支持向量機(jī)區(qū)間軌道電路故障診斷

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(jī)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(jìn)行采集。支持向量機(jī)建立在vc維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷。在選取診斷模型輸入向量時(shí),對(duì)故障信號(hào)進(jìn)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(jī)可以有效地對(duì)數(shù)字電路故障進(jìn)行診斷。

針對(duì)模擬電路的故障診斷問題,詳細(xì)介紹了支持向量機(jī)算法,由于它在非線性映射、小樣本學(xué)習(xí)方面的獨(dú)特優(yōu)勢(shì),故將它引用到模擬電路的故障診斷過程中。并提出了一種基于支持向量機(jī)的診斷方法,該算法能夠?qū)Ρ粶y(cè)電路的故障進(jìn)行有效并且精確地分類。以折線逼近平方曲線的近似測(cè)量電路為例,設(shè)計(jì)了基于支持向量機(jī)的模擬電路故障診斷系統(tǒng)。以實(shí)際測(cè)試數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練后,對(duì)其它實(shí)際測(cè)量數(shù)據(jù)進(jìn)行診斷,其結(jié)果正確,驗(yàn)證了算法的有效性。

支持向量機(jī)模擬電路故障診斷涉及到特征提取、特征選擇和支持向量機(jī)的參數(shù)優(yōu)化等問題,它們都對(duì)診斷結(jié)果有直接的影響。針對(duì)這一問題,提出了一種基于改進(jìn)的離散粒子群算法的同步優(yōu)化方法。該算法采用非線性慣性權(quán)重和遺傳操作相結(jié)合的方法,提高了粒子群前期迭代的探索能力和后期迭代的開發(fā)能力,同時(shí)降低了粒子群陷入局部最優(yōu)的風(fēng)險(xiǎn)。通過模擬電路的仿真實(shí)驗(yàn),驗(yàn)證了同步優(yōu)化方法和改進(jìn)的離散粒子群算法的有效性。

為提高模擬電路故障診斷率,提出一種基于iwo-pso優(yōu)化支持向量機(jī)的電路故障診斷方法。通過對(duì)典型電路進(jìn)行monte-carlo分析,提取輸出端時(shí)域信號(hào),經(jīng)小波包提取特征參量,生成樣本數(shù)據(jù),再經(jīng)iwo-pso改進(jìn)入侵雜草算法,優(yōu)化多核svm參數(shù)后建立相應(yīng)故障診斷模型。實(shí)驗(yàn)表明,該模型能較好實(shí)現(xiàn)地電路故障診斷模擬,與已有方法相比,可獲得較高的故障診斷正確率。

針對(duì)支持向量機(jī)(supportvectormachine)及小波分解用于模擬電路故障診斷時(shí),一對(duì)一算法具有操作簡單、診斷精度高、所需確定參數(shù)少,小波分解能表現(xiàn)電路響應(yīng)特征但最優(yōu)小波基選取目前缺乏有效方法的特點(diǎn),提出利用混合粒子群算法(hybridparticleswarmoptimization,hpso)對(duì)小波基及一對(duì)一支持向量機(jī)的參數(shù)進(jìn)行聯(lián)合優(yōu)化。將該方法應(yīng)用于模擬濾波器的仿真電路實(shí)驗(yàn),結(jié)果表明:利用該方法很容易求出全局最優(yōu)解,能實(shí)現(xiàn)對(duì)最優(yōu)小波基選取及支持向量機(jī)參數(shù)進(jìn)行聯(lián)合優(yōu)化,避免了參數(shù)選擇的盲目性,提高了模型的診斷精度。

