小二乘支持向量机多分类法变压器故障诊断

根据齿轮箱故障时振动信号特点,提出了一种基于小波分解和最小二乘支持向量机(ls-svm)相结合的齿轮箱故障诊断方法。通过对齿轮箱振动信号进行小波分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到ls-svm多类分类器中进行故障识别。诊断结果表明:该方法能够准确地识别风力发电机组齿轮箱的常见故障。

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。

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。

变压器故障诊断研究现状

将最小二乘支持向量机(leastsquaresupportvectormachine,ls-svm)算法用于杭州南宋官窑2窑址出土瓷片的分类研究中,根据瓷片胎和釉的主要、次要和痕量元素组成对它们进行了分类,用留一法检验其分类效果,并与支持向量机(supportvectormachine,svm)算法和自组织特征映射(self-organizingmap,som)算法进行了比较。结果表明:svm算法和ls-svm算法比som算法更适合于处理"小样本"问题;一般情况下,svm的分类效果比ls-svm的分类效果好,但是ls-svm具有更快的求解速度。

通过影响因素分析,确定了软土层厚度、软土层压缩模量、地表硬层厚度、地表压缩模量、路堤高度、路堤顶宽、路基填筑时间和填筑竣工时沉降量等参数对公路软基沉降有影响。对公路软基的观测数据进行分析和取样,输入样本为各参数,输出样本为路堤中线下地表沉降值,利用最小二乘支持向量机的非线性映射和泛化能力,通过训练,建立了公路软基沉降预测模型。研究表明,所建立的模型对公路软基沉降进行预测具有较高的精度,同时具有很好的泛化性能。

针对在工程实践中,应用单一方法预测建筑物沉降存在着局限性,提出了基于最小二乘支持向量机回归综合单一方法预测沉降量。该方法能综合单一方法的特点,增强了模型的普适性,从而提高了预测精度和预报期次。文中讨论了如何实现和运用该方法,最后通过实例验证了其有效性。

基于最小二乘支持向量机回归的基坑变形预测——将最小二乘支持向量机回归用于基坑变形预测．根据基坑位移的实测时间序列资料，应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型．研究结果表明，最小二乘支持向量机回归用于基坑变形预测，具有较高的预...

针对最小二乘支持向量机在利用产生于工业现场的非理想数据集进行建模预测时,稀疏化模型鲁棒性差的问题,提出了一种基于模糊c均值聚类和密度加权的稀疏化方法.首先通过模糊c均值聚类将训练样本划分为若干个子类;然后计算每个子类中各样本的可能贡献度,依次从每个子类中选取具有最大可能贡献度的样本作为支持向量;最后更新每个样本的可能贡献度,继续从各个子集中增选支持向量,直至稀疏化后的模型性能满足要求.仿真结果和磨机负荷实际应用表明,该方法能够兼顾模型在整体样本集和各工况子集上的性能,在实现模型稀疏化的同时,能够显著改善最小二乘支持向量机模型的鲁棒性.

采用最小二乘支持向量机的方法,利用现场测量的数据,建立水泥粒度软测量模型;通过交叉验证方法优化参数,并用仿真实验验证了该方法的有效性,解决了非线性、小样本、高维数等常规测量方法难以实现的问题,实现了水泥粒度的在线测量。

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。

采用最小二乘支持向量机预测算法对电力电子电路进行故障预测.以基本降压斩波电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值作为电路特征性能参数,并利用ls-svm回归预测算法实现故障预测.仿真结果表明,利用ls-svm对基本降压斩波电路输出平均电压与输出纹波电压的预测相对误差均低于2%,能够跟踪故障特征性能参数的变化趋势,有效实现电力电子电路故障预测.

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。

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.

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。

提出将灰色多变量模型和自回归ar模型的预测结果作为最小二乘支持向量机的输入变量,将实际值作为其输出向量,训练最小二乘支持向量机以获得组合器的权重,并将训练后的组合模型用于变压器油中溶解气体体积分数的预测。最小二乘支持向量机选用径向基核,其中的参数采用交叉实验的方法获得。这种复合模型综合了多种信息,充分利用了最小二乘支持向量机解决有限样本问题的优势。实例分析证明了所给方法的有效性和相比其他方法的优越性。

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.

隧道围岩变形预测的最小二乘支持向量机方法——为及时掌握围岩变形趋势并采取措施加以控制，在岭南高速雪家庄隧道施工过程中，采用一种新的时间序列预测模型--最小二乘支持向量机(ls-svm)。介绍了ls．svm的基本原理和该预测模型的具体操作步骤，实践表明，该方...

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(ipso-lssvm)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,ipso-lssvm可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。

基于最小二乘支持向量机的砂土液化预测方法——使用最小二乘支持向量机分类方法建立了两个砂土液化预测模型，预测结果与野外实际情况全部相符，表明该分类方法用于预测砂土液化是可行的，且预测准确率高。