支持向量机的二叉树多分类算法变压器故障诊断中的应用

为提高水电机组故障诊断的准确率,提出基于优化支持向量机多分类器的水电机组故障诊断方法。支持向量机(supportvectormachine,简称svm)在解决小样本问题上有着突出的表现,针对其参数设置采用人工蜜蜂群(artificialbeecolony,简称abc)进行参数优化。建立基于fisher加权的朴素贝叶斯分类器(attributefisherweightednaivebayesclassifier,简称fwnbc)和基于mahalanobis距离的分类器(mahalanobisdistanceclassifier,简称mdc),并与优化的支持向量机分类器组合成为fwnbc+mdc+优化svm的分类融合模型,以基于优化微分经验模式分解法(differentialempiricalmodedecomposition,简称demd)提取的分量作为输入特征向量,应用融合模型对水电机组故障进行诊断,以投票为决策方法。实验结果表明该模型对于未经优化的支持向量机和特征提取以及单一的分类器,能有效提高故障识别的准确率。

针对电梯的几种常见故障,论文采用了最小二乘支持向量机(ls-svm)诊断的方法。采集电梯几种故障状态下的振动信号,用最优小波包的理论分析计算故障振动信号的能量分布,将其能量分布与时域指标相结合,以构造故障特征向量,作为ls-svm的输入来识别电梯的故障原因,并采用遗传算法优化ls-svm的相关参数。通过对电梯六种常见故障的诊断结果表明,基于遗传算法优化的最小二乘支持向量机用于电梯故障诊断是一种有效的方法。

提出了综合考虑风电机组转速及输入/输出轴水平和垂直方向振动信号,对故障数据依照转动周期分组后分别对每个周期的时域指标进行提取,而后基于svm(支持向量机)对提取后的数据进行4种状态下故障分类的方法。测试结果表明,该方法简单有效,具有很好的故障识别能力,适合风电机组齿轮箱故障诊断。

通过对支持向量机核函数的分析发现,当对样本的各个特征赋予不同大小的尺度参数时,可以避免冗余特征干扰分类,增强关键特征在分类中的作用,提高支持向量机分类器的学习和泛化能力。在此基础上,提出一种具有不同特征尺度参数的支持向量机(简称多尺度支持向量机),并通过遗传算法最小化loo(leave-one-out)泛化错误上限估计,根据各个特征的识别能力赋予其不同大小的尺度参数。将多尺度支持向量机用于轴承故障诊断,实验结果表明,与传统的单尺度参数支持向量机相比,多尺度支持向量机具有更好的泛化能力。对压缩机气阀的故障识别表明,尺度参数的大小直接反映了对应特征识别能力的大小,因此可以依据尺度参数的大小进行特征选择,保留关键特征,剔除冗余特征。

变压器故障诊断研究现状

故障样本的缺乏严重制约智能故障诊断的发展,本文提出支持向量机应用到发动机故障诊断中,该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广,而且模型简单,具体是将汽车在典型故障下尾气中各气体的体积分数作为训练样本。用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断。经过libsvm工具箱进行仿真,结果表明经优化后的支持向量机对于小样本故障诊断有很高的准确率。

基于可靠性数据分析和最小二乘支持向量机对电力变压器故障进行了诊断,并给出了实例分析。

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别。既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题。诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度。

支持向量机作为基于统计学理论的机器学习方法，在人工智能识别方面的研究起到了重要的作用。本文将支持向量机智能识别方法引入到机械设备的故障诊断当中，并对支持向量机模型起到关键作用的惩罚因子c和核参数g采用了交叉验证的方法进行最优化计算。建立了基于优化的支持向量机的机械设备故障诊断模型，并且进行了相关实验，实验表明，采用本文介绍的基于支持向量机的故障诊断方法可有效识别出机械设备的故障类型，对机械设备的故障诊断提供了有效的诊断方法。

企业在实际发展的过程中,机械设备作为原生的发展动力,对于自身的长期健康发展具有非常重要的影响。而落实到机械故障诊断方法研究中来,可以充分利用故障数据样本来对其诊断发展过程中出现的一些问题进行有效的把握,充分分析支持向量机的机械故障诊断方法的实质性内容,更好的加强分类故障的有效排除,并且提升诊断方法应用的有效性水平。因此,本文在研究的过程中,主要从支持向量机的相关原理出发,在对基本内容进行系统分析的同时,积极探索多故障分类器的相关建立与测试,从而更好的把握后续内容,推动我国社会经济的不断繁荣与进步。

电力云计算将虚拟化与分布式技术代替传统的服务器+san/nas信息计算模式,虚拟池对数据的整合与管理在提高资源利用率和降低建设成本的同时,由于电力云稳定和可靠工作的前提很大程度上依赖于良好的网络状态,由此也带来故障诊断更加复杂的新挑战.为了实现电力云网络故障的诊断,针对网络故障本身具有的小样本和非线性特征,采用支持向量机svm算法,在二分类无法解决多分类的基础上进行改进,选择了一对一svm,借助实验数据和matlab仿真结果验证了其可行性.

