协同滤波器和支持向量机在HVDC系统故障诊断中的应用

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.     

基于提升小波变换和SVM的模拟电路故障诊断

故障特征提取和分类器设计是模拟电路故障诊断的两个重要环节,为了提高模拟电路故障辨识的准确率,提出了提升小波变换与支持向量机相结合的故障诊断方法。根据提升小波变换的原理,提取被测电路单脉冲响应信号的小波系数构成故障特征,建立以支持向量机为分类器的故障诊断系统。该方法对两个滤波器电路的故障诊断取得了满意的效果,在故障模式较多的情况下故障分类的精度达到了99%以上,优于传统的小波方法。     

基于支持向量机的移动机器人故障诊断

某些移动机器人在人们无法到达的环境下工作,因此机器人应该具备自己诊断和处理故障的能力。本文研究移动机器人运行时正常状态和可能发生的故障状态,通过采集和记录其数据作为训练和测试数据,采用小波变换提取不同状态下的特征矢量,利用支持向量机(SVM)的方法对特征矢量分类,实现对移动机器人行进时的故障诊断。结果表明,小波变换提取特征矢量、支持向量机分类的方法对于移动机器人的故障诊断效果良好。     

基于深度学习的发电机故障挖掘方法研究

发电机工作环境复杂,发电机的涡轮叶片在燃烧的气体作用下高速转动,电机本身容易产生故障。通过对发电机故障特征数据的挖掘,可实现故障诊断。传统方法采用支持向量机SVM故障挖掘和分类算法,解决发电机故障检测的稳定性问题,但随着故障特征的增加,故障特征相似性增强,挖掘性能下降。提出一种基于深度学习支持向量机的发电机故障挖掘算法。对发电机故障挖掘原理进行描述,构建故障数据挖掘模型,采用深度学习支持向量机对故障特征进行数据分类处理,解决发电机故障数据的相似性干扰问题,提高了故障数据挖掘和分类性能,仿真实验表明,采用该算法进行发电机故障挖掘,通过深度学习,对故障数据的特征分类性能较好,提高故障诊断能力。     

采用模糊支持向量机的模拟电路故障诊断新方法

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种模拟电路故障诊断的新方法。首先对采集的信号进行时-频域联合特征提取并采用新的模糊隶属度函数确定训练样本的隶属度,消除噪声和野点对故障诊断的影响;然后将训练集输入模糊支持向量机分类方法训练获得故障诊断模型;最后将测试集输入训练好的模糊支持向量机分类模型,实现对不同故障类型的识别。将该方法应用于CTSV滤波电路进行故障诊断仿真实验,结果显示该方法不仅能正确分类单故障而且能有效分类多故障,平均故障诊断率达到98.2%,为模拟电路故障诊断开辟新的途径。     

基于TQWT及SVM算法的有载分接开关带电检测技术研究

在变压器带电情况下,有载分接开关（OLTC）振动信号可反应其运行状态。对振动信号特征参量进行提取分析和故障诊断可辅助实现变压器健康状态预警。本文采用优化后的小波包算法：品质因子可调小波变换算法（TQWT）提取检测装置获取的振动信号有效信息,克服小波滤波器导致的频率混淆现象,消除频率折叠,有效提高特征参量的准确性。通过支持向量机算法（SVM）对振动特征信号进行故障类型识别。在此基础上研制有载分接开关带电检测装置,实现了对有载分接开关运行状态量的现场检测和分类,大幅度减少了现场检修人员工作量,提高检修人员工作效率。     

基于SVD-SVM的HVDC换流器故障诊断

换流器结构复杂,其故障信号难以诊断。文中基于奇异值分解(SVD)和支持向量机(SVM)提出了一种换流器故障诊断的新方法,对选取的故障信号矩阵进行SVD分解,所得奇异值的大小反映故障信息量的大小,选取最大奇异值对应的特征矩阵作为样本,用SVM进行训练分类。当换流器发生故障时,对故障信号矩阵进行SVD分解,用训练所得的SVM诊断器进行故障诊断。仿真表明,SVD分解可以有效提取换流器故障特征,通过SVM可以准确诊断换流器各种故障,文中方法快速准确。     

多特征组合及优化SVM的电能质量扰动识别

提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量,采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的3种特征,采用优化参数的SVM进行后续分类。仿真实验表明,该方法能够有效识别常见的8种电能质量扰动及2种复合扰动,相比未经优化的支持向量机模型,粒子群优化的SVM具有较高的识别精度和运算速度,且抗噪能力强。     

克隆选择优化的SVM模拟电路故障诊断方法

对基于克隆选择算法的支持向量机(SVM)参数优化、及其在模拟电路故障诊断中的应用进行了深入研究,故障诊断实现步骤为:首先对电路的各种故障模式进行蒙特卡洛仿真分析,利用小波分解提取输出信号的各频段能量,进行归一化处理后得到故障特征样本;然后应用克隆选择算法进行SVM参数优化,并将选定的参数用于SVM的训练;最后采用训练好的SVM对故障样本进行分类,从而实现故障判定。论文以CTSV滤波电路和螺距反馈电路为诊断实例进行了实验验证,结果表明对容差模拟电路的故障定位具有较高的准确率。     

基于双空间的融合特权信息支持向量机模拟电路故障诊断

针对模拟电路故障诊断识别率较低的问题,提出了基于双空间特征提取的融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(principal component analysis,PCA)——特征提取;并用融合特权信息支持向量机LUPI-SVM(SVM of learning using privileged information,LUPI-SVM)分类器和SVM-GA分类器进行预分类;对分类结果不同的样本进行独立成分分析(independent component analysis,ICA)—特征提取,并用LUPI_SVM进行分类识别,Sallen-Key滤波电路故障诊断仿真实验结果表明该方法有效提高了分类的性能,为模拟电路故障诊断提供了新的途径。     

