基于最小二乘支持向量机的电力变压器故障诊断

文章提出使用最小二乘支持向量机(LS-SVM)作为分层决策电力变压器故障诊断模型.首先根据DGA技术以及相关统计分析,选择典型油中故障气体的相对含量作为特征量,然后利用数值预处理后得到的数据样本分别对四级最小支持向量机分类器进行训练和识别,并最后判断输出变压器所处的状态,且针对最小二乘支持向量机存在的参数选择问题,使用了多层动态自适应优化算法来优化最小二乘支持向量机参数.仿真结果表明LS-SVM是一种较为有效的非线性建模方法,具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求.     

基于LCD和KNNCH分类算法的齿轮故障诊断方法

提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包（KNNCH）分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。     

基于最小二乘支持向量机的疲劳裂纹扩展预测

根据腐蚀疲劳裂纹在扩展过程中受到多种环境因素影响,裂纹扩展预测难精确的特点,本文提出了基于遗传算法参数优化的最小二乘支持向量机方法来预测结构腐蚀疲劳裂纹扩展。该算法采用遗传算法优化最小二乘支持向量机的模型参数,从而避免了算法陷入局部最优解,实现了精确度高、泛化能力强的裂纹扩展预测模型。最后通过对已有文献的某试件裂纹扩展的实验数据进行建模分析。结果表明:基于遗传算法的最小二乘支持向量机预测方法优于神经网络算法、蚁群算法,预测误差较小,具有很好的预测能力。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

电力变压器故障自动化实时检测技术

电力变压器故障高精度检测是保障电力系统稳定运行的基本条件。现结合最小二乘法与支持向量机,构建了最小二乘支持向量机分类模型,通过参数优化与样本分类的方式,实时检测变压器运行故障。首先设计了油色谱在线监测系统,获取变压器故障特征样本信息;然后采用粒子群算法优化分类模型的两个参数,粒子群算法优化参数过程中将分类误差作为适应度值,直到其符合迭代终止条件,输出参数优化结果;最后将优化后的参数带入分类模型,将油色谱在线监测数据作为测试样本,模型输出结果即为变压器故障类型,以此实现电力变压器故障检测的目的。     

考虑样本异常值的改进最小二乘支持向量机算法

针对最小二乘支持向量机对异常值敏感、缺乏鲁棒性的情况,提出一种考虑样本异常值的改进最小二乘支持向量机算法。该算法首先通过采用局部异常因子检测算法为每个数据样本计算一个LOF因子,根据其因子值能够有效地将样本分成正常样本和异常样本,然后针对不同样本进行单独设置样本权重。其有效地保证了在降低异常样本权重的同时而不使正常样本权重受到影响,使最小二乘支持向量机在达到目标函数最优化的同时能够保证正常数据信息不丢失,以提高模型的鲁棒性。最后,通过引入"信息熵"和"平均粒距"来改进粒子群算法,将其应用于模型的参数优化。经过实验仿真表明,该算法能够有效地提高模型的鲁棒性,随着异常样本的增多,其模型精度提高大约67%。     

基于LCD基本尺度熵的齿轮故障RVM识别

针对齿轮故障振动信号非线性、非平稳性等特点,以及其故障特征提取较为困难的实际,提出了基于LCD基本尺度熵的齿轮故障特征提取方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行自适应分解,获取原始信号不同尺度分量;根据基本尺度熵能有效区分不同故障信号的复杂度,计算LCD分解所得内禀尺度分量(ISC)基本尺度熵,获得原始信号多个尺度的复杂度特征作为齿轮不同故障下的特征参数;将该特征参数输入相关向量机(RVM)分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。     

运用EMD和GA SVM的齿轮故障特征提取与选择

针对齿轮故障特征提取,首先将齿轮箱振动信号进行经验模态分解,得到一组固有模态函数.计算各固有模态函数的能量和矩阵的奇异值,采用Shannon熵和Renyi熵度量能量和奇异值分布,构成原始特征子集.再采用遗传算法和最小二乘支持向量机的Wrapper方法选择最优特征子集.该方法能够利用较少的特征参数集准确判别齿轮故障,提高了齿轮故障诊断的精度与效率.     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于奇异值分解和支持向量机的齿轮故障诊断

针对大型设备的齿轮运行环境噪声干扰大和缺少故障样本的特点,提出了基于奇异值分解和支持向量机相结合的齿轮故障诊断方法。分析了奇异值分解法在信号特征提取中的应用与优势、支持向量机的原理与算法,并通过试验验证了基于奇异值分解和支持向量机的齿轮故障诊断方法可以实现对齿轮进行快速、准确的故障诊断。