基于支持向量机的燃气轮机故障诊断

分析燃气轮机的8种典型常见故障,建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性。同时和神经网络方法对比后发现：在小样本情况下,支持向量机方法的计算结果比神经网络要好,推广能力更强,而且效率高于神经网络。本方法针对故障诊断样本少的特点,为建立智能化的燃气轮机状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

基于人工蜂群优化支持向量参数的压气机特性线的表达

为克服传统方法对压气机特性线内插与外推预测性能模拟精度不高的问题及准确实现压气机在变工况条件下基于部件特性线行为的燃气轮机的热力学仿真计算，一种基于蜜蜂采蜜行为的人工蜂群(Artificial Bee Colony, ABC)优化支持向量机 (Support Vector Machine, SVM)参数的方法被提出并用于压气机特性线的表达。从泛化精度及计算耗时的角度，与常用的BP算法、粒子群算法和网格寻优法的SVM模型相比较。同时，为验证训练样本容量对实验结果的影响，减少样本集数量，对比同一转速下不同算法的预测性能曲线及柱状残差图。应用分析表明，不同转速下基于ABC算法优化的SVM模型在压气机特性线的表达上具有更佳的预测精度和计算实时性，并且，该方法不随样本容量波动而精度失准，具有良好的鲁棒性。     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

基于改进人工蜂群算法的锅炉NO_x排放预测优化

针对电厂循环流化床锅炉NOx排放问题进行了研究,并对人工蜂群算法进行了改进,结合最小二乘支持向量机建立了锅炉燃烧NOx排放模型,对锅炉可调参量进行了优化,降低了NOx排放浓度。将改进的人工蜂群算法与基本的人工蜂群算法和粒子群算法进行比较,说明基于改进人工蜂群算法所建立的模型能够很好的预测NOx的排放浓度,具有很强的辨识能力和泛化能力,同时也表明了改进人工蜂群算法计算速度快的优点及优化数据上的优势,通过仿真试验,优化后NOx排放浓度明显降低,体现了其工程实用价值。     

人工蜂群优化支持向量机的电气故障诊断方法研究

摘要： 电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机（SVM）参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。     

基于多类支持向量机的汽轮发电机组故障诊断

故障诊断发展的瓶颈之一是故障样本的缺乏，而不仅在于诊断方法本身。支持向量机方法是专门针对小样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。该文分析了多类支持向量机的DAGSVM算法，时于σ的取值，提出了基于错分样本数的变增量迭代算法，在小样本情况下时汽轮发电机组故障诊断进行了仿真研究，结果表明了该方法的有效性。     

基于支持向量机的柴油机排气阀智能故障诊断研究

排气阀是柴油机的重要部件之一，其故障诊断一直受到研究者的关注，传统的学习机器在小样本学习时不具有良好的泛化能力，其现场效果与实验室精度差距较大。建立在统计学习理论基础之上的支持向量机具有和样本数相适应的最优泛化能力。利用支持向量机适合处理高维数据以及具有良好泛化能力的特点，建立了排气阀故障诊断模型，将排气阀振动信号经过小波包分解后提取的特征指标在小样本时进行支持向量机学习，通过不同核函数的支持向量机和其它智能方法准确率的比较证明：支持向量机较其它智能方法有较大的优越性；准确率对核函数有一定的敏感性；在常用的3种核函数中，线性核的诊断准确率达到了100％，是柴油机排气阀智能故障诊断支持向量机的最佳核函数。     

基于支持向量机的凝汽器故障诊断研究

分析了凝汽器工作过程及故障机理,建立了凝汽器典型故障集、征兆集及典型故障特征向量集合.建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性.同时和神经网络方法对比后发现:在小样本情况下,采用支持向量机方法的计算结果比神经网络更优越,推广能力更强,而且效率高于神经网络.本方法针对故障诊断样本少的特点,为建立智能化的凝汽设备状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值.     

