基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。     

基于支持向量机的风力发电机组故障诊断预警模型

当前的风力发电机组故障诊断预警模型设置的矩阵一般为单元式的,预警的范围受到限制,导致预警响应时间延长,为此提出对基于支持向量机的风力发电机组故障诊断预警模型的设计与验证分析。根据当前的测定需求及标准,提取故障诊断预警特征量,采用多目标的方式,打破预警范围的限制,设计多目标诊断预警矩阵,以此为基础,构建支持向量机故障诊断预警结构,采用阶次分析实现故障诊断预警处理。测试结果表明：对比传统机器学习风力发电机组故障诊断预警模型测试组、传统MSK-CNN和多源机电信息融合风力发电机组故障诊断预警模型测试组,此次所设计的支持向量机风力发电机组故障诊断预警模型测试组最终得出的预警响应时间被较好地控制在0.25 s以下,说明在支持向量机的辅助下,所设计模型对故障诊断预警的效率较高,针对性更强,具有实际的应用价值。     

基于有向无环图支持向量机的水轮发电机组故障诊断模型

提高水轮机组的状态监测与故障诊断系统的准确性和及时性,对电力系统的安全运行具有重大意义。针对神经网络收敛速度慢、容易陷入局部最优解等不足,提出了一种基于有向无环图支持向量机方法的水轮发电机组故障诊断方法。该方法能有效解决小样本、高维数、非线性等问题,从而能在较短的时间内准确地诊断故障。     

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ITD和LS - SVM的风力发电机组轴承故障诊断

为了更好地识别出复杂条件下风力风电机组主轴承的运行状态,提出了基于固有时间尺度分解(ITD)和最小二乘支持向量机(LS-SVM)的风电机组轴承故障诊断方法。该方法首先将调心滚子轴承振动信号分解成若干个固有旋转分量和一个趋势分量之和。然后,对前几个固有旋转分量的瞬时幅值进行频谱分析,找出频谱中外圈、内圈、滚动体故障特征频率处以及转动频率处的幅值,将其作为故障特征向量。最后,将故障特征向量输入LS-SVM来识别机组轴承的运行状态。实验结果表明,该方法可以快速、较准确地诊断出风力发电机组轴承故障。     

基于支持向量机与知识的汽轮发电机组智能故障诊断研究

针对汽轮机组故障诊断效率与准确率不高的问题,把常见的18种振动故障划分为4类,利用支持向量机对振动信号的频谱进行故障类识别,实现故障的初诊断。对不同类故障建立不同的故障模式识别模型,采用特定的征兆群运用加权模糊逻辑进行知识推理诊断出具体故障模式。提出了故障原因、故障影响和故障处理措施在知识库中的查找方法,使得诊断过程更加细致全面。案例分析表明该方法是有效可行的,对汽轮发电机组智能故障诊断系统的设计具有借鉴意义和深入研究的价值。     

基于多类支持向量机的变压器绝缘故障诊断

利用支持向量机进行故障诊断,提出了一种基于决策树的多类支持向量机,并在变压器绝缘故障诊断中检验了它的有效性。     

支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

直驱永磁风力发电机组的频率响应简化模型及其应用

基于直驱永磁风力发电机组（D-PMSG）详细仿真模型开展多风机虚拟惯量的协同控制研究,存在仿真计算耗时多、难以确定影响虚拟惯量控制的主要因素等问题,为此提出了一种D-PMSG的频率响应简化建模及适用于多机虚拟惯量控制研究的风电场频率响应简化建模方法。仿真结果表明,所提模型能够有效反映风机的频率响应特性,简化风电场建模的复杂度。     

支持向量机的低压故障电弧识别方法

故障电弧是引发电气火灾事故的主要原因之一。该文将支持向量机引入故障电弧研究领域,进行不同负荷情况下故障电弧识别检测。首先参照美国UL1699标准进行实验采集电流数据,然后利用支持向量机实现故障电弧训练、检测识别,并对训练、识别结果进行分析,实验证明本文的检测方法具备一定的泛化能力。     

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。     

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

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.     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。     

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。     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode decomposition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimization algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。