為提高模擬電路故障診斷效率,克服依據(jù)單一信息進(jìn)行診斷的不足,提出了一種支持向量機(jī)信息融合的模擬電路故障診斷方法;首先構(gòu)建了基于支持向量機(jī)的信息融合診斷模型,其次給出了基于小波包變換的能量特征提取和基于主元分析特征壓縮方法,分析了支持向量機(jī)一對(duì)一多分類方法,最后通過模擬電路的仿真實(shí)驗(yàn),與未進(jìn)行信息融合,以及bp、rbf和pnn等神經(jīng)網(wǎng)絡(luò)對(duì)比,結(jié)果顯示,基于支持向量機(jī)信息融合方法的診斷精度最高,約為97.3%。

核數(shù)據(jù)的獲取和處理包括探測(cè)器將核粒子能量通過模擬放大器轉(zhuǎn)換成與之對(duì)應(yīng)的脈沖幅度;再由模擬-數(shù)字轉(zhuǎn)換器(adc)或時(shí)間-數(shù)字變換器(tdc)將探測(cè)器給出的脈沖幅度(或時(shí)間間隔)變換成離散的核信息數(shù)據(jù)。本文根據(jù)其離散數(shù)據(jù)提取特征值并進(jìn)行模式識(shí)別,嘗試基于支持向量機(jī)的模擬電路故障定位,并通過軟件仿真對(duì)此方法進(jìn)行檢驗(yàn)。通過具體成形放大模擬電路仿真實(shí)驗(yàn),驗(yàn)證了支持向量機(jī)對(duì)模擬電路故障定位的有效性。

提出一種利用小波變換提取模擬電路故障特征和基于支持向量機(jī)狀態(tài)分類的模擬電路故障自動(dòng)識(shí)別和診斷方法。首先討論小波變換的基本原理和支持向量機(jī)原理及其多分類算法,同時(shí)著重研究支持向量機(jī)的一種改進(jìn)型一對(duì)多故障分類算法,然后實(shí)現(xiàn)在小波變換上,采用分布式多svm分類器識(shí)別單相橋式整流模擬電路的故障。實(shí)驗(yàn)證明,該方法能準(zhǔn)確有效地對(duì)模擬電路故障進(jìn)行識(shí)別和診斷。

針對(duì)軌道電路故障信息存在大量重復(fù)樣本和冗余屬性，提出一種基于粗糙集和c4．5決策樹算法相融合的軌道電路故障診斷方法。軌道電路故障特征數(shù)據(jù)多為連續(xù)量，需要根據(jù)模糊集理論對(duì)故障樣本進(jìn)行模糊化，形成離散決策表。利用粗糙集處理不完備決策表的能力，去除離散決策表的冗余屬性得到約簡表，結(jié)合決策樹c4．5算法對(duì)約簡決策表進(jìn)行快速訓(xùn)練提取診斷規(guī)則，產(chǎn)生的診斷規(guī)則清晰、可解釋性強(qiáng)，能夠直接運(yùn)用于軌道電路故障診斷中。最后利用模擬數(shù)據(jù)仿真驗(yàn)證該方法的有效性，與id5算法和bp神經(jīng)網(wǎng)絡(luò)法進(jìn)行對(duì)比，仿真測(cè)試表明該方法具有更高的診斷效率和準(zhǔn)確率，對(duì)實(shí)現(xiàn)軌道電路快速魯棒故障診斷具有一定意義。

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(jī)的多元分類器模型,進(jìn)行故障類別診斷。經(jīng)過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。

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。

針對(duì)水電機(jī)組故障信息缺乏、故障識(shí)別困難等問題,提出基于支持向量機(jī)的水電機(jī)組故障診斷模型.并針對(duì)實(shí)測(cè)水電機(jī)組故障數(shù)據(jù),分析支持向量機(jī)水電機(jī)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(jī)組故障診斷中的優(yōu)劣.研究表明,支持向量機(jī)理論在小樣本情況下比神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的診斷能力.

