基于主成分分析与支持向量机的汽轮机故障诊断

汽轮机故障诊断的一大难题是故障样本的缺乏,由于支持向量机针对小样本情况能取得很好的效果,为此,提出基于主成分分析与支持向量机的故障诊断方法,首先采用主成分分析方法对汽轮机故障数据进行故障特征提取,将特征向量作为支持向量分类器的输入,按照汽轮机的故障类型训练分类函数.对于支持向量机参数的选取,提出了基于错分样本数的蚁群优化算法.在小样本情况下对汽轮发电机组故障诊断进行了仿真研究.结果表明,应用该算法可以正确且有效地诊断多类汽轮机故障.     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

基于深度学习的发电机故障挖掘方法研究

发电机工作环境复杂,发电机的涡轮叶片在燃烧的气体作用下高速转动,电机本身容易产生故障。通过对发电机故障特征数据的挖掘,可实现故障诊断。传统方法采用支持向量机SVM故障挖掘和分类算法,解决发电机故障检测的稳定性问题,但随着故障特征的增加,故障特征相似性增强,挖掘性能下降。提出一种基于深度学习支持向量机的发电机故障挖掘算法。对发电机故障挖掘原理进行描述,构建故障数据挖掘模型,采用深度学习支持向量机对故障特征进行数据分类处理,解决发电机故障数据的相似性干扰问题,提高了故障数据挖掘和分类性能,仿真实验表明,采用该算法进行发电机故障挖掘,通过深度学习,对故障数据的特征分类性能较好,提高故障诊断能力。     

基于多类支持向量机的变压器故障诊断模型

针对现有支持向量机诊断模型构造复杂、参数设计困难等问题,建立了基于多类支持向量机的变压器故障诊断模型,并提出一种实用的支持向量机参数寻优方法。该方法结合网格搜索,对训练样本进行分组交叉验证寻找给定范围内的最优参数,有效地解决了支持向量机的参数设计难题。实例计算表明,基于参数寻优建立的多类支持向量机模型在保证很高的故障分类正确率的同时,大大降低了二值支持向量机分层组合模型的构造及参数设计的复杂程度,具有很好的实用性和推广性。     

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。     

大型风电机组电动变桨系统变桨角度故障诊断

为提高大型风电机组电动变桨系统变桨角度故障的判别准确性,结合模糊粗糙集特征量约简和基于粒子群算法优化的支持向量机进行变桨角度故障诊断分析研究。首先基于模糊粗糙集理论建立变桨系统特征参数约简的数学模型,通过对变桨相关运行数据进行约简,确定对故障诊断贡献率较高的参数;再利用实际运行数据训练经粒子群优化的支持向量机,从而获得高精度诊断模型;然后设计基于双层支持向量机的故障程度判别模型,可对故障进行进一步分类。最后通过实际运行数据对变桨角度故障进行诊断实验,实验结果表明,该诊断方法能准确快速地判别故障并可进行故障程度分类。     

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TWSVM算法的发动机故障识别方法

为了快速有效地诊断出汽油发动机故障,提出了一种基于孪生支持向量机(TWSVM)的发动机故障诊断方法.该方法利用HC、CO、CO2、O2和NOx共5种尾气参数值,并对其进行规范化处理,然后把这些数据作为特征向量,用于孪生支持向量机构成的多分类器中进行训练和测试,从而达到识别故障类别的目的.试验结果表明:采用孪生支持向量机分类方法比利用传统支持向量机具有更好的分类效果,且训练速度更快;在小样本数据情况下,故障诊断正确率可达到98.4%,能有效描述汽车尾气成分变化与发动机故障状态之间的复杂关系.     

基于全信息小波包和支持向量机的旋转机械故障诊断

针对传统旋转机械单通道故障诊断的信息不完整以及缺少故障样本等问题,提出了基于全信息小波包和支持向量机的旋转机械故障诊断方法.运用小波包频道能量分解技术提取了全信息能量特征向量,以此作为支持向量机多故障分类器的故障样本,经训练的分类器作为故障智能分类器可对设备工作状态进行自动识别和诊断.实验研究表明:基于全信息小波包和支持向量机的故障诊断方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,显著提高了故障诊断的准确率.     

