基于LS-SVM的制冷系统故障诊断

为了提高制冷系统故障诊断速度及准确性,提出了基于最小二乘支持向量机(LS-SVM)的制冷系统故障诊断模型,并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨(约316 kW)的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明,LS-SVM模型对制冷系统七类故障的总体诊断正确率比支持向量机(SVM)诊断模型、误差反向传播(BP)神经网络诊断模型分别提高0.12%和1.32%;尽管对个别局部故障(冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体)的诊断性能较SVM模型的略有下降,但对系统故障的诊断性能均有较大改善,特别是对制冷剂泄漏/不足故障;诊断耗时比SVM模型减少近一半,快速性亦有所改善.可见,LS-SVM模型在制冷系统故障诊断中具有良好的应用前景.     

最小二乘支持向量机在大坝渗流监测中的应用

支持向量机的训练速度慢．制约了它的发展和推广应用。Suykens提出了一种新的支持向量机方法——最小二乘支持向量机。最小二乘支持向量机是支持向量机的发展和改进,它采用等式约束替代不等式约束,求解速度大大加快。将其用于大坝的渗流监测中．并与传统的支持向量机进行了比较,结果显示二者的预测效果都比较好．但是最小二乘支持向量机的训练效率比支持向量机要高。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

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...     

凝汽器故障诊断最小二乘支持向量回归机模型及仿真应用

研究了凝汽器故障诊断问题。选取了32个故障征兆作为模型的输入,建立了基于最小二乘支持向量回归机的凝汽器故障模型。将所提出的故障诊断方法应用于某发电厂300MW火电厂仿真机凝汽器的故障诊断中,结果表明该方法行之有效,且易于工程实现。     

一种改进型LSSVM模型在电站锅炉燃烧与优化中的应用

采用鲁棒交叉验证算法对传统最小二乘支持向量机模型进行改进,并对某350 MW机组的锅炉燃烧系统进行建模,用以预测锅炉出口烟气参数的变化。结果表明:鲁棒交叉验证最小二乘支持向量机建模方法提高了模型的预测精度,增强了模型的鲁棒性,有效避免了单一元素误差对预测结果的影响;通过优化锅炉燃烧系统输入参数的组合,可以有效提高锅炉的整体经济效益并降低NOx的生成量。     

最小二乘支持向量机在煤着火特性研究中的应用

为避免煤热失重反应静态燃烧过程获取的燃烧参数与实际锅炉动态燃烧之间的误差,以及解决沉降炉实验工作量大、难以对所有煤种进行试验的问题,利用最小二乘支持向量机建立了煤粉着火特性模型,通过对热失重反应过程的机理分析确定最佳输入变量,并进行仿真实验.结果表明:利用热失重反应过程数据预测煤着火性能具有较高的预测精度,可以在实际中应用,指导大型电站锅炉及燃烧装置的设计和运行.     

最小二乘支持向量机在城市防洪体系综合评价中的应用

基于我国城市防洪体系安全评价的指标体系及其等级标准,提出了一种基于小样本的最小二乘支持向量机(LS-SVM)的城市防洪体系安全综合评价模型.在柳州市防洪体系的实例应用结果表明,该模型能较好地对城市防洪体系进行综合评价,评价结果符合客观实际.     

基于最小二次支持向量机数据驱动的Hammerstein系统故障诊断与分离方法

本文在最小二乘支持向量机(LS-SVM)框架,针对Hammerstein非线性系统,设计了一种数据驱动故障诊断与分离(FDI)方法。具体内容包括:构造单适当的输出系统设计基于等价空间的残差生成器,进一步将残差生成器扩展至多输出情况。为了解决实时监控问题,通过低阶和稀疏逼近理论构造半参数残差生成器,此残差生成器带有参数动力学方程和非参数静态函数。在半参数框架下,通过设计参数化矩阵重构实现对传感器/执行器故障的检测与分离。最后,本文给出一个仿真实例验证了所提方法的有效性和实用性。     

基于现场传感器参数及SVM的冷水机组故障诊断

为了使冷水机组故障诊断模型在现场运行中得以推广,采用冷水机组现场运行的传感器参数,基于支持向量机(SVM),对离心式冷水机组的7类故障建立诊断模型SVM?site,并与采用原始64个参数的SVM64模型进行对比分析.结果表明,SVM?site模型耗时减少,且具有较佳的诊断性能,基本满足现场诊断需求.若继续增加润滑油供油...     

基于SVM的断路器状态监视诊断方法研究

提出了一种基于支持向量机(SVM)的断路器监视诊断方法,通过对断路器故障时的特性参数向量进行训练推理,实现断路器在线监视诊断,并用实例验证了该方法的准确性和快速性。     

机车电器电路故障诊断系统的研究

针对机车电气线路故障诊断难度较大的状况,提出了机车电器电路故障诊断系统的基本组成,并对车载诊断系统的基本结构,硬件结构,软件设计进行了介绍。     

基于顺序向前选择算法的制冷系统故障诊断分析

以一台制冷量为90冷t(约316 kW)、制冷剂为R134a的离心式制冷机组为实验对象,从理论上分析该制冷系统的7种典型故障,分析故障征兆与故障间的理论关系,运用基于顺序向前选择(SFFS)算法的封装模型进行特征选择,降低乃至消除特征间的相关度,去除信息冗余,获得不同的能较好表征故障的特征子集.结果显示:运用SFFS算法时选择了22个特征,诊断正确率为89.63%,与原特征集的诊断正确率90.36%基本相当,极大地减少了原特征集的特征数,从64维降为22维;在保证故障检测与诊断正确率的前提下,减少了诊断所需传感器种类和数量,节约了初始投入成本.     

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。     

基于键合图模型的故障诊断方法在凝给水系统中的应用

采用基于键合图模型的故障诊断方法．以蒸汽动力装置的凝给水系统为对象，建立了系统的键合图模型，并据此模型开发出系统的时间因果图，以描述部件故障后系统参数的变化趋势。利用时间因果图的分析结果，可通过监测系统工作参数的变化进行故障诊断。利用Matlab软件开发了系统的仿真分析模型，仿真结果表明了利用时间因果图分析结果的正确性。     

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。     

基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究

汽轮机通流部分故障特征数据较多、故障类型复杂,很难建立精确的机理模型。提出一种基于加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,WLS-SVM)的改进算法,该算法用输出变量的留一交叉检验误差取代原有误差确定加权系数,解决了WLS-SVM由于加权系数与模型支持值相互影响,样本在剔除与不剔除之间反复变化而不收敛的问题。实验结果表明该方法能有效地剔除异常样本,减少故障特征量的数目,提高了校正模型的稳健性及WLS-SVM特征预测的速度和预测的精度。