小二乘支持向量機多分類法變壓器故障診斷

根據(jù)齒輪箱故障時振動信號特點,提出了一種基于小波分解和最小二乘支持向量機(ls-svm)相結(jié)合的齒輪箱故障診斷方法。通過對齒輪箱振動信號進行小波分解,得到各分解節(jié)點對應(yīng)頻率段的重構(gòu)信號和節(jié)點的能量,并將各節(jié)點能量組成的特征向量作為診斷模型的特征向量,輸入到ls-svm多類分類器中進行故障識別。診斷結(jié)果表明:該方法能夠準(zhǔn)確地識別風(fēng)力發(fā)電機組齒輪箱的常見故障。

為提高水電機組故障診斷的準(zhǔn)確率,提出基于優(yōu)化支持向量機多分類器的水電機組故障診斷方法。支持向量機(supportvectormachine,簡稱svm)在解決小樣本問題上有著突出的表現(xiàn),針對其參數(shù)設(shè)置采用人工蜜蜂群(artificialbeecolony,簡稱abc)進行參數(shù)優(yōu)化。建立基于fisher加權(quán)的樸素貝葉斯分類器(attributefisherweightednaivebayesclassifier,簡稱fwnbc)和基于mahalanobis距離的分類器(mahalanobisdistanceclassifier,簡稱mdc),并與優(yōu)化的支持向量機分類器組合成為fwnbc+mdc+優(yōu)化svm的分類融合模型,以基于優(yōu)化微分經(jīng)驗?zāi)Ｊ椒纸夥?differentialempiricalmodedecomposition,簡稱demd)提取的分量作為輸入特征向量,應(yīng)用融合模型對水電機組故障進行診斷,以投票為決策方法。實驗結(jié)果表明該模型對于未經(jīng)優(yōu)化的支持向量機和特征提取以及單一的分類器,能有效提高故障識別的準(zhǔn)確率。

提出了綜合考慮風(fēng)電機組轉(zhuǎn)速及輸入/輸出軸水平和垂直方向振動信號,對故障數(shù)據(jù)依照轉(zhuǎn)動周期分組后分別對每個周期的時域指標(biāo)進行提取,而后基于svm(支持向量機)對提取后的數(shù)據(jù)進行4種狀態(tài)下故障分類的方法。測試結(jié)果表明,該方法簡單有效,具有很好的故障識別能力,適合風(fēng)電機組齒輪箱故障診斷。

變壓器故障診斷研究現(xiàn)狀

將最小二乘支持向量機(leastsquaresupportvectormachine,ls-svm)算法用于杭州南宋官窯2窯址出土瓷片的分類研究中,根據(jù)瓷片胎和釉的主要、次要和痕量元素組成對它們進行了分類,用留一法檢驗其分類效果,并與支持向量機(supportvectormachine,svm)算法和自組織特征映射(self-organizingmap,som)算法進行了比較。結(jié)果表明:svm算法和ls-svm算法比som算法更適合于處理"小樣本"問題;一般情況下,svm的分類效果比ls-svm的分類效果好,但是ls-svm具有更快的求解速度。

通過影響因素分析,確定了軟土層厚度、軟土層壓縮模量、地表硬層厚度、地表壓縮模量、路堤高度、路堤頂寬、路基填筑時間和填筑竣工時沉降量等參數(shù)對公路軟基沉降有影響。對公路軟基的觀測數(shù)據(jù)進行分析和取樣,輸入樣本為各參數(shù),輸出樣本為路堤中線下地表沉降值,利用最小二乘支持向量機的非線性映射和泛化能力,通過訓(xùn)練,建立了公路軟基沉降預(yù)測模型。研究表明,所建立的模型對公路軟基沉降進行預(yù)測具有較高的精度,同時具有很好的泛化性能。

針對在工程實踐中,應(yīng)用單一方法預(yù)測建筑物沉降存在著局限性,提出了基于最小二乘支持向量機回歸綜合單一方法預(yù)測沉降量。該方法能綜合單一方法的特點,增強了模型的普適性,從而提高了預(yù)測精度和預(yù)報期次。文中討論了如何實現(xiàn)和運用該方法,最后通過實例驗證了其有效性。

基于最小二乘支持向量機回歸的基坑變形預(yù)測——將最小二乘支持向量機回歸用于基坑變形預(yù)測．根據(jù)基坑位移的實測時間序列資料，應(yīng)用最小二乘支持向量機回歸建立了基坑位移與時間的關(guān)系模型．研究結(jié)果表明，最小二乘支持向量機回歸用于基坑變形預(yù)測，具有較高的預(yù)...

