基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用对水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本,通过训练,使最小二乘支持向量机能够反映特征向量和故障类型的映射关系,在完成局部诊断后再实现决策信息融合,从而达到故障诊断的目的。以水电机组振动故障诊断为例,进行了应用检验。结果表明,与常规方法相比,最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点,适合水电机组振动故障的诊断。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用以水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本，通过训练，使最小二乘支持向量机能够反映特征向量和故障类型的映射关系，在完成局部诊断后再实现决策信息融合，从而达到故障诊断的目的。以水电机组振动故障诊断为例，进行了应用检验。研究结果表明，与常规方法相比，最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点，适合水电机组振动故障的诊断。     

基于粗糙集和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于粗糙集和支持向量机理论的变压器故障诊断方法。该算法利用粗糙集技术对变压器知识进行属性约简,并通过属性表获得故障最简决策表作为支持向量机的输入,与此同时,利用粒子群优化算法获得支持向量机的最优参数设置。实验结果表明,该诊断方法分类性能良好、可靠性高且有效可行。     

基于小波包分析和支持向量机的水电机组振动故障诊断研究

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。     

基于量子遗传改进支持向量机理论的变压器故障诊断

提出了基于量子遗传改进支持向量机理论的变压器故障诊断方法.该算法首先利用粗糙集技术时变压器知识进行属性约简,通过属性表获得变压器故障的最简决策表以作为支持向量机的输入,并利用量子遗传算法获得支持向量机的最优参数设置.实验结果表明,该诊断方法分类性能良好、可靠性高且有效可行.     

基于粗糙集和多类支持向量机的水电机组振动故障诊断

针对水电机组常规振动故障诊断分类器不能反映分类中的不确定信息的不足,提出一种基于粗糙集的一对一(1-v-1)多类支持向量机分类方法。该方法充分利用粗糙集对不确定、不完整数据和复杂模式的良好刻画能力及支持向量机优秀的泛化能力,应用粗糙集最核心的思想:上、下近似来描述支持向量机分类结果。结合1-v-1方法实现支持向量机的多类分类,导出多类分类时样本的上、下近似和边界区域的集合表示,并以规则的形式对分类器进行描述。用所提方法对国际标准测试数据进行实验,并应用于某水电厂机组振动故障诊断。所得结果与单纯1-v-1多类支持向量机方法比较,结果表明该分类器具有规则简洁、分类阶段所需存储空间小,能够反映故障模式分类中的不确定信息等优点。     

基于特征约简理论的机组振动故障诊断模型

通过比较主成分分析和粗糙集理论两种特征约简方法,提出了将主成分分析与改进支持向量机相结合的故障诊断方法,建立了主成分分析集成特征约简的振动故障诊断模型。以某汽轮机油膜涡动振动故障信号及某600MW机组汽轮机的质量不平衡振动为例,对本文故障诊断方法进行验证,结果表明,本文故障诊断方法既缩短了诊断时间,又具有较高的诊断准确率。     

基于粗糙集与支持向量机的变压器故障诊断

由于电力变压器故障诊断中数据信息不完备,存在一定的误差,不能完全正确分析、诊断故障。当变压器溶解气体分析复杂时,粗糙集诊断准确度降低,而支持向量机只适合小样本集。为此,提出了粗糙集与支持向量机相结合的变压器诊断方法,首先利用粗糙集对特征变量进行约简,去除冗余变量得到特征信息,应用支持向量机把该特征信息进行正确的分类,从而达到故障诊断的目的。与常规方法比较,该方法简单有效,诊断速度快,诊断正确率高。     

基于粗糙集和聚类PSO-RBF的水电机组故障诊断

正将聚类PSO优化粗糙集-神经网络算法引入水电机组故障诊断中,利用聚类算法和PSO算法的优点改进粗糙集属性约简方法并对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用BP神经网络对粗糙集处理后的故障信息进行诊断。该方法降低了神经网络的输入信息空间维数,简化神经网络结构,有效提高故障诊断的准确性。通过对水电机组振动故障数据进行诊断分析,     

基于粗糙集与支持向量机的变压器故障诊断

提出了一种基于支持向量机、粗糙集和属性约简集选择的变压器故障诊断方法,以二值分类法为基础,构建了基于支持向量机的多值分类器。利用领域知识对变压器连续性色谱数据进行离散化,采用粗糙集进行约简,并用约简集选择算法提取其重要特征子集,建立特征气体比值与故障类型的映射关系,采用粒子群算法对支持向量机核参数进行优化,达到了故障诊断的目的。仿真结果表明,该方法对变压器故障诊断具有较高的诊断率。     

