损计算的支持向量回归模型.针对有代表性的配电线路的线损与特征参数的样本数据,利用支持向量回归的拟合特性映射线损与特征参数之间复杂的非线性关系,找出配电线路的线损随特征参数变化的规律.为了提高支持向量回归机的学习效率,采用样本分类处理的方法分别对其进行训练,使的计算结果更加符合实际.以配电线路数据为实例,仿真结果验证了所提的方法和模型的有效性和实用性.     

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。     

基于协同滤波器和支持向量机的HVDC系统故障诊断

提出一种基于协同(consensus)滤波器和支持向量机的HVDC系统故障诊断方法。由于随机噪声的干扰,测得的输电线路中直流电压信号无法直接用于故障的检测,使用协同滤波器对多个传感器测得的直流电压信号进行滤波,然后将滤波后的结果用来构建故障检测滤波器,检测故障的发生。为更好的对检测出的故障进行分类,有效提取故障特征,对直流电压波形进行S变换。变换后的特征量作为支持向量机(support vector machine,SVM)的输入,建立系统故障诊断模型,并比较不同参数下的SVM模型性能。仿真结果表明,故障检测有效,且对不同的故障能正确的进行分类。     

基于支持向量机多分类方法的模拟电路故障诊断研究

基于统计学习理论结构风险最小化原则和VC维理论的支持向量机对小样本决策具有较好的学习推广性。由于基本支持向量机算法最初是针对两分类问题推导出来的,在解决故障诊断这种典型的多类分类问题时存在困难。针对模拟电路故障诊断问题,在分析比较支持向量机“一对多”和“一对一”多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器。将其应用于典型的电源电路故障诊断,仿真试验结果证明了该方法的有效性。     

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.     

基于相空间重构和支持向量机的三电平逆变器故障诊断技术

针对三电平逆变器交叉两桥臂的两只功率管同时开路故障(非典型故障)诊断问题,提出一种基于相空间重构和支持向量机(SVM)的故障诊断方法。该方法以三相电流为检测信号,为降低特征向量的维数,对三相电流进行了Park变换,然后采用相空间重构技术,对d、q轴电流分别进行重构,得到不同形状、大小和方向的电流轨迹图形,借助图像处理技术从中提取出故障特征向量,将其作为学习样本,在SVM中训练,使分类器能够建立不同特征向量和故障类型的映射关系,实现对二极管中点箝位型(NPC)三电平逆变器的故障诊断。仿真结果表明,该方法能够准确地定位故障元,诊断精度高。     

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。     

基于变精度粗糙集-支持向量机的断路器故障诊断

由于断路器运行时监测数据量大,以前采用的反向传播算法(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)神经网络的故障诊断存在网络结构复杂、诊断速率慢等缺点,为了快速准确地得出断路器故障原因,提出一种基于变精度粗糙集-支持向量机的断路器故障诊断算法。利用变精度粗糙集约简决策表去除断路器庞大监测数据里的冗余信息,降低过程数据的维度,并结合支持向量机对粗糙集处理后的信息进行故障诊断,可减少诊断时的主观因素,并具有容错性和解释性,该诊断方法是可以有效实施的。     

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。