基于Labview的变压器故障诊断系统研究

本文首先基于油中溶解气体特征含量构建BP网络结构,采集数据样本,进行网络训练,然后应用信息融合原理搭建分层故障诊断模型,分析判断变压器的故障类型,并在此基础上判断变压器局部放电类型。然后采用虚拟仪器技术,在Labview平台上开发了变压器故障诊断系统,该系统从油气量和局部放电信号两个方面对变压器进行故障诊断和局部放电类型识别。通过油气量判断变压器故障类型,然后应用信息融合原理融合局部放电统计特征参量综合判别变压器局部放电类型。该系统实现了变压器油气含量分析,局部放电信号存储,数据综合处理,数据库的查询、修改以及删除功能,从而实现了对变压器的故障诊断。     

柴油机供油系统状态的朴素贝叶斯诊断方法研究

针对朴素贝叶斯方法的缺点,提出了基于主分量分析方法的柴油机供油系统朴素贝叶斯诊断技术;该方法利用历史诊断记录,通过主分量分析方法对训练样本的输入维数进行约简,将高维相关的特征信号转换为低维相互独立的特征信号,并在此基础上进行贝叶斯诊断分析,从而改善了贝叶斯方法中要求的属性信息之间的独立性限制,实验结果表明,基于主成分分析方法的贝叶斯故障诊断技术对于简化诊断模型,减少算法执行时间,提高诊断速度具有重要作用。     

基于粗糙集和贝叶斯分类器的变电站故障诊断

以变电站的开关继电保护信息为基础,提出了一种基于粗糙集理论和贝叶斯分类器的变电站故障诊断方法.首先利用粗糙集理论的知识约简和处理不确定信息的能力,对变电站的故障诊断知识进行挖掘,实行属性优选,再运用朴素贝叶斯分类器对故障诊断知识进行模式识别.将其应用于变电站故障诊断专家系统中,应用结果显示了该方法能有效地缩小问题求解规模和较强的抗干扰能力,是一种有效的变电站故障诊断方法.     

基于BHNB的细粒度的Android恶意应用检测模型

为进一步提高Android恶意应用的检测效率,提出一种基于BHNB(Bagging Hierarchical Na?ve Bayesian)的细粒度Android恶意应用检测模型。该模型首先对样本库中的应用进行类别划分,并分别对其进行动态分析,提取各个应用程序的行为信息作为特征;然后,采用层次朴素贝叶斯HNB(Hierarchical Na?ve Bayesian)分类算法对各类应用特征集合进行分别训练,从而构建出多个层次朴素贝叶斯分类器;最后,采用Bagging集成学习方法对构建出的多个层次朴素贝叶斯分类器进行集成学习,构建出基于层次朴素贝叶斯的Bagging集成学习分类器BHNB。实验结果表明,该模型能够有效检测出Android恶意应用,且检测效率较高。     

基于数字信号处理的局部放电在线监测系统

提出了一种基于数字信号处理的局部放电在线监测系统,该 系统综合了现代数字信号处理的几种新方法（包括小波分析）对信号进行处理,提取信号特 征,并运用模式识别的方法对局部放电信号进行识别。在此基础上,由专家系统做出判断。     

基于数字信号处理的局部放电在线监测系统

提出了一种基于数字信号处理的局部放电在线监测系统,该系统综合了现代数字信号处理的几种新方法（包括小波分析）对信号进行处理,提取信号特征,并运用模式识别的方法对局部放电信号进行识别。在此基础上,由专家系统做出判断。     

SPT-EEMD算法的电缆局部放电信号提取及诊断系统

为了解决电缆运行中受外界影响产生故障的问题,提出了电缆局部放电信号特征提取及故障诊断方法,研究了基于SPT-EEMD算法的电缆局部放电信号特征提取,并设计了电缆局部放电信号的特征提取及报警系统。采用MAX132芯片,实现18位高精度转换和抑制50 Hz的工频干扰信号,并通过LCD12864显示并报警。还设计了电缆故障诊断系统,该系统采用Stm32单片机进行相关处理,实现了电缆的故障诊断。试验表明,电晕放电、悬浮放电、气泡放电和油中放电4种局部放电类型的识别准确率为90.8%,在节点都为260000长度时,消耗了65 s。     

朴素贝叶斯算法在支气管炎诊断中的应用

论文主要研究朴素贝叶斯算法在支气管炎诊断中的应用.首先,对支气管炎患者的问卷调查数据进行离散化处理,学习到支气管炎类型与病症症状的模型;然后基于此模型,利用朴素贝叶斯算法求出该模型的最大后验概率分布,从而确定患者所属的支气管炎类型.     

