支持向量機(jī)的二叉樹多分類算法變壓器故障診斷中的應(yīng)用

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。

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(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。

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。

通過(guò)對(duì)支持向量機(jī)核函數(shù)的分析發(fā)現(xiàn),當(dāng)對(duì)樣本的各個(gè)特征賦予不同大小的尺度參數(shù)時(shí),可以避免冗余特征干擾分類,增強(qiáng)關(guān)鍵特征在分類中的作用,提高支持向量機(jī)分類器的學(xué)習(xí)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(jī)(簡(jiǎn)稱多尺度支持向量機(jī)),并通過(guò)遺傳算法最小化loo(leave-one-out)泛化錯(cuò)誤上限估計(jì),根據(jù)各個(gè)特征的識(shí)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(jī)用于軸承故障診斷,實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的單尺度參數(shù)支持向量機(jī)相比,多尺度支持向量機(jī)具有更好的泛化能力。對(duì)壓縮機(jī)氣閥的故障識(shí)別表明,尺度參數(shù)的大小直接反映了對(duì)應(yīng)特征識(shí)別能力的大小,因此可以依據(jù)尺度參數(shù)的大小進(jìn)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(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。

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

提出一種基于遺傳算法和支持向量機(jī)的故障診斷方法,利用遺傳算法對(duì)故障特征集和支持向量機(jī)的參數(shù)同時(shí)進(jìn)行優(yōu)化,然后把優(yōu)化選擇的故障特征輸入支持向量機(jī)進(jìn)行故障識(shí)別。既剔除了故障特征的冗余性、減少了計(jì)算量,又解決了支持向量機(jī)的參數(shù)難以選擇等問(wèn)題。診斷實(shí)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(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.

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.

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)。

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(guò)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。

針對(duì)水電機(jī)組故障信息缺乏、故障識(shí)別困難等問(wèn)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.

本文主要針對(duì)旋轉(zhuǎn)機(jī)械的故障診斷問(wèn)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(guò)軟件編程來(lái)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。

針對(duì)水電機(jī)組故障樣本少的問(wèn)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(guò)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。

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。

支持向量機(jī)（svm）是-種解決小樣本分類問(wèn)題的最佳理論算法,它的核函數(shù)的參數(shù)選擇非常重要,直接影響著故障診斷的準(zhǔn)確率.本文將粒子群算法（pso）用于支持向量機(jī)的參數(shù)優(yōu)化,提出基于粒子群支持向量機(jī)的故障診斷模型,并將其運(yùn)用于軌道電路中.