小二乘支持向量機(jī)多分類法變壓器故障診斷

根據(jù)齒輪箱故障時(shí)振動(dòng)信號(hào)特點(diǎn),提出了一種基于小波分解和最小二乘支持向量機(jī)(ls-svm)相結(jié)合的齒輪箱故障診斷方法。通過(guò)對(duì)齒輪箱振動(dòng)信號(hào)進(jìn)行小波分解,得到各分解節(jié)點(diǎn)對(duì)應(yīng)頻率段的重構(gòu)信號(hào)和節(jié)點(diǎn)的能量,并將各節(jié)點(diǎn)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(jìn)行故障識(shí)別。診斷結(jié)果表明:該方法能夠準(zhǔn)確地識(shí)別風(fēng)力發(fā)電機(jī)組齒輪箱的常見(jiàn)故障。

為提高水電機(jī)組故障診斷的準(zhǔn)確率,提出基于優(yōu)化支持向量機(jī)多分類器的水電機(jī)組故障診斷方法。支持向量機(jī)(supportvectormachine,簡(jiǎn)稱svm)在解決小樣本問(wèn)題上有著突出的表現(xiàn),針對(duì)其參數(shù)設(shè)置采用人工蜜蜂群(artificialbeecolony,簡(jiǎn)稱abc)進(jìn)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(jiǎn)稱fwnbc)和基于mahalanobis距離的分類器(mahalanobisdistanceclassifier,簡(jiǎn)稱mdc),并與優(yōu)化的支持向量機(jī)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(yàn)?zāi)Ｊ椒纸夥?differentialempiricalmodedecomposition,簡(jiǎn)稱demd)提取的分量作為輸入特征向量,應(yīng)用融合模型對(duì)水電機(jī)組故障進(jìn)行診斷,以投票為決策方法。實(shí)驗(yàn)結(jié)果表明該模型對(duì)于未經(jīng)優(yōu)化的支持向量機(jī)和特征提取以及單一的分類器,能有效提高故障識(shí)別的準(zhǔn)確率。

提出了綜合考慮風(fēng)電機(jī)組轉(zhuǎn)速及輸入/輸出軸水平和垂直方向振動(dòng)信號(hào),對(duì)故障數(shù)據(jù)依照轉(zhuǎn)動(dòng)周期分組后分別對(duì)每個(gè)周期的時(shí)域指標(biāo)進(jìn)行提取,而后基于svm(支持向量機(jī))對(duì)提取后的數(shù)據(jù)進(jìn)行4種狀態(tài)下故障分類的方法。測(cè)試結(jié)果表明,該方法簡(jiǎn)單有效,具有很好的故障識(shí)別能力,適合風(fēng)電機(jī)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(jī)(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(duì)它們進(jìn)行了分類,用留一法檢驗(yàn)其分類效果,并與支持向量機(jī)(supportvectormachine,svm)算法和自組織特征映射(self-organizingmap,som)算法進(jìn)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(wèn)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(guò)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(shí)間和填筑竣工時(shí)沉降量等參數(shù)對(duì)公路軟基沉降有影響。對(duì)公路軟基的觀測(cè)數(shù)據(jù)進(jìn)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(jī)的非線性映射和泛化能力,通過(guò)訓(xùn)練,建立了公路軟基沉降預(yù)測(cè)模型。研究表明,所建立的模型對(duì)公路軟基沉降進(jìn)行預(yù)測(cè)具有較高的精度,同時(shí)具有很好的泛化性能。

針對(duì)在工程實(shí)踐中,應(yīng)用單一方法預(yù)測(cè)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(jī)回歸綜合單一方法預(yù)測(cè)沉降量。該方法能綜合單一方法的特點(diǎn),增強(qiáng)了模型的普適性,從而提高了預(yù)測(cè)精度和預(yù)報(bào)期次。文中討論了如何實(shí)現(xiàn)和運(yùn)用該方法,最后通過(guò)實(shí)例驗(yàn)證了其有效性。

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

針對(duì)最小二乘支持向量機(jī)在利用產(chǎn)生于工業(yè)現(xiàn)場(chǎng)的非理想數(shù)據(jù)集進(jìn)行建模預(yù)測(cè)時(shí),稀疏化模型魯棒性差的問(wèn)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(guò)模糊c均值聚類將訓(xùn)練樣本劃分為若干個(gè)子類;然后計(jì)算每個(gè)子類中各樣本的可能貢獻(xiàn)度,依次從每個(gè)子類中選取具有最大可能貢獻(xiàn)度的樣本作為支持向量;最后更新每個(gè)樣本的可能貢獻(xiàn)度,繼續(xù)從各個(gè)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(jī)負(fù)荷實(shí)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(shí)現(xiàn)模型稀疏化的同時(shí),能夠顯著改善最小二乘支持向量機(jī)模型的魯棒性.