基于用户行为的邮件分类算法

针对垃圾邮件过滤过程中分类模型难以个性化、难以适应用户兴趣动态变化的问题,提出了一种基于用户行为的邮件分类算法。通过分析朴素贝叶(NB)斯分类算法的原理,改造朴素贝叶斯算法,使其具有动态调整能力。邮件服务器接收到新邮件后自动进行分类判别,用户浏览邮件的过程中对邮件进行操作,根据用户对错分邮件的处理自动将该邮件加入训练数据集,并动态更新相应特征的统计概率,使邮件分类算法能够依据用户对不同邮件的操作行为动态调整分类模型,以达到有效过滤垃圾邮件的目的。与常用的贝叶斯分类算法的实验比较表明在给定小样本集合进行训练的情况下,新算法对于垃圾邮件的识别率比传统的朴素贝叶斯方法、基于风险敏感的朴素贝叶斯方法等提高了10%,获得了较好的分类性能。     

基于粗集的朴素贝叶斯分类算法及其应用

朴素贝叶斯方法是数据库分类知识挖掘领域一项基本技术,具有广泛的应用。论文针对朴素贝叶斯方法的限制,提出了基于粗集理论的贝叶斯的分类知识挖掘方法。该方法首先基于粗集理论的属性约简能力,根据数据库中条件属性和决策属性之间的依赖关系,进行属性的约简处理,然后基于朴素贝叶斯方法进行分类知识挖掘。实验结果表明,基于粗集理论的贝叶斯分类方法改善了贝叶斯分类方法中属性之间独立的限制,简化了挖掘模型,使挖掘性能具有明显的优化。     

基于信息增益率的WNB水下机器人故障分类

提高故障诊断能力对于确保水下机器人系统的稳定运行具有重要意义,故障分类是目前水下机器人故障诊断所面临的一个重要问题。针对水下机器人推进器系统数据特征,提出一种基于信息增益率的加权朴素贝叶斯故障分类算法。首先,计算故障训练样本的先验概率,将各属性的信息增益率作为权值;其次,构建基于增益率加权的朴素贝叶斯分类模型;然后,对检测的故障数据利用分类模型获取具有最大后验概率的故障模式,实现故障分类。与朴素贝叶斯算法和决策树算法相比,仿真实验结果表明基于信息增益率加权的朴素贝叶斯算法的分类成功率更高,能够有效地实现水下机器人的故障分类。     

局部放电检测的三维线框模型

局部放电监测中广泛采用三维谱图方法分析放电特征,进行故障预警.放电数据具有采集周期间隔短,数据量大,实时性要求高等特性,而目前的三维谱图模型技术存在响应慢,结构细节易被遮挡等问题.因此,提出了一种三维线框模型,通过顶点和棱边来描述几何形状,并采用矩阵变换法对立体形状进行二维投影.该模型具有结构简洁、内存需求量小、响应速度快等优点.实际应用表明,三维线框模型可以良好展示局部放电数据的三维谱图.     

面向水质分类的分组降维核朴素贝叶斯模型

为提高贝叶斯模型在实际数据中处理相关性维度时的效率、精度,并保持其可解释性,本文提出一种改进的核朴素贝叶斯模型。首先通过关联规则挖掘相关维度子集,然后对这些子集进行降维处理,利用降维后的数据构建核朴素贝叶斯模型。实际应用的结果显示,该模型减少了降维对数据的影响,在保留有效信息的同时,提高了模型的可解释性。     

贝叶斯网络在电子系统故障诊断中的应用研究

电子系统大多结构复杂,各组成模块存在错综复杂、相互影响的关系,另外测点较少且测点数据常常是不完备的。针对此类情况,以某电源系统为研究对象,提出了基于贝叶斯网络的电子系统故障诊断方法。首先依据系统的结构获得其因果图,并对各测点信号进行离散化处理;其次建立用于故障诊断的贝叶斯网络模型,并且根据历史数据完成该网络的参数学习,最后利用获得的事实来实现故障的诊断。仿真结果验证了该方法的有效性,为电子系统的故障诊断提出了一种新的思路。     