針對最小二乘支持向量機在利用產(chǎn)生于工業(yè)現(xiàn)場的非理想數(shù)據(jù)集進行建模預(yù)測時,稀疏化模型魯棒性差的問題,提出了一種基于模糊c均值聚類和密度加權(quán)的稀疏化方法.首先通過模糊c均值聚類將訓(xùn)練樣本劃分為若干個子類;然后計算每個子類中各樣本的可能貢獻度,依次從每個子類中選取具有最大可能貢獻度的樣本作為支持向量;最后更新每個樣本的可能貢獻度,繼續(xù)從各個子集中增選支持向量,直至稀疏化后的模型性能滿足要求.仿真結(jié)果和磨機負(fù)荷實際應(yīng)用表明,該方法能夠兼顧模型在整體樣本集和各工況子集上的性能,在實現(xiàn)模型稀疏化的同時,能夠顯著改善最小二乘支持向量機模型的魯棒性.

采用最小二乘支持向量機的方法,利用現(xiàn)場測量的數(shù)據(jù),建立水泥粒度軟測量模型;通過交叉驗證方法優(yōu)化參數(shù),并用仿真實驗驗證了該方法的有效性,解決了非線性、小樣本、高維數(shù)等常規(guī)測量方法難以實現(xiàn)的問題,實現(xiàn)了水泥粒度的在線測量。

故障樣本的缺乏嚴(yán)重制約智能故障診斷的發(fā)展,本文提出支持向量機應(yīng)用到發(fā)動機故障診斷中,該方法專門針對小樣本集合設(shè)計,能夠在小樣本情況下獲得較大的推廣,而且模型簡單,具體是將汽車在典型故障下尾氣中各氣體的體積分?jǐn)?shù)作為訓(xùn)練樣本。用處理過的樣本和最優(yōu)參數(shù)建立基于支持向量機的多元分類器模型,進行故障類別診斷。經(jīng)過libsvm工具箱進行仿真,結(jié)果表明經(jīng)優(yōu)化后的支持向量機對于小樣本故障診斷有很高的準(zhǔn)確率。

采用最小二乘支持向量機預(yù)測算法對電力電子電路進行故障預(yù)測.以基本降壓斬波電路為例,選擇電路輸出電壓作為監(jiān)測信號,提取輸出電壓平均值及紋波值作為電路特征性能參數(shù),并利用ls-svm回歸預(yù)測算法實現(xiàn)故障預(yù)測.仿真結(jié)果表明,利用ls-svm對基本降壓斬波電路輸出平均電壓與輸出紋波電壓的預(yù)測相對誤差均低于2%,能夠跟蹤故障特征性能參數(shù)的變化趨勢,有效實現(xiàn)電力電子電路故障預(yù)測.

支持向量機作為基于統(tǒng)計學(xué)理論的機器學(xué)習(xí)方法，在人工智能識別方面的研究起到了重要的作用。本文將支持向量機智能識別方法引入到機械設(shè)備的故障診斷當(dāng)中，并對支持向量機模型起到關(guān)鍵作用的懲罰因子c和核參數(shù)g采用了交叉驗證的方法進行最優(yōu)化計算。建立了基于優(yōu)化的支持向量機的機械設(shè)備故障診斷模型，并且進行了相關(guān)實驗，實驗表明，采用本文介紹的基于支持向量機的故障診斷方法可有效識別出機械設(shè)備的故障類型，對機械設(shè)備的故障診斷提供了有效的診斷方法。

企業(yè)在實際發(fā)展的過程中,機械設(shè)備作為原生的發(fā)展動力,對于自身的長期健康發(fā)展具有非常重要的影響。而落實到機械故障診斷方法研究中來,可以充分利用故障數(shù)據(jù)樣本來對其診斷發(fā)展過程中出現(xiàn)的一些問題進行有效的把握,充分分析支持向量機的機械故障診斷方法的實質(zhì)性內(nèi)容,更好的加強分類故障的有效排除,并且提升診斷方法應(yīng)用的有效性水平。因此,本文在研究的過程中,主要從支持向量機的相關(guān)原理出發(fā),在對基本內(nèi)容進行系統(tǒng)分析的同時,積極探索多故障分類器的相關(guān)建立與測試,從而更好的把握后續(xù)內(nèi)容,推動我國社會經(jīng)濟的不斷繁榮與進步。

