一种变压器故障诊断新方法

提出一个基于欧氏聚类（Euclidean Clustering,EC）和支持向量机（Support Vector Machine,SVM）的变压器故障诊断模型及其求解步骤。选择典型油中气体作为模型的输入参数,按照变压器常见的13种故障类型,利用训练集样本数据建立基于EC和SVM多分类的组合故障诊断模型。通过与其他组合诊断的方法进行比较证明了该模型的有效性。     

基于主元分析的支持向量数据描述机械故障诊断

针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法--支持向量数据描述法(SVDD).这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态.试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试.试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力.     

基于HMM/SVM的风电设备故障趋势预测方法研究

由于风力发电设备复杂且积累的资料与故障样本少;传统的诊断方法,例如神经网络,忽视了前与后关系,且需要大量故障训练样本,往往都不能有效的进行故障诊断;结合隐马尔可夫模型(Hidden Markov Model,HMM)有利于处理连续动态信号,以及支持向量机(Support Vector Machine,SVM)分类能力强的优点;提出了基于HMM/SVM串联结构的故障诊断模型;首先通过从风电设备振动信号中有效提取非平稳特征,利用HMM计算未知信号与风力发电设备各状态的匹配程度,形成特征向量提供给SVM最后判别,实验结果表明该方法比单纯HMM和SVM识别率分别提高了9.17%和5.84%。     

变速风力发电机故障观测器的设计和应用

针对模型包含未知非线性函数的变速风力发电机故障诊断问题,采用反卷法和最小二乘支持向量机对未知非线性函数进行辨识,将辨识结果作为补偿项加入比例高阶积分观测器中,消除未知非线性项对故障诊断精度的影响,建立了基于最小二乘支持向量机非线性项辩识模型的比例高阶积分故障观测器。李雅普诺夫函数证明该故障观测器的稳定性,仿真实验表明该故障观测器可以准确、快速、有效地诊断变速风力发电机故障。     

基于加权模糊支持向量描述的旋转机械故障分类

基于支持向量数据描述良好的分类性能,针对旋转机械故障诊断中故障样本获取的特点,提出了基于正负类样本的加权模糊支持向量数据描述多类分类器,不仅考虑了正类样本,而且也充分考虑了负类样本对分类结果的影响.利用模拟故障样本对系统进行了实验,结果表明提出的方法在系统中具有良好的分类能力.     

基于支持向量机的矿井通风机故障诊断系统的研究

针对矿井通风机故障诊断过程中样本数据有限的特点,本文提出了一种基于支持向量机的矿井通风机故障诊断方法。支持向量机是一种机器学习方法,它对有限的样本数据具有良好的学习能力。采用支持向量机对样本数据通过学习形成故障分类器,利用该分类器对故障样本进行测试,得出矿井通风机的故障诊断结果。结果表明：支持向量机对有限样本数据具有良好的推广能力,最终达到了快速并准确地诊断矿井通风机故障的目的。     

基于双树复小波包和改进SVM的轴承故障诊断

为了提高滚动轴承内圈、滚动体、外圈等故障诊断效率,提出了将双树复小波包和支持向量机（Support Vector Machine,SVM）结合的故障诊断方法。采用双树复小波包对轴承振动信号分解和重构,提取重构信号中的故障能量特征并构造特征样本作为支持向量机诊断模型的输入。针对支持向量机的参数选取没有固定方法而导致故障诊断的准确性降低的问题,采用人工鱼群算法对支持向量机的惩罚系数和核参数进行寻优。用寻优得到的参数建立支持向量机诊断模型对特征样本进行故障诊断。仿真结果表明提出的方法不仅可以提高降噪效果从而得到滚动轴承故障振动的特征信号,而且能实现更高精度的故障诊断。     

基于边界样本选择的支持向量机加速算法

针对支持向量机（Support Vector Machine,SVM）处理大规模数据集的学习时间长、泛化能力下降等问题,提出基于边界样本选择的支持向量机加速算法。首先,进行无监督的K均值聚类;然后,在各个聚簇内依照簇的混合度、支持度因素应用K近邻算法剔除非边界样本,获得最终的类别边界区域样本,参与SVM模型训练。在标准数据集上的实验结果表明,算法在保持传统支持向量机的分类泛化能力的同时,显著降低了模型训练时间。     

一种改进的TLD跟踪算法研究

在TLD(Tracking-Learning-Detection)跟踪算法的研究上,提出了一种基于SVM(Support Vector Machine)的TLD目标跟踪算法.改进的TLD跟踪算法采用支持向量机(SVM)分类器进行图像目标正负样本的分类学习,有效提高了算法的鲁棒性以及实时性.另外对算法的Haar-Like...     

