支持向量機的二叉樹多分類算法變壓器故障診斷中的應用

為提高水電機組故障診斷的準確率,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)驗模式分解法(differentialempiricalmodedecomposition,簡稱demd)提取的分量作為輸入特征向量,應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確率。

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。

提出了綜合考慮風電機組轉(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,適合風電機組齒輪箱故障診斷。

通過對支持向量機核函數(shù)的分析發(fā)現(xiàn),當對樣本的各個特征賦予不同大小的尺度參數(shù)時,可以避免冗余特征干擾分類,增強關(guān)鍵特征在分類中的作用,提高支持向量機分類器的學習和泛化能力。在此基礎(chǔ)上,提出一種具有不同特征尺度參數(shù)的支持向量機(簡稱多尺度支持向量機),并通過遺傳算法最小化loo(leave-one-out)泛化錯誤上限估計,根據(jù)各個特征的識別能力賦予其不同大小的尺度參數(shù)。將多尺度支持向量機用于軸承故障診斷,實驗結(jié)果表明,與傳統(tǒng)的單尺度參數(shù)支持向量機相比,多尺度支持向量機具有更好的泛化能力。對壓縮機氣閥的故障識別表明,尺度參數(shù)的大小直接反映了對應特征識別能力的大小,因此可以依據(jù)尺度參數(shù)的大小進行特征選擇,保留關(guān)鍵特征,剔除冗余特征。

變壓器故障診斷研究現(xiàn)狀

故障樣本的缺乏嚴重制約智能故障診斷的發(fā)展,本文提出支持向量機應用到發(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數(shù)作為訓練樣本。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確率。

基于可靠性數(shù)據(jù)分析和最小二乘支持向量機對電力變壓器故障進行了診斷,并給出了實例分析。

提出一種基于遺傳算法和支持向量機的故障診斷方法,利用遺傳算法對故障特征集和支持向量機的參數(shù)同時進行優(yōu)化,然后把優(yōu)化選擇的故障特征輸入支持向量機進行故障識別。既剔除了故障特征的冗余性、減少了計算量,又解決了支持向量機的參數(shù)難以選擇等問題。診斷實例表明,該方法能利用較少的故障特征得到較高的診斷精度。

支持向量機作為基于統(tǒng)計學理論的機器學習方法，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。

電力云計算將虛擬化與分布式技術(shù)代替?zhèn)鹘y(tǒng)的服務器+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.

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.

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用于變壓器的故障診斷方法的列舉,認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)。

在現(xiàn)代化生產(chǎn)中，隨著機電設(shè)備的不斷增多，在運行過程中難免會發(fā)生故障，這就要求需要及時對出現(xiàn)故障的設(shè)備進行診斷，以保證設(shè)備的正常運行。然而，隨著故障診斷技術(shù)的發(fā)展，支持向量機在設(shè)備故障診斷中得到了廣泛應用，其是一種基于數(shù)據(jù)學習，以傳統(tǒng)統(tǒng)計學理論的方法，可以有效減少算法設(shè)計的隨意性。

針對水電機組故障信息缺乏、故障識別困難等問題,提出基于支持向量機的水電機組故障診斷模型.并針對實測水電機組故障數(shù)據(jù),分析支持向量機水電機組故障診斷模型和常用的神經(jīng)網(wǎng)絡(luò)故障診斷模型等理論在水電機組故障診斷中的優(yōu)劣.研究表明,支持向量機理論在小樣本情況下比神經(jīng)網(wǎng)絡(luò)具有更強的診斷能力.

本文主要針對旋轉(zhuǎn)機械的故障診斷問題,設(shè)計了基于labview的旋轉(zhuǎn)機械振動測試系統(tǒng),該系統(tǒng)通過軟件編程來實現(xiàn)振動信號的存儲、分析及特征提取,并且提出了基于支持向量機的智能故障診斷方法,該方法將特征向量直接輸入到支持向量機分類器中進行故障識別,結(jié)果表明支持向量機對于機械故障有較好的分類效果。

針對水電機組故障樣本少的問題,將支持向量機引入水電機組故障診斷研究,提出一種結(jié)合小波頻帶分解與最小二乘支持向量機的水電機組故障診斷模型?；跈C械設(shè)備\"能量-故障\"映射關(guān)系,運用小波分解提取機組振動信號各頻帶能量特征值,然后將能量特征值輸入到多分類的支持向量機,實現(xiàn)對機組不同故障類型的識別。通過實驗信號分析,表明將小波能量提取與支持向量機結(jié)合進行水電機組故障診斷是可行有效的,并具有較高的故障分辨能力,為水電機組故障診斷提供了新的方法和思路。

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。

電梯故障時,具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動信號并進行分析,找到故障特征。然而,鑒于其振動信號為非平穩(wěn)、非高斯且背景噪聲較大的信號,給有效辨識造成很大困難,所以,提出應用最優(yōu)小波包分解和最小二乘支持向量機相結(jié)合進行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動信號的能量分布;然后將其能量分布與時域指標相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機的輸入對電梯故障類型進行識別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢,證明了該方法的有效性和實用性。

電梯故障時,具有故障特征提取困難和故障類型識別率低的問題。因此,擬提取其振動信號并進行分析,找到故障特征。然而,鑒于其振動信號為非平穩(wěn)、非高斯且背景噪聲較大的信號,給有效辨識造成很大困難,所以,提出應用最優(yōu)小波包分解和最小二乘支持向量機相結(jié)合進行電梯智能故障診斷的方法。借助最優(yōu)小波包理論,首先提取電梯故障振動信號的能量分布;然后將其能量分布與時域指標相結(jié)合,構(gòu)造故障特征向量;最后,將故障特征向量作為粒子群算法優(yōu)化最小二乘支持向量機的輸入對電梯故障類型進行識別。仿真結(jié)果表明,最優(yōu)小波包理論與最小二乘支持向量機相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢,證明了該方法的有效性和實用性。

研究電路的故障問題,應提高快速性和準確性。為提高仿真電路故障診斷效率,給出了一種基于改進支持向量機的仿真電路故障診斷方法。首先通過小波包變換實現(xiàn)了信號的能量特征提取,根據(jù)主元分析完成了特征壓縮;其次針對支持向量機多分類一對一方法存在的不可分類區(qū),將其與最近鄰分類法相結(jié)合,實現(xiàn)了電路的故障診斷,并提出了一種混合遺傳算法實現(xiàn)了小波函數(shù)和支持向量機參數(shù)的同步選擇;最后通過一仿真電路的仿真實驗,與bp,rbf和pnn等神經(jīng)網(wǎng)絡(luò)對比,結(jié)果顯示基于支持向量機的方法診斷精度最高,達到98%,為設(shè)計提供參考依據(jù)。

為了解決因缺少大量故障數(shù)據(jù)樣本而制約數(shù)字電路故障智能診斷發(fā)展的問題,提出了一種基于支持向量機的故障診斷仿真模型。由fpga仿真產(chǎn)生數(shù)字電路,由pci-7200i/o卡進行采集。支持向量機建立在vc維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷。在選取診斷模型輸入向量時,對故障信號進行篩選,簡化了故障特征向量的提取。仿真結(jié)果表明支持向量機可以有效地對數(shù)字電路故障進行診斷。