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。     

基于粗糙集和支持向量机的水电机组振动故障诊断

提出应用粗糙集和支持向量机水电机组振动的故障诊断模型.运用粗糙集理论对水电机组振动信号的属性特征进行预处理,在约简去除其冗余属性后得到决策表,将决策表作为支持向量机的学习样本,通过训练,使构建的支持向量机多分类器能够反映属性特征和故障类型的映射关系,从而达到故障诊断的目的.测试结果表明,与常规方法相比,应用粗糙集和支持向量机相结合的方法进行故障诊断具有简单有效、诊断速度快和良好的鲁棒性等优点,是一种有效的诊断方法.     

基于最小二乘支持向量机的机车轴承故障诊断

针对神经网络故障诊断存在的诸多问题,提出了基于最小二乘支持向量机的机车轴承故障诊断方法。采用最小二乘支持向量机方法建立多类故障分类器,对输入的特征向量信息进行分类,完成故障诊断功能。仿真证明了最小二乘支持向量机在小样本情况下比神经网络具有更强的泛化能力,用于故障诊断时在识别准确率和抗干扰能力方面有明显的优势。     

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。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于小波包分析和支持向量机的异步电机转子断条故障诊断

提出了一种基于小波包分析(WPA)和支持向量机(SVM)的异步电机转子断条故障诊断方法。针对异步电机转子断条故障时定子电流出现的边频分量(1±2s)f进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响。采用多个最小二乘支持向量机组成故障分类器,兼顾了训练误差和计算效率,将故障特征向量输入支持向量机进行训练,从而实现在小样本情况下转子断条故障的在线识别。试验结果表明:基于小波包分析提取的故障特征明显,由WPA和SVM构成的诊断系统,具有良好的分类能力和泛化能力,有效提高了异步电机转子断条故障在线诊断的准确率。     

基于最小二乘支持向量机的高压断路器故障诊断

为了快速、准确地对高压断路器发生的故障进行分析和诊断,确定故障的性质、类别和部位,提出了一种高压断路器故障诊断的新方法。首先对高压断路器分合闸线圈电流进行分析,提取电流和时间特征量形成特征向量,然后用遗传算法对最小二乘支持向量机(least square support vector machine,LS-SVM)参数进行优化,最后,将特征向量输入到优化后的最小二乘支持向量机中进行故障识别、分类。试验表明,该方法可以准确地识别断路器的多种故障类型,为断路器故障定位和状态检修提供了依据。与广泛使用的神经网络方法相比,该方法在样本较少时仍能获得较好的诊断效果,更适用于高压断路器等小样本设备的故障诊断。     

基于ITD和LS - SVM的风力发电机组轴承故障诊断

为了更好地识别出复杂条件下风力风电机组主轴承的运行状态,提出了基于固有时间尺度分解(ITD)和最小二乘支持向量机(LS-SVM)的风电机组轴承故障诊断方法。该方法首先将调心滚子轴承振动信号分解成若干个固有旋转分量和一个趋势分量之和。然后,对前几个固有旋转分量的瞬时幅值进行频谱分析,找出频谱中外圈、内圈、滚动体故障特征频率处以及转动频率处的幅值,将其作为故障特征向量。最后,将故障特征向量输入LS-SVM来识别机组轴承的运行状态。实验结果表明,该方法可以快速、较准确地诊断出风力发电机组轴承故障。     

基于参数优化的电力变压器故障诊断模型

针对当前电力变压器故障诊断效率低、误差大的难题,提出了基于参数优化的电力变压器故障诊断模型。首先提取电力变压器故障的特征,将其作为最小二乘支持向量机输入,电力变压器故障类型作为输出,然后采用最小二乘支持向量机对电力变压器的故障诊断样本进行学习,构建电力变压器故障识别的分类器,并引入混沌粒子群算法对最小二乘支持向量机的参数进行优化,最后进行了电力变压器故障诊断的仿真对比测试。测试结果表明,本文模型可以准确辨识各种类型的电力变压器故障,获得较高正确率的变压器故障诊断结果,电力变压器故障诊断的速度,而且电力变压器故障诊断整体性能要优于当前其它电力变压器故障诊断模型。     

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QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

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。     

融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。     

基于频谱法与径向基函数网络的水电机组振动故障诊断

引起水电机组振动的原因很复杂,而且水电机组的振动故障往往是多故障同时发生,使得故障诊断很困难,目前主要是应用基于模式识别的神经网络来进行故障分类,尤其是BP网络应用较多。文章提出应用频谱法与径向基神经网络相结合的方法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,使神经网络能够反映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。水电机组振动故障诊断仿真分析表明,与常规方法相比,利用频谱分析和神经网络相结合的方法进行故障诊断具有简单有效等优点。