基于多尺度熵分析与改进 SVM 的变压器故障识别

为解决传统变压器故障识别方法提取故障特征难度大、识别准确率低等问题,提出基于多尺度标准差模糊熵( SDMFE) 和哈里斯鹰算法(HHO)优化支持向量机(SVM)的故障识别方法。 首先,采用基于模糊熵的多尺度分析法量化变压器振动信号 复杂的动态特性,提取多时间尺度下的故障特征。 随后,将利用 SDMFE 获得的故障特征输入 SVM 分类器识别变压器不同的故 障。 同时,为了提升 SVM 的识别性能,引入 HHO 算法以自适应、准确地选择 SVM 参数。 最后,利用变压器实测振动信号进行 了对比试验。 与不同的信息熵、不同的优化策略和不同的分类器相比,所提方法取得 98. 56%的最高识别准确度和最好的识别 稳定性。 结果表明所提方法能够有效提取故障敏感特征和准确识别变压器故障状态。     

基于EMD的电弧反射电缆故障测距脉冲信号提取方法

电弧反射法(ARM)电缆故障测距脉冲信号受故障电弧电压的干扰,故障反射脉冲不易识别,无法满足故障定位要求。分析了干扰产生的原因和受扰脉冲信号的特性,通过经验模态分解(EMD)分析了受扰脉冲信号的时频分布规律。论证了根据受扰脉冲信号特定时段均值特性可以对脉冲信号和干扰进行分离。据此提出基于受扰脉冲信号特定时段均值特性和EMD滤波的ARM脉冲信号提取算法。该方法不需要预定义信号分解层数和基函数,完全由数据驱动实现,因而具有较好的自适应能力。实测数据处理结果验证了算法的有效性。     

利用consensus滤波器诊断HVDC系统故障

高压直流输电(HVDC)系统对运行时的稳定性要求比较严格,出现故障时应能及时分辨故障类型并快速恢复。传统的利用神经网络诊断HVDC故障一般都是将电压电流信号输入网路,没有实际测量过程中随机噪声的干扰。为此,针对长输电线路中实际测量的直流电压信号易引入随机噪声干扰的特点,提出了一种分布式故障诊断算法并研究了consensus滤波器在滤除直流电压信号噪声中的应用。最后的仿真结果表明,consensus滤波器可有效滤除测量噪声,从而可有效检测出HVDC系统中的故障。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

基于EEMD的声阵列滚动轴承故障诊断

研究针对滚动轴承故障诊断中的类型和位置分析问题,提出了一种基于集合经验模态分解(EEMD)的声阵列滚动轴承故障诊断分析方法。以EEMD分解信号的峭度和能量作为评价指标,提取包含故障信息的IMF分解信号,根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过Hilbert包络谱实现故障类型判断,通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。最后通过试验进行了方法验证,结果表明过使用基于EEMD分解的阵列分析方法,可更为直观确定故障位置和故障类型,有利于有轨机车等多轴承驱动系统轴承故障的快速和实时诊断,对于确定检修、制定合理维修决策、改进维修质量具有十分重要指导意义。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于SSI-MSVM的调相机轴承故障诊断方法

随着新能源的并网与特高压直流输电的发展,电网对无功调节的要求也逐步提高,因此大型调相机再次被投入使用。为了便于对调相机轴承进行故障诊断,提出了一种基于随机子空间识别(SSI)和多核支持向量机(MSVM)的故障诊断方法。在调相机轴承外侧表面不同的位置利用振动传感器采集振动信号,利用随机子空间模型进行特征提取,再根据高斯支持向量机和多核学习方法构造MSVM,然后将提取出的特征数据输入MSVM进行故障诊断。试验结果证明,基于SSI-MSVM的故障诊断方法能够适用于调相机轴承,且可以成功对故障进行辨识。     

电力电缆故障放电声自动识别与起点标定算法

针对电力电缆故障精确定点方法中存在的依赖人工判断、效率低下的缺点,提出了一种电缆故障放电声波自动识别及波形起点标定算法。通过对电缆故障放电声波进行特征分析,定义了4个概括性特征,对大量故障、非故障波形进行了特征提取并组建了训练、验证样本集;提出了基于AdaBoost-SVM(支持向量机)的故障放电声波识别算法,对所提出的4个特征在放电和噪声信号中的空间分布差异进行了学习;结合离散小波变换和高斯分布规律提出了故障波形起点自动标定算法。实验证明,所提算法在保证准确性的同时,可提升电缆故障精确定点的效率。     

基于EMD近似熵和SVM的电力线路故障类型识别

提出了一种基于经验模式分解(EMD)的近似熵和支持向量机(SVM)的电力故障类型识别的新方法.利用EMD良好的局域化特性和近似熵来量化故障特征.再与SVM结合进行故障类型识别.首先,对故障线路的三相电压信号进行EMD分解得到若干个能反映故障信息的本征模式分量(IMF);其次,选取三相电压的前4个IMF的近似熵值作为信号的特征向量.最后将构造的特征向量输入到SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,不同的故障类型,其三相近似熵变化明显不同,同一种故障类型,在不同故障位置、过渡电阻和初始相角情况下,其三相近似熵变化规律相似;与传统的BP网络相比,SVM网络具有训练样本少、训练时间短、识别率高的特点.