基于ReliefF-mRMR与IAO-SVM的变压器故障诊断

为进一步提高变压器故障诊断准确率，提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选；引入混沌反向学习和自适应混合变异策略改进天鹰优化算法，并对最优特征集合和支持向量机(SVM)参数联合寻优，构建最佳故障诊断模型；利用已有变压器故障数据对所提模型仿真实验，并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%，高达95.38%，结果表明所提模型能有效提高变压器故障诊断精度。     

基于VMD和IAO-SVM的电压暂降源识别方法

针对支持向量机(support vector machine, SVM)的惩罚因子、核函数参数选择困难和天鹰优化(aquila optimizer, AO)算法在寻优时容易陷入局部最优解的问题，利用改进的天鹰优化(improved aquila optimizer, IAO)算法对SVM的惩罚因子和核函数参数进行寻优，构建IAO-SVM分类器，利用变分模态分解(variational mode decomposition, VMD)提取电压暂降源信号三相电压的特征向量，并进行归一化处理之后输入到构造好的IAO-SVM分类器中对样本进行训练与识别，并与K近邻、极限学习机、SVM和AO-SVM这4种分类器进行对比。仿真结果表明，在对8种电压暂降源信号分别加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪声情况下，IAO-SVM分类器识别的准确率分别为99.5%、94%、99.25%、100%、99.25%、98.5%和97.25%,其识别准确率最高，验证了在对信号加入不同的高斯白噪声时，IAO-SVM分类器均具有较高的识别准确率和抗噪声能力，有助...     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

基于EEMD和PSO-SVM的滚动轴承故障诊断

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解与粒子群算法优化的支持向量机的故障诊断方法。利用EEMD方法分解振动信号,依据经验选取合适的内禀模态函数进行能量值及包络谱特征幅值比等故障特征参量的计算,构建滚动轴承故障特征向量,然后基于少量不同故障部位及故障程度的样本,利用粒子群算法对支持向量机进行参数优化,进而训练样本并建立故障模型,最后对测试样本进行故障诊断,观察该方法的诊断效果。实验表明,该方法可对多种不同故障状态进行诊断,且分类精度高,证明了振动分析与智能算法结合的方法可有效实现滚动轴承的故障诊断。     

一种滚动轴承故障状态诊断方法

针对滚动轴承故障受噪声污染大，故障特征不明显，导致的故障诊断困难问题，提出了一种新的滚动轴承故障诊断方法。首先利用基尼指数对滚动轴承进行健康状态评估，并对状态异常的振动信号采用最优参数最大相关峭度解卷积进行降噪预处理以突出冲击成分，计算预处理信号的层次熵组成特征矩阵，最后采用布谷鸟算法优化支持向量机相关参数，并完成滚动轴承故障状态的智能诊断。通过实验分析验证了所提方法的可行性，且具有较高的准确率。     

基于多尺度排列熵和改进多分类相关向量机的 滚动轴承故障诊断方法

针对传统的时域、频域和时频域参数提取方法,难以从滚动轴承振动信号中提取出丰富的故障特征问题,提出通过多尺度排列熵提取故障特征,并结合改进的多分类相关向量机进行故障诊断的方法。由于多分类相关向量机的核函数参数不具有自适应选择的能力对故障诊断精度有较大影响,通过一种新智能优化算法-蝗虫优化算法改进多分类相关向量机,实现多分类相关向量机的自适应优化故障诊断。采用美国西储大学的试验数据验证表明,提出的优化故障诊断模型能够实现滚动轴承不同类型的故障诊断和不同故障程度的辨识,与粒子群优化多分类相关向量机的故障诊断模型相比,提出的故障诊断模型准确率达到了100%。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法.利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊...     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

考虑过采样器与分类器参数优化的变压器故障诊断策略

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整体结构,阐述故障诊断的实现过程。在此基础上,提出诊断模型中过采样器、分类器、参数优化器3种主要环节的算法实现：针对过采样器,提出一种基于近邻分布特性的改进合成少数过采样算法实现故障样本的均衡化;针对分类器,采用层次式有向无环图支持向量机算法实现故障样本的多标签分类;针对参数优化器,提出一种双层参数优化方法,上层采用层次搜索算法对过采样倍率寻优,下层采用改进哈里斯鹰算法对支持向量机参数寻优。最后,对所提策略进行算例分析,结果表明,所提策略能够合成质量更高的少数类故障样本,实现故障样本的准确分类。     

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

差分进化算法在变压器故障诊断中应用

针对典型小样本数据的变压器故障诊断,文章提出了一种基于差分进化算法优化的支持向量机构建电力变压器故障诊断方法。该方法是采用差分进化算法来优化支持向量机核函数参数g和惩罚因子C,将优化过的支持向量机对小样本故障数据进行故障诊断。实验结果表明,该方法比网格搜索优化算法和粒子群优化算法具有更高的准确率,非常适合于电力变压器的故障诊断。     

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3〖WTB4〗%〖WTBZ〗,证明了所提方法具有较高的准确度和有效性。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。