基于人工蜂群算法优化支持向量机的燃气轮机故障诊断

针对基于SVM(支持向量机)的故障诊断方法中支持向量机的参数难以选取导致诊断结果较差的问题,采用ABC(人工蜂群算法)对支持向量机的惩罚因子C和核函数参数σ进行优化;并构建了ABC-SVM(人工蜂群优化支持向量机)对燃机涡轮叶片故障进行诊断。诊断实例表明,该方法诊断准确率达到96. 43%,具有很好的诊断效果,为燃气轮机故障诊断提供了一种新的方法,具有实际应用价值。     

基于提升小波包的离心泵故障诊断方法

为准确诊断离心泵的振动故障,提出了基于提升小波包和相关向量机的离心泵振动故障诊断方法.首先通过提升小波包方法快速提取各状态振动信号的分解系数能量、时域统计参数作为特征量.针对支持向量机稀疏性不高而导致诊断速度慢的问题,利用相关向量机实现分类诊断.研究结果表明,该方法能够有效地诊断离心泵的振动故障,诊断率达95.5％;与...     

基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

基于遗传算法优化支持向量机的船用柴油机气门漏气故障智能诊断方法

针对船用柴油机气阀漏气故障的问题,提出一种结合遗传算法（genetic algorithm,GA）与支持向量机（support vector machine,SVM）的船舶柴油机气阀漏气振动诊断方法,称之为遗传算法优化支持向量机（GA-SVM）。通过分析静态与动态工况下的缸盖振动信号,提取训练SVM特征参数,利用GA-SVM的惩罚因子与核函数参数对故障进行识别。试验结果表明,GA-SVM方法完善了SVM参数选取方法,可有效识别柴油机气门漏气故障。优化后的整体故障诊断准确率为99.333%,相比于未优化前的测试集,故障诊断正确率提高了约2%。     

基于RVM-ANFIS的燃气轮机气路故障诊断

为了提高燃气轮机气路故障诊断的准确率和效率,采用相关向量机(RVM)先对燃气轮机气路中的压气机、涡轮叶片和燃烧室进行故障划分。用自适应神经模糊推理系统(ANFIS)进一步对故障进行分类。实验结果表明,方法有很强的学习能力和特征提取能力,与支持向量机(SVM)、BP神经网络相比,能更加准确、快速地识别故障。     

基于内禀模态能量熵与支持向量机的转子故障智能诊断方法的研究

大型旋转机械转子的运转情况是生产过程中最重要的问题之一,在故障初期对故障识别并实现智能诊断具有重要的意义。然而大型旋转机械存在较大的非线性,并且故障样本较少,给特征提取和状态识别带来了很大困难。基于经验模态分解(EMD)后内禀模态函数的能量熵,提取各个内禀模态函数的能量作为特征向量,并以此作为支持向量机(SVM)的输入参数来输入支持向量机进行故障诊断。实验表明这种方法能够对故障状态与正常状态正确分类,实现故障的智能诊断。     

基于模糊规则和支持向量机的凝汽器故障诊断

有向无环决策图支持向量机(DDAGSVM)算法是在支持向量机1-v-1算法基础上,引入了图论中有向无环图的思想而构建的多分类方法.它将多个支持向量机1-v-1两类分类器组合成一个带有根结点的多层的有向无环决策图来实现分类,它建立在结构风险最小化原理基础之上,能在训练样本较少的情况下得到很好的分类效果.在总结汽轮机凝汽器常见故障的基础上,建立了凝汽器典型故障集,通过模糊规则获得凝汽器故障征兆知识库,采用DDAGSVM算法对小样本情况下凝汽器设备典型故障诊断进行了研究,实例计算表明DDAGSVM算法具有较高的诊断准确率.     

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.     

基于支持向量机的汽轮机振动故障诊断系统

以MATLAB为开发平台构建了一套汽轮机振动故障诊断系统.该系统以支持向量机算法为核心,并通过建立支持向量机多分类模型对汽轮机常见故障进行了精确的诊断.