基于小波神经网络的水电机组振动故障诊断研究

提出应用频谱法和小波神经网络对水电机组的振动故障进行诊断。在对水电机组振动信号进行频谱分析后,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使构造的小波神经网络能够反映频谱特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。诊断结果表明,与常规神经网络诊断方法相比,频谱分析与这种小波神经网络相结合的方法进行故障诊断简单有效、并具有诊断速度快和泛化能力强等优点。     

基于CL3-AMW与LTSA的水电机组振动故障特征提取研究

水电机组结构复杂,运行环境恶劣,其运行状态受水、机、电多因素耦合影响,使得传统特征提取方法所得特征敏感性差。针对此问题,提出了基于CL3自适应多小波（CL3 adaptive multiwavelets,CL3-AMW）与局部切空间排列（local tangent space alignment,LTSA）的水电机组振动故障特征提取方法。该方法根据水电机组振动信号特点,对信号处理方法进行自适应改变,通过高维振动故障特征集的自适应构建、特征选择和特征融合三个方面提高水电机组振动故障特征敏感性。利用该方法进行特征提取实验,结果表明,与其他方法相比,所提出的方法能够提高故障特征参数敏感性,为准确识别机组振动故障奠定基础。     

基于广义S变换和QPSO-SVM的水电机组振动故障诊断方法

提出一套完整的水电机组振动故障模式识别方法。首先,基于广义S变换提出一种能反映频谱特性的频带能量谱特征向量提取方法,并对其进行归一化处理后作为诊断模型的输入变量;然后,在分析量子粒子群算法（QPSO）和支持向量机算法（SVM）的基础上,利用QPSO算法对SVM算法中的核函数参数g和惩罚系数C进行寻优以提高SVM算法模型的诊断精度,提出一种基于QPSO-SVM算法的故障分类方法;最后,通过对比仿真和实例应用表明,该方法具有学习能力强、诊断精度高、鲁棒性好等优点,是一种有效的方法。     

基于开机过程信息融合的水电机组故障诊断方法

为保证水电机组运行的可靠性,通常采用基于振动频率分析的故障诊断技术。但是水电机组故障类型间存在重叠的频率特征,仅凭频率分析不易确定故障类型。因此,文中采用信息融合技术,引入开机过程中的时间和空间特征信息,在特征层采用支持向量机作为信息融合手段,在决策层采用D-S证据理论进行信息融合。实验结果表明,信息融合增加了故障诊断的特征信息,提高了故障诊断系统的诊断能力。     

一种基于粗糙集理论的电力变压器故障综合诊断方法

提出了一种基于粗糙集的理论对变压器故障性质和故障部位的综合诊断方法。它既充分利用了油中溶解气体的分析结果,又考虑了一些比较典型的影响因素,如某些电气试验结果和其它试验结果。由于利用了粗糙集理论的决策表约简技术,去除冗余信息,大大压缩了人工神经元网络(ANN)的训练样本,从而有效地提高了ANN的训练速度和诊断的准确率。     

基于粗糙集理论和朴素贝叶斯网络的电网故障诊断方法

电网发生故障后，当故障信息存在不完整或不确定性，甚至关键信息丢失时，会导致故障诊断难以得出正确结论。针对此问题，文章提出了一种粗糙集理论和朴素贝叶斯网络相结合的电网故障诊断方法。首先以保护、断路器作为条件属性，故障区域作为决策属性，考察各种故障情况并建立决策表，然后利用基于可辨识矩阵和信息熵的属性约简方法提取最佳属性约简组合，最后以最佳属性约简组合形成的约简决策表建立朴素贝叶斯网络模型，并对节点概率进行训练。运用VC++编写了基于该方法的故障诊断软件，算例结果表明，该方法正确、有效，能提高系统在丢失核属性情况下的容错性，具有较好的实用价值。     

基于GA与RS的电力系统输电线路故障诊断

针对电力系统中存在着各种故障,及断路器跳闸进而引起大范围停电的情况,提出了一种基于建模-简约-优化的多源信息融合的智能故障诊断方法.通过对电力系统输电线路故障的原因分析,确定基于遗传算法的故障诊断规则.再利用粗糙集理论对故障动作决策表进行最大限度的约简,此方法保留了关键信息同时得到了知识的最小表达,能够更快更准确的诊断出故障发生的位置.通过实验证明:文中所提出故障诊断模型高效便捷,可应用于大型电力系统的故障诊断,尤其是输电线路方面的故障诊断,在诊断电力线路故障方面提供了一个切实有效的方法.     

基于粗糙集理论的真空断路器故障诊断方法

真空断路器的故障和征兆总是存在着随机性、模糊性和不确定性。以粗糙集理论为基础的,用于真空断路器故障诊断。通过以故障征兆为条件属性集,以故障为决策属性集,建立故障诊断的决策表,通过约简决策表,剔除冗余条件属性,建立起征兆与故障的决策规则,从而快速、准确地诊断真空断路器的故障。