电力云计算将虚拟化与分布式技术代替传统的服务器＋san/nas信息计算模式,虚拟池对数据的整合与管理在提高资源利用率和降低建设成本的同时,由于电力云稳定和可靠工作的前提很大程度上依赖于良好的网络状态,由此也带来故障诊断更加复杂的新挑战.为了实现电力云网络故障的诊断,针对网络故障本身具有的小样本和非线性特征,采用支持向量机svm算法,在二分类无法解决多分类的基础上进行改进,选择了一对一svm,借助实验数据和matlab仿真结果验证了其可行性.

电力设备故障检测一直受到国内外专家的关注。电力变压器是电力设备中极其重要的设备,其运行的可靠性直接关系到整个电力系统的安全与稳定。文章分别论述了油浸式变压器的常见故障及其划分,同时介绍了油浸式变压器离线和在线故障综合诊断方法。通过对各种人工智能应用于变压器的故障诊断方法的列举,认为基于人工智能技术的油中溶解气体在线监测及故障诊断技术是未来的发展方向。同时构建了基于模糊核聚类与支持向量机的油浸式变压器故障在线诊断系统。

在现代化生产中，随着机电设备的不断增多，在运行过程中难免会发生故障，这就要求需要及时对出现故障的设备进行诊断，以保证设备的正常运行。然而，随着故障诊断技术的发展，支持向量机在设备故障诊断中得到了广泛应用，其是一种基于数据学习，以传统统计学理论的方法，可以有效减少算法设计的随意性。

针对水电机组故障信息缺乏、故障识别困难等问题,提出基于支持向量机的水电机组故障诊断模型.并针对实测水电机组故障数据,分析支持向量机水电机组故障诊断模型和常用的神经网络故障诊断模型等理论在水电机组故障诊断中的优劣.研究表明,支持向量机理论在小样本情况下比神经网络具有更强的诊断能力.

本文主要针对旋转机械的故障诊断问题,设计了基于labview的旋转机械振动测试系统,该系统通过软件编程来实现振动信号的存储、分析及特征提取,并且提出了基于支持向量机的智能故障诊断方法,该方法将特征向量直接输入到支持向量机分类器中进行故障识别,结果表明支持向量机对于机械故障有较好的分类效果。

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备\"能量-故障\"映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。

用转子振动试验台模拟了汽轮机典型故障,根据其频域变化特性,采用小波包分析对其建立频域能量特征向量。最后用svm进行故障状态识别,取得了良好的效果。

在现代化生产中，随着机电设备的不断增多，在运行过程中难免会发生故障，这就要求需要及时对出现故障的设备进行诊断，以保证设备的正常运行。然而，随着故障诊断技术的发展，支持向量机在设备故障诊断中得到了广泛应用，其是一种基于数据学习，以传统统计学理论的方法，可以有效减少算法设计的随意性。

变压器是电力系统中的中的重要设备,它的正常运行对电力系统起着至关重要的作用。针对变压器的故障诊断方法,主要有传统比值法以及各种智能诊断方法。针对传统比值法和各种智能诊断方法编码不全,编码与故障类型对应关系太过绝对等缺点。本文将支持向量机、遗传算法和粗糙集相结合,应用到变压器故障诊断中。经过实例证明,该方法切实可行,诊断结果证明了本方法的有效性。

支持向量机（svm）是-种解决小样本分类问题的最佳理论算法,它的核函数的参数选择非常重要,直接影响着故障诊断的准确率.本文将粒子群算法（pso）用于支持向量机的参数优化,提出基于粒子群支持向量机的故障诊断模型,并将其运用于轨道电路中.通过对比matlab仿真结果得出：经过粒子群寻优得到的参数比随机选取的参数更优,所建立的pso-svm模型的故障诊断准确率高于普通的svm模型.

支持向量机(svm)算法以统计学习理论为基础,依据结构风险最小化的原则,且在有效的特征信息有效的情况下,能够对数据中隐藏的有效信息进行挖掘。故本文用支持向量机对zpw-2000轨道电路进行故障诊断研究,且用遗传算法和粒子群算法对其中的参数进行优化,进而实现故障类别的判断。对提高铁路信号维护的智能化水平有重大意义。