支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

基于免疫优化多分类SVM的变压器故障诊断新方法

针对支持向量机中参数设置对支持向量机分类精确度影响较大及传统支持向量机不能直接用于多分类问题的状况,提出了一种基于免疫优化多分类支持向量机的变压器故障诊断新方法,该方法利用免疫算法优化支持向量机分类参数。以一类分类算法为基础建立多分类算法模型,在高维特征空间求出超球体中心,然后计算样本与中心最小距离,以此判定该点所属故障类型。该算法充分发挥了支持向量机高泛化能力的优势,大大减少了对支持向量机参数选择的盲目性。仿真计算结果表明,在有限样本情况下,该方法能够达到较高的变压器故障诊断率,从而证实了该方法的正确性和有效性。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于支持向量数据描述的变压器故障检测方法

在变压器故障诊断领域中,针对传统分类算法在没有故障样本信息的情况下无法有效实现故障检测不足的问题,提出了一种基于支持向量数据描述的变压器故障检测算法.该算法只需要目标样本,即正常样本进行训练,无需故障样本信息,最终得到描述正常样本空间结构信息的超球体,决策阶段利用与超球体中心的距离进行判断.通过实验表明,笔者提出的方法在故障样本不均衡的情况下能有效实现变压器的故障检测.     

用LS-SVMs分析油浸式变压器故障

鉴于支持向量机法可较好地解决小样本、非线性、高阶动态系统的检测、分类、诊断等领域的一类实际问题,为改进变压器的故障诊断方法,采用分层决策最小二乘支持向量机作为油浸式变压器故障分类器,利用多层动态自适应优化算法优化了径向基核函数δ,惩罚参数c。采用最少特征量—4种气体作为故障识别的依据,用4级支持向量机进行训练和诊断,以此判断油浸式变压器运行所处的状态。最小二乘多级支持向量机分类器克服了神经网络存在大量的学习样本又易陷入局部极小值等缺点,具有所用特征量少,训练时间短,诊断准确率高等优点。     

考虑过采样器与分类器参数优化的变压器故障诊断策略

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整体结构,阐述故障诊断的实现过程。在此基础上,提出诊断模型中过采样器、分类器、参数优化器3种主要环节的算法实现：针对过采样器,提出一种基于近邻分布特性的改进合成少数过采样算法实现故障样本的均衡化;针对分类器,采用层次式有向无环图支持向量机算法实现故障样本的多标签分类;针对参数优化器,提出一种双层参数优化方法,上层采用层次搜索算法对过采样倍率寻优,下层采用改进哈里斯鹰算法对支持向量机参数寻优。最后,对所提策略进行算例分析,结果表明,所提策略能够合成质量更高的少数类故障样本,实现故障样本的准确分类。     

一种基于M-ary支持向量机的功率变换器故障分类方法

针对功率变换器开关管的故障诊断和定位问题,提出了一种基于遗传算法优化的M-ary支持向量机故障分类方法。该方法以类内类间距离为判据,通过遗传算法来确定与故障本身有关的较优故障编码,然后建立优化后的M-ary支持向量机模型来对功率变换器进行故障诊断和定位。仿真和物理实验结果表明,基于遗传算法优化后的M-ary支持向量机与标准M-ary支持向量机相比,具有更高的诊断精度;与常用的一对一支持向量机和一对多支持向量机相比,需要的子分类器数目少,诊断速度快。     

基于SVM的改进二叉树输电线路故障分类器

在研究二叉树多分类的基础上,结合输电线路故障的特点,考虑不同故障的优先级后,设计了基于SVM的改进二叉树输电线路故障分类器的模型,通过实验选择了最小二乘支持向量机LS-SVM算法和线性函数转换表达式的归一化算法,并用小样本模拟短路数据训练了分类器。测试结果表明,在各种输电线路故障情况下,设计的分类器都具有很高的分类正确率,尤其是对两相接地和不接地短路分类的效果显著,另外,该分类器的数据预处理过程简单,分类步骤少,可以实现输电线路故障的快速分类。     

基于SVM的改进二叉树输电线路故障分类器

在研究二叉树多分类的基础上,结合输电线路故障的特点,考虑不同故障的优先级后,设计了基于SVM的改进二叉树输电线路故障分类器的模型,通过实验选择了最小二乘支持向量机LS-SVM算法和线性函数转换表达式的归一化算法,并用小样本模拟短路数据训练了分类器.测试结果表明,在各种输电线路故障情况下,设计的分类器都具有很高的分类正确率,尤其是对两相接地和不接地短路分类的效果显著,另外,该分类器的数据预处理过程简单,分类步骤少,可以实现输电线路故障的快速分类.     