基于IABC-ANFIS的燃气轮机气路故障诊断

为了提高燃气轮机故障诊断的效果,提出了一种基于自适应模糊神经网络(Adaptive Network-based Fuzzy Inference System,ANFIS)和改进的人工蜂群算法(Improved artificial bee colony algorithm,IABC)的故障诊断方法:基于自适应模糊神经网络构建燃气轮机故障诊断模型。针对自适应模糊神经网络受聚类参数影响较大的问题,采用手榴弹爆炸原理改进的人工蜂群算法对这些参数进行优化。仿真结果表明,与未优化的ANFIS模型和ABC-ANFIS模型相比,IABC-ANFIS可以更稳定、准确地识别故障,为燃气轮机故障诊断提供实际参考。     

基于K-L变换的支持向量机在汽轮机故障诊断中的应用

支持向量机应用于故障诊断是近年来研究的热点,在支持向量机算法的基础上,以汽轮机故障为例,引入了K-L变换对故障特征进行提取。结果表明,经K-L变换后的支持向量机算法能够保证故障信息的完整性,有效识别临界故障状态,提高了故障的分类精度,扩展了支持向量机的应用范畴。     

基于小波包能量分析及改进支持向量机的风机机械故障诊断

为了准确诊断风机的机械故障,提出了一种基于小波包能量特征和改进支持向量机的诊断方法.在某4-73No.8D风机实验台上对13种不同运行状态下的振动信号进行采集,利用小波包对振动信号进行消噪、分解与重构,提取其小波包能量特征,得到了各运行状态下风机多测点信息融合的小波包能量特征向量,并利用改进支持向量机对特征向量样本集进行训练与测试,实现了风机机械故障的分类诊断.结果表明:该诊断方法能够有效地诊断风机机械故障的类别、严重程度和发生部位,且诊断准确率高、测试时间短,适用于在线机械诊断.     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

模糊支持向量机在轴系振动故障诊断中的应用

机组的振动水平是表征电厂稳定安全最重要的标志之一.本文利用支持向量机的智能方法对机组的轴系故障进行诊断,在小样本集上取得了100%的分类精度.在此基础上,还引入部分噪声数据,统计其分类性能,展示了支持向量机的容错能力.最后分析了支持向量机方法在轴系振动故障振动的优势和缺陷,引入模糊输出支持向量机进行了改进,给设备维修提供了更多的参考信息.     

基于支持向量机的柴电混合动力故障诊断研究

对柴电混合动力系统级故障诊断进行了研究,利用仿真软件搭建了实时整车模型,并构建了基于支持向量机的柴电混合动力系统的诊断框架.采用一对一方法构建多分类器,故障识别准确率达到98％.构建了柴电混合动力系统故障诊断实时仿真平台,进行了基于支持向量机的柴电混合动力系统故障诊断实时仿真,验证了实时环境下基于支持向量机诊断算法能有...     

燃气轮机故障诊断技术研究综述与展望

研究先进的故障诊断技术对燃气轮机精确测定系统内的故障是其主要的发展方向,这对提高燃气轮机的经济性能具有重要的意义。介绍了国内外燃气轮机故障诊断技术研究的发展现状,并对各种研究方法进行了归类,分析了各自的特点并对其前景进行了展望。     

基于机器学习的燃气轮机控制系统分层故障诊断

针对传统算法在实际应用中存在网络规模庞大、学习训练时间过长和知识“组合爆炸”而导致网络组织失败等问题,提出基于变分模态分解（Variational Mode Decomposition,VMD）、自回归模型（Autoregressive Model,AR）和轻量型梯度提升机（Light Gradient Boosting Machine,LightGBM）算法的燃气轮机控制系统分层故障诊断方法。首先对原始信号进行VMD AR建模,获取最具表征性的故障特征向量;然后根据不同层级特点和故障类型设计多个LightGBM模型;最后采用贝叶斯优化算法优化分层诊断模型中的超参数,并将待测信号输入模型进行故障诊断。结果表明：所提算法不仅能够达到95%以上的故障识别率,而且具有更强的泛化能力。     

基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究

汽轮机通流部分故障特征数据较多、故障类型复杂,很难建立精确的机理模型。提出一种基于加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,WLS-SVM)的改进算法,该算法用输出变量的留一交叉检验误差取代原有误差确定加权系数,解决了WLS-SVM由于加权系数与模型支持值相互影响,样本在剔除与不剔除之间反复变化而不收敛的问题。实验结果表明该方法能有效地剔除异常样本,减少故障特征量的数目,提高了校正模型的稳健性及WLS-SVM特征预测的速度和预测的精度。