采用最小二乘支持向量機(jī)的方法,利用現(xiàn)場(chǎng)測(cè)量的數(shù)據(jù),建立水泥粒度軟測(cè)量模型;通過(guò)交叉驗(yàn)證方法優(yōu)化參數(shù),并用仿真實(shí)驗(yàn)驗(yàn)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(cè)量方法難以實(shí)現(xiàn)的問(wèn)題,實(shí)現(xiàn)了水泥粒度的在線測(cè)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(jī)應(yīng)用到發(fā)動(dòng)機(jī)故障診斷中,該方法專門針對(duì)小樣本集合設(shè)計(jì),能夠在小樣本情況下獲得較大的推廣,而且模型簡(jiǎn)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(guò)的樣本和最優(yōu)參數(shù)建立基于支持向量機(jī)的多元分類器模型,進(jìn)行故障類別診斷。經(jīng)過(guò)libsvm工具箱進(jìn)行仿真,結(jié)果表明經(jīng)優(yōu)化后的支持向量機(jī)對(duì)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(jī)預(yù)測(cè)算法對(duì)電力電子電路進(jìn)行故障預(yù)測(cè).以基本降壓斬波電路為例,選擇電路輸出電壓作為監(jiān)測(cè)信號(hào),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(cè)算法實(shí)現(xiàn)故障預(yù)測(cè).仿真結(jié)果表明,利用ls-svm對(duì)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(cè)相對(duì)誤差均低于2%,能夠跟蹤故障特征性能參數(shù)的變化趨勢(shì),有效實(shí)現(xiàn)電力電子電路故障預(yù)測(cè).

支持向量機(jī)作為基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法，在人工智能識(shí)別方面的研究起到了重要的作用。本文將支持向量機(jī)智能識(shí)別方法引入到機(jī)械設(shè)備的故障診斷當(dāng)中，并對(duì)支持向量機(jī)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(yàn)證的方法進(jìn)行最優(yōu)化計(jì)算。建立了基于優(yōu)化的支持向量機(jī)的機(jī)械設(shè)備故障診斷模型，并且進(jìn)行了相關(guān)實(shí)驗(yàn)，實(shí)驗(yàn)表明，采用本文介紹的基于支持向量機(jī)的故障診斷方法可有效識(shí)別出機(jī)械設(shè)備的故障類型，對(duì)機(jī)械設(shè)備的故障診斷提供了有效的診斷方法。

企業(yè)在實(shí)際發(fā)展的過(guò)程中,機(jī)械設(shè)備作為原生的發(fā)展動(dòng)力,對(duì)于自身的長(zhǎng)期健康發(fā)展具有非常重要的影響。而落實(shí)到機(jī)械故障診斷方法研究中來(lái),可以充分利用故障數(shù)據(jù)樣本來(lái)對(duì)其診斷發(fā)展過(guò)程中出現(xiàn)的一些問(wèn)題進(jìn)行有效的把握,充分分析支持向量機(jī)的機(jī)械故障診斷方法的實(shí)質(zhì)性內(nèi)容,更好的加強(qiáng)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(guò)程中,主要從支持向量機(jī)的相關(guān)原理出發(fā),在對(duì)基本內(nèi)容進(jìn)行系統(tǒng)分析的同時(shí),積極探索多故障分類器的相關(guān)建立與測(cè)試,從而更好的把握后續(xù)內(nèi)容,推動(dòng)我國(guó)社會(huì)經(jīng)濟(jì)的不斷繁榮與進(jìn)步。