基于样本集成学习和SO-SVM的变压器故障诊断

针对变压器故障样本类别不平衡造成分类模型准确率偏低的问题,提出一种基于样本集成学习和蛇优化算法(SO)优化支持向量机(SVM)的变压器故障诊断模型。该模型先利用EasyEnsemble采样器对样本进行多次欠采样后生成类别平衡的多个子集;然后以Bagging策略训练SO优化关键参数后的SVM模型,综合各个分类器结果得到最终故障类型。通过算例对所提模型有效性进行验证,数据表明,SO-SVM的故障诊断相比于RF、SVM、KNN等模型,诊断准确率分别提高了3.44%、6.89%、10.92%,AUC值分别提高了0.026 4、0.042 5、0.081 2;在同一分类器下,SO-SVM模型相比于SMOTE和ADASYN样本平衡方法,诊断准确率分别提高了4.59%、2.87%,说明SO-SVM模型对不平衡样本的故障诊断能力更优。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于多分类相关向量机的MMC多相故障诊断关键技术

模块化多电平转换器拓扑结构复杂,当不同相子模块发生故障时,传统诊断方法只检测单个子模块故障,无法识别多相子模块故障。提出了一种多分类相关向量机算法用于模块化多电平换流器的多相故障诊断,对三相电压的时频数据进行傅立叶变换,以获取三相电压的频域数据,使用频域中的典型低次谐波分量作为故障特征量,采用多分类相关向量机算法进行故障分类。通过与传统故障诊断方法的仿真比较,验证了该方法的有效性和准确性。仿真结果表明,该方法在训练精度和测试精度上均优于传统的故障诊断方法,训练精度达到99.2%,测试精度达到99.4%,具有一定的应用价值。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于粗糙集与支持向量机的变压器故障诊断

介绍了基于粗糙集理论(RS)和支持向量机(SVM)的变压器故障诊断方法,使用这种方法可提高训练速度和诊断准确率。     

一种基于经验模式分解与支持向量机的转子故障诊断方法

转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

基于深度信念网络的光伏阵列故障诊断

光伏阵列所处环境恶劣严峻,导致故障频发。为提高光伏阵列故障诊断精度,针对光伏阵列的常见故障类型,提出基于深度信念网络（deep belief networks,DBN）的故障诊断方法。利用Matlab仿真模拟获取实验特征参数,建立以光伏阵列5种运行状态为输出的故障诊断模型;根据深度信念网络的特点,通过识别实验,分析不同训练集、训练周期以及受限玻尔兹曼机（restricted boltzmann machine,RBM）层数等对模型性能的影响,并从整体诊断精度和各类型故障诊断精度2方面,与模糊C均值聚类（fuzzy C-means clustering,FCM）、支持向量机（support vector machine,SVM）和BP神经网络（back propagation neural networks,BPNN）方法进行对比。实验结果表明,该方法适用于光伏阵列故障分类,相比于其他诊断模型,有效提高了故障识别准确率。     

基于小波熵权和支持向量机的高压输电线路故障分类方法

高压输电线路故障类型的正确识别是进行故障定位和事故分析的前提。为此,作者提出一种分层的故障类型识别方法,首先根据线路故障时三相电流小波熵权分布曲线相互间距离的差异、距离之和进行故障的初步归类,构造表征不同故障类别的样本,然后采用支持向量机算法对样本进行训练,得到识别不同故障类型的最优分类面。仿真结果表明：该方法识别速度快,克服了常规线性分类方法的局限性,且故障识别精度不受系统运行方式、过渡电阻以及故障位置的影响,具有较强的通用性和实用性。     

基于非线性频谱特征及核主元分析的模拟电路故障诊断方法

针对模拟电路基于非线性输出频域响应函数(NOFRF)模型进行故障特征提取时,具有维数多、数据量大的特点,提出了采用核主元分析(KPCA)和多类别支持向量机(MSVM)进行故障模式判别的新方法(KPCA-MSVM)。该方法首先采用KPCA对特征向量进行维数压缩、消除变量之间的非线性;其次构造MSVM分类器,在PSpice环境下通过蒙特卡罗仿真生成模拟电路在各种故障状态下的数据,对MSVM分类器进行训练,将训练好的MSVM分类器用于模拟电路的故障状态识别。通过对Sallen-Key带通滤波器模拟电路的故障诊断结果表明,该故障诊断方法对模拟电路参数型故障有很好的识别、定位能力并具有速度快和准确率高的特点。