支持向量机及其在密闭鼓风炉故障诊断中的应用

针对密闭鼓风炉故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足,提出了应用支持向量机(SVM)进行故障诊断的新方法.采用改进"1对其余"算法构建多个SVM,利用可靠性数据分析技术中一些基本概念处理原始样本数据作为特征向量,输入到由多个SVM构成的多类分类器中进行故障分类.经实验证明,该方法简单,重复训练量少,训练、分类速度快,准确度高.     

基于SVM 的二叉树多类分类算法及其在故障诊断中的应用

基于结构风险最小化原则的支持向量机(SVM)对小样本决策具有较好的学习推广性。但由于常规SVM算法是从2类分类问题推导出的，在解决故障诊断这种典型的多类分类问题时存在因雄，因而提出一种依赖故障优先级的基于SVM的二叉树多级分类器实现(2PTMC)方法，该方法具有简单、直观，重复训练样本少的优点。通过将其应用于柴油机振动信号的故障诊断，获得了令人满意的效果。     

基于WPA-SVM的多分类故障混合诊断模型

针对目前机械故障诊断中难以进行特征提取和常规SVM算法诊断多类分类问题时存在困难等问题,提出了结合了WPA理论和基于二叉树的多级SVM分类器的WPA-SVM多分类故障混合诊断模型。采用小波包分析对机械信号提取频域能量特征向量,通过训练多个依赖故障优先级的基于二叉树的多级SVM分类器中,找到样本中的支持向量,并以此决定超平面。然后根据最优分类平面,对测试集的样本进行故障诊断。通过对两种不同特征提取方法、三种不同SVM识别策略的实验比较结果可知,该方法是有效的。     

支持向量机的涡扇发动机试车故障诊断

针对涡扇发动机在试车过程中缺少有效诊断气路故障方法的问题,为某型涡扇发动机建立了基于支持向量机的气路故障诊断系统.支持向量机算法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力.该系统建立了发动机非线性稳态模型,生成包含八种典型气路故障的故障样本库,采用支持向量机对故障特征和故障模式进行关联,并用训练好的向量机网络对故障分类.利用该型涡扇发动机试车数据对该系统进行的验证,诊断正确率在80%以上.研究表明该方法能基本满足该涡扇发动机地面试车故障诊断的要求,具有较好的工程应用前景.     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于MW-KECA与变量贡献SVDD的间歇过程故障检测系统

针对间歇过程的非线性和时变性特点以及故障易误报的问题,提出了一种将移动窗-核熵成分分析(MW-KECA)故障监测与基于变量贡献的支持向量数据描述(SVDD)故障诊断集合而成的故障检测系统。MW-KECA方法构建局部模型能有效处理数据的时变性,同时保留KECA优秀的非线性处理能力。故障诊断中以各变量对CS统计量-向量间角度关系指标的贡献作为输入数据来构建SVDD分类器,相较于原始数据,故障贡献能够突出同类相似信息和异类差异信息。通过青霉素发酵仿真实验,验证了检测系统在监测准确性与故障识别率上都有良好效果,证明了该检测系统的有效性。     

基于支持向量数据描述的异常检测方法

提出了一种基于支持向量数据描述算法的异常检测方法。该方法将入侵检测看作是一种单值分类问题,建立正常行为的支持向量描述模型,通过该模型可以检测各种已知和未知的攻击行为。该方法是一种无监督的异常检测方法,能够在包含噪声的数据集进行模型训练,降低了训练集的要求。在KDD CUP99标准入侵检测数据集上进行实验,并与无监督聚类异常检测实验结果相比较,证实该方法能够获得较高检测率和较低误警率。