電力設(shè)備故障檢測(cè)一直受到國(guó)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(yùn)行的可靠性直接關(guān)系到整個(gè)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(jiàn)故障及其劃分,同時(shí)介紹了油浸式變壓器離線和在線故障綜合診斷方法。通過(guò)對(duì)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(cè)及故障診斷技術(shù)是未來(lái)的發(fā)展方向。同時(shí)構(gòu)建了基于模糊核聚類與支持向量機(jī)的油浸式變壓器故障在線診斷系統(tǒng)。

電力云計(jì)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(jì)算模式,虛擬池對(duì)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(shí),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(lái)故障診斷更加復(fù)雜的新挑戰(zhàn).為了實(shí)現(xiàn)電力云網(wǎng)絡(luò)故障的診斷,針對(duì)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(jī)svm算法,在二分類無(wú)法解決多分類的基礎(chǔ)上進(jìn)行改進(jìn),選擇了一對(duì)一svm,借助實(shí)驗(yàn)數(shù)據(jù)和matlab仿真結(jié)果驗(yàn)證了其可行性.

針對(duì)電梯的幾種常見(jiàn)故障,論文采用了最小二乘支持向量機(jī)(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動(dòng)信號(hào),用最優(yōu)小波包的理論分析計(jì)算故障振動(dòng)信號(hào)的能量分布,將其能量分布與時(shí)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(lái)識(shí)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(guò)對(duì)電梯六種常見(jiàn)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(jī)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(cè)的最小二乘支持向量機(jī)方法——為及時(shí)掌握圍巖變形趨勢(shì)并采取措施加以控制，在嶺南高速雪家莊隧道施工過(guò)程中，采用一種新的時(shí)間序列預(yù)測(cè)模型--最小二乘支持向量機(jī)(ls-svm)。介紹了ls．svm的基本原理和該預(yù)測(cè)模型的具體操作步驟，實(shí)踐表明，該方...

針對(duì)最小二乘支持向量機(jī)在電力負(fù)荷預(yù)測(cè)應(yīng)用中的參數(shù)優(yōu)化問(wèn)題,將改進(jìn)粒子群算法引入到最小二乘支持向量機(jī)參數(shù)中,建立一種新型的電力負(fù)荷預(yù)測(cè)模型(ipso-lssvm)。首先將最小二乘支持向量機(jī)參數(shù)編碼為粒子初始位置向量;然后通過(guò)粒子個(gè)體之間的信息交流、協(xié)作找到最小二乘支持向量機(jī)的最優(yōu)參數(shù),并針對(duì)標(biāo)準(zhǔn)粒子群算法的不足進(jìn)行相應(yīng)改進(jìn);最后將其應(yīng)用于電力負(fù)荷建模與預(yù)測(cè),并通過(guò)仿真對(duì)比實(shí)驗(yàn)測(cè)試其性能。實(shí)驗(yàn)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(cè)結(jié)果,大幅度減少了訓(xùn)練時(shí)間,滿足電力負(fù)荷在線預(yù)測(cè)要求。

基于最小二乘支持向量機(jī)的砂土液化預(yù)測(cè)方法——使用最小二乘支持向量機(jī)分類方法建立了兩個(gè)砂土液化預(yù)測(cè)模型，預(yù)測(cè)結(jié)果與野外實(shí)際情況全部相符，表明該分類方法用于預(yù)測(cè)砂土液化是可行的，且預(yù)測(cè)準(zhǔn)確率高。

基于最小二乘支持向量機(jī)回歸的單樁豎向極限承載力預(yù)測(cè)——基于單樁載荷試驗(yàn)數(shù)據(jù)，采用最小二乘支持向量機(jī)(lssvm)回歸的方法，建立了單樁豎向極限承載力的預(yù)測(cè)模型．利用文獻(xiàn)中樁的載荷試驗(yàn)數(shù)據(jù)來(lái)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(kù)來(lái)水量的預(yù)測(cè)精度,提出了一種基于最小二乘支持向量機(jī)(ls-svm)的來(lái)水量預(yù)測(cè)模型。實(shí)例應(yīng)用結(jié)果表明,該模型預(yù)測(cè)能力強(qiáng)、預(yù)測(cè)精度高,其預(yù)測(cè)精度明顯高于bp模型,為來(lái)水量預(yù)測(cè)提供了一種可靠、有效的方法。