電力設(shè)備故障檢測一直受到國內(nèi)外專家的關(guān)注。電力變壓器是電力設(shè)備中極其重要的設(shè)備,其運行的可靠性直接關(guān)系到整個電力系統(tǒng)的安全與穩(wěn)定。文章分別論述了油浸式變壓器的常見故障及其劃分,同時介紹了油浸式變壓器離線和在線故障綜合診斷方法。通過對各種人工智能應(yīng)用于變壓器的故障診斷方法的列舉,認(rèn)為基于人工智能技術(shù)的油中溶解氣體在線監(jiān)測及故障診斷技術(shù)是未來的發(fā)展方向。同時構(gòu)建了基于模糊核聚類與支持向量機的油浸式變壓器故障在線診斷系統(tǒng)。

電力云計算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務(wù)器+san/nas信息計算模式,虛擬池對數(shù)據(jù)的整合與管理在提高資源利用率和降低建設(shè)成本的同時,由于電力云穩(wěn)定和可靠工作的前提很大程度上依賴于良好的網(wǎng)絡(luò)狀態(tài),由此也帶來故障診斷更加復(fù)雜的新挑戰(zhàn).為了實現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對網(wǎng)絡(luò)故障本身具有的小樣本和非線性特征,采用支持向量機svm算法,在二分類無法解決多分類的基礎(chǔ)上進行改進,選擇了一對一svm,借助實驗數(shù)據(jù)和matlab仿真結(jié)果驗證了其可行性.

針對電梯的幾種常見故障,論文采用了最小二乘支持向量機(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動信號,用最優(yōu)小波包的理論分析計算故障振動信號的能量分布,將其能量分布與時域指標(biāo)相結(jié)合,以構(gòu)造故障特征向量,作為ls-svm的輸入來識別電梯的故障原因,并采用遺傳算法優(yōu)化ls-svm的相關(guān)參數(shù)。通過對電梯六種常見故障的診斷結(jié)果表明,基于遺傳算法優(yōu)化的最小二乘支持向量機用于電梯故障診斷是一種有效的方法。

隧道圍巖變形預(yù)測的最小二乘支持向量機方法——為及時掌握圍巖變形趨勢并采取措施加以控制，在嶺南高速雪家莊隧道施工過程中，采用一種新的時間序列預(yù)測模型--最小二乘支持向量機(ls-svm)。介紹了ls．svm的基本原理和該預(yù)測模型的具體操作步驟，實踐表明，該方...

針對最小二乘支持向量機在電力負(fù)荷預(yù)測應(yīng)用中的參數(shù)優(yōu)化問題,將改進粒子群算法引入到最小二乘支持向量機參數(shù)中,建立一種新型的電力負(fù)荷預(yù)測模型(ipso-lssvm)。首先將最小二乘支持向量機參數(shù)編碼為粒子初始位置向量;然后通過粒子個體之間的信息交流、協(xié)作找到最小二乘支持向量機的最優(yōu)參數(shù),并針對標(biāo)準(zhǔn)粒子群算法的不足進行相應(yīng)改進;最后將其應(yīng)用于電力負(fù)荷建模與預(yù)測,并通過仿真對比實驗測試其性能。實驗結(jié)果表明,ipso-lssvm可以獲得較高準(zhǔn)確度的電力負(fù)荷預(yù)測結(jié)果,大幅度減少了訓(xùn)練時間,滿足電力負(fù)荷在線預(yù)測要求。

基于最小二乘支持向量機回歸的單樁豎向極限承載力預(yù)測——基于單樁載荷試驗數(shù)據(jù)，采用最小二乘支持向量機(lssvm)回歸的方法，建立了單樁豎向極限承載力的預(yù)測模型．利用文獻中樁的載荷試驗數(shù)據(jù)來訓(xùn)練lssvm模型，并確定了模型參數(shù)．研究結(jié)果表明，同常用的bp網(wǎng)絡(luò)...

為提高水庫來水量的預(yù)測精度,提出了一種基于最小二乘支持向量機(ls-svm)的來水量預(yù)測模型。實例應(yīng)用結(jié)果表明,該模型預(yù)測能力強、預(yù)測精度高,其預(yù)測精度明顯高于bp模型,為來水量預(yù)測提供了一種可靠、有效的方法。

用轉(zhuǎn)子振動試驗臺模擬了汽輪機典型故障,根據(jù)其頻域變化特性,采用小波包分析對其建立頻域能量特征向量。最后用svm進行故障狀態(tài)識別,取得了良好的效果。