基于粒子群的加权朴素贝叶斯入侵检测模型

针对传统朴素贝叶斯算法对高维复杂的入侵行为检测效率低下的状况,提出一种基于粒子群的加权朴素贝叶斯入侵检测模型。模型首先用粗糙集理论对样本属性特征集进行约简,再利用改进的粒子群算法优化加权朴素贝叶斯算法的属性权值,获得属性权值的最优解,用获得的最优解构造贝叶斯分类器完成检测。其中,改进的粒子群是采用权衡因子方法更新其速度和位置公式,避免产生局部最优。两种算法的结合,既能解决传统朴素贝叶斯算法的特征项冗余问题,同时也可以优化特征项间的强独立性问题。通过实验证实了该模型的实效性,提高了检测率。     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

基于距离度量的局部加权朴素贝叶斯算法改进

基于局部加权朴素贝叶斯算法和处理混合型属性距离度量方法的研究,针对局部加权算法中存在的一些问题,将两种相似性距离度量方法运用于局部加权朴素贝叶斯方法,构造出VDMLWL和IVDMLWL两种算法。通过在WEKA中的实验将这两种算法的分类结果进行分析与比较,发现改进的局部加权朴素贝叶斯的距离函数,能更精确地对不同类型属性数据进行分类,有效提高了局部加权朴素贝叶斯算法分类的效率和可靠性。     

GIS局部放电检测的有源外置UHF传感器设计

针对传统无源外置局部放电超高频﹙UHF﹚传感器频带窄、增益低、容易引入噪声的问题,研究并设计了基于有源集成天线﹙AIA﹚技术的有源外置传感器。传感器通过宽频带天线接收局部放电产生的电磁波信号,在天线介质板上直接由有源对数检波器放大信号进行包络检波,省去了传统设计中的平衡不平衡转换与射频传输线,降低天线前端的匹配损耗,改善传感器的频带、噪声和增益。测试结果表明:传感器中心频率为900 MHz,驻波比小于2的频带为730 MHz~1.05 GHz,传感器输出信号峰值为5 V,频率为2~10 MHz。该传感器抗干扰能力强,增益高,适合GIS局部放电的检测。     

KNN-朴素贝叶斯算法的滚动轴承故障诊断

滚动轴承的故障诊断对于提高工业生产效率,保障工业生产的稳定安全地运行具有重要意义。为了提高滚动轴承故障识别的正确率,提出一种使用KNN-朴素贝叶斯决策组合算法对滚动轴承故障诊断。组合算法利用朴素贝叶斯算法对使用不同K值的KNN算法初步分类结果进行再分类以达到提高滚动轴承故障识别的目的。首先,使用小波包能量法对滚动轴承振动信号进行能量特征提取,然后使用多个参数K值不同的KNN算法对能量特征数据预分类,得到多个KNN算法分类结果集,将分类结果集进行处理得到预分类结果集,将预分类结果集作为朴素贝叶斯算法的输入,使用朴素贝叶斯算法对数据再分类。实验结果表明,组合算法相较于传统KNN算法及贝叶斯算法在滚动轴承的故障诊断率得到了有效提高,实现了对滚动轴承故障的有效诊断。     

GIS局部放电检测的有源外置UHF传感器设计

针对传统无源外置局部放电超高频(UHF)传感器频带窄、增益低、容易引入噪声的问题,研究并设计了基于有源集成天线(AIA)技术的有源外置传感器.传感器通过宽频带天线接收局部放电产生的电磁波信号,在天线介质板上直接由有源对数检波器放大信号进行包络检波,省去了传统设计中的平衡不平衡转换与射频传输线,降低天线前端的匹配损耗,改善传感器的频带、噪声和增益.测试结果表明:传感器中心频率为900 MHz,驻波比小于2的频带为730 MHz ～ 1.05 GHz,传感器输出信号峰值为5V,频率为2～10 MHz.该传感器抗干扰能力强,增益高,适合GIS局部放电的检测.