参数优化的支持向量机机车车轮状态检测

针对车轮状态检测中存在的类间样本误分代价不等的问题,利用自适应变异粒子群算法对代价敏感支持向量机(CS-SVM)的参数进行优化。该方法从数据样本中提取不均衡数据创建训练样本,采用代价敏感的支持向量机建模。为了提高分类的精确度,选用径向基核函数优化模型结构。提出了自适应变异粒子群算法优化CS-SVM的两个不同惩罚参数和核函数,并用参数优化的代价敏感支持向量机实现重载机车车轮状态分类。最后,通过仿真验证,车轮状态检测的平均准确率可以达到95%,平均处理速度24 s,具有实时性和较强的鲁棒性,能够满足重载机车运行要求。     

变压器不平衡样本故障诊断的过采样和代价敏感算法北大核心CSCD

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。     

基于改进的QBC和随机森林的管道类别非均衡堵塞故障识别

针对城市埋地排水管道堵塞故障检测过程中有标签故障样本少,管道运行状态样本集存在类别不均衡及样本标注成本高昂的问题,提出一种基于主动学习的排水管道堵塞故障分类识别方法。该方法采用改进后的委员会样本查询策略通过基于一致熵的委员会样本查询策略建立主动学习模型来实现不均衡样本集的学习。经过充分考虑样本的信息度并挖掘信息度高的未标注样本进行标注后,结合多个随机森林分类器组成委员会对未标注样本进行分类识别。在实验室所采集的管道运行数据集上对委员会样本查询策略中的投票熵、一致熵和随机选择样本查询策略进行对比验证。实验结果表明,采用基于一致熵的委员会查询策略在类别分布均衡初始训练集下有更快的收敛速度和更好的稳定性,在类别非均衡分布的初始训练集下同样具有良好的识别效果。     

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。     

考虑小波奇异信息与不平衡数据集的输电线路故障识别方法

鉴于输电线路故障识别中数据集的非均衡性问题,提出一种基于小波奇异信息和改进合成少数类过采样(synthetic minority over-sampling technique,SMOTE)算法的输电线路故障识别方法。首先,通过PSCAD/EMTDC仿真构造输电线路故障不平衡数据集,结合平稳小波变换(stationary wavelet transform,SWT)与奇异值分解(singular value decomposition,SVD)技术提取相电流及零序电流的故障分量的小波奇异值作为特征参数,然后采用改进SMOTE算法在少数类的样本中心邻域进行插值再抽样处理,调整数据集的不平衡度,利用优化后的数据集训练支持向量机(support vector machine,SVM)组合分类器,对不同故障工况下的10种输电线路故障类型进行分类识别。仿真结果表明,该文的方法能有效地提高分类算法在样本数据不平衡的情况下对少数类的识别能力和整体的识别准确率,具有较好的泛化性和较强的鲁棒性,并且对多种分类算法同样适用。     

IAO优化SVM的电机滚动轴承故障诊断

对于当前存在电机滚动轴承多种类型故障分类准确率不高的现象,提出一种改进天鹰优化算法（IAO）优化支持向量机（SVM）的电机滚动轴承故障诊断方法。首先,介绍了基本天鹰优化算法,然后引入Tent混沌映射和自适应权重对其改进,提高收敛速度,防止陷入局部最优;其次,对10种状态下的滚动轴承故障时域信号样本进行VMD分解,得到不同状态的时频域特征组成特征样本集。最后,利用IAO算法对支持向量机的惩罚参数(c)和核参数(g)进行优化,从而构建IAO-SVM滚动轴承故障诊断模型。最终结果表明,IAO-SVM诊断模型对电机滚动轴承10种状态下的故障诊断准确率最高达100%。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断

针对振动信号判别断路器机械故障过程受干扰影响的特征提取问题,提出一种自适应白噪声完整集合经验模态分解(CEEMDAN)与样本熵相结合的故障特征提取方法。通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法(FWA)优化支持向量机(SVM)分类器,对断路器不同运行状态进行分类识别。实验结果表明:基于CEEMDAN样本熵特征对于信号干扰不敏感,FWA-SVM诊断方法对于高压断路器分闸操动过程故障辨识效果良好。     

基于主成分分析——支持向量机优化模型的断路器故障诊断方法研究

为了准确实现电磁斥力机构真空断路器的故障诊断,针对电磁斥力机构真空断路器分闸振动信号,在正常状态、单一故障状态、多个故障共存状态下,通过小波包分解、希尔伯特-黄变换(HHT)提取振动信号能量熵向量,结合特征提取方法原理分析了两种方法提取特征量的有效性,提出了主成分分析(PCA)—支持向量机(SVM)优化模型进行故障诊断,并验证了网格搜索算法(GSA)、粒子群算法(PSO)、遗传算法(GA)3种参数寻优算法的性能。经实验测试,PCA-SVM优化模型解决了因样本特征信息存在噪声和冗余而引起的SVM识别准确率下降的问题,有效提升了测试样本的识别准确率和模型效率,具有较好的诊断效果。     

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。     

（15期已排版）基于代价敏感组合核相关向量机的电力变压器 故障诊断

组合核相关向量机可以融合多个特征空间,输出变压器隶属于各种状态的概率。将代价敏感机制融入组合核相关向量机,构建了代价敏感组合核相关向量机,该算法以误诊断代价最小为目标,按贝叶斯风险理论预测样本的故障类别,克服了传统诊断方法未考虑误诊断代价差异的问题。针对代价敏感组合核相关向量机核函数参数选取需人为设定的问题,采用K折交叉验证和粒子群算法相结合的方法寻优核函数参数。基于油中溶解气体分析(dissolved gas analysis,DGA)数据的诊断实例表明,与BP神经网络,支持向量机及组合核相关向量机算法相比,代价敏感组合核相关向量机不仅具有较高的诊断正确率,而且具有较低的误诊断代价。     

基于多域特征的螺栓松动检测方法研究

螺栓作为机械设备最常用的连接件,螺栓连接的稳定性对保障机械设备安全运行起着至关重要的作用,对螺栓松动程度进行检测有着重要意义。针对螺栓松动4种不同状态,提出了一种基于变分模态分解(VMD)及时频敏感特征与最小二乘支持向量机(LSSVM)相结合的螺栓松动检测方法。针对螺栓松动的4种不同状态,搭建了螺栓松动检测模拟实验平台,通过加速度传感器获取螺栓松动4种不同状态振动响应数据;提取了时频域敏感特征量,结合VMD分解的IMF分量能量熵组成状态检测敏感多特征向量,将提取的多特征向量结合LSSVM对螺栓不同松动状态进行识别,并对比基于经验模态分解(EMD)-LSSVM及EMD-多特征-LSSVM检测结果。结果显示,基于多域特征的螺栓松动检测方法识别率优于EMD-LSSVM检测方法。     

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。     

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WD-CS-SVM的超短期风电功率组合预测

为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果叠加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。     

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。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。