針對(duì)水電機(jī)組故障樣本少的問題,將支持向量機(jī)引入水電機(jī)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(jī)的水電機(jī)組故障診斷模型?；跈C(jī)械設(shè)備\"能量-故障\"映射關(guān)系,運(yùn)用小波分解提取機(jī)組振動(dòng)信號(hào)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(jī),實(shí)現(xiàn)對(duì)機(jī)組不同故障類型的識(shí)別。通過實(shí)驗(yàn)信號(hào)分析,表明將小波能量提取與支持向量機(jī)結(jié)合進(jìn)行水電機(jī)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(jī)組故障診斷提供了新的方法和思路。

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.

電梯故障時(shí),具有故障特征提取困難和故障類型識(shí)別率低的問題。因此,擬提取其振動(dòng)信號(hào)并進(jìn)行分析,找到故障特征。然而,鑒于其振動(dòng)信號(hào)為非平穩(wěn)、非高斯且背景噪聲較大的信號(hào),給有效辨識(shí)造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機(jī)相結(jié)合進(jìn)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(dòng)信號(hào)的能量分布;然后將其能量分布與時(shí)域指標(biāo)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(jī)的輸入對(duì)電梯故障類型進(jìn)行識(shí)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(jī)相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢(shì),證明了該方法的有效性和實(shí)用性。

電梯故障時(shí),具有故障特征提取困難和故障類型識(shí)別率低的問題。因此,擬提取其振動(dòng)信號(hào)并進(jìn)行分析,找到故障特征。然而,鑒于其振動(dòng)信號(hào)為非平穩(wěn)、非高斯且背景噪聲較大的信號(hào),給有效辨識(shí)造成很大困難,所以,提出應(yīng)用最優(yōu)小波包分解和最小二乘支持向量機(jī)相結(jié)合進(jìn)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(dòng)信號(hào)的能量分布;然后將其能量分布與時(shí)域指標(biāo)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(jī)的輸入對(duì)電梯故障類型進(jìn)行識(shí)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(jī)相結(jié)合的故障診斷技術(shù)發(fā)揮了兩者的優(yōu)勢(shì),證明了該方法的有效性和實(shí)用性。

針對(duì)電梯的幾種常見故障,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)。通過對(duì)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(jī)用于電梯故障診斷是一種有效的方法。

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).

本文主要針對(duì)旋轉(zhuǎn)機(jī)械的故障診斷問題,設(shè)計(jì)了基于labview的旋轉(zhuǎn)機(jī)械振動(dòng)測(cè)試系統(tǒng),該系統(tǒng)通過軟件編程來實(shí)現(xiàn)振動(dòng)信號(hào)的存儲(chǔ)、分析及特征提取,并且提出了基于支持向量機(jī)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(jī)分類器中進(jìn)行故障識(shí)別,結(jié)果表明支持向量機(jī)對(duì)于機(jī)械故障有較好的分類效果。

企業(yè)在實(shí)際發(fā)展的過程中,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,可以充分利用故障數(shù)據(jù)樣本來對(duì)其診斷發(fā)展過程中出現(xiàn)的一些問題進(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)我國社會(huì)經(jīng)濟(jì)的不斷繁榮與進(jìn)步。

用轉(zhuǎn)子振動(dòng)試驗(yàn)臺(tái)模擬了汽輪機(jī)典型故障,根據(jù)其頻域變化特性,采用小波包分析對(duì)其建立頻域能量特征向量。最后用svm進(jìn)行故障狀態(tài)識(shí)別,取得了良好的效果。

在現(xiàn)代化生產(chǎn)中，隨著機(jī)電設(shè)備的不斷增多，在運(yùn)行過程中難免會(huì)發(fā)生故障，這就要求需要及時(shí)對(duì)出現(xiàn)故障的設(shè)備進(jìn)行診斷，以保證設(shè)備的正常運(yùn)行。然而，隨著故障診斷技術(shù)的發(fā)展，支持向量機(jī)在設(shè)備故障診斷中得到了廣泛應(yīng)用，其是一種基于數(shù)據(jù)學(xué)習(xí)，以傳統(tǒng)統(tǒng)計(jì)學(xué)理論的方法，可以有效減少算法設(shè)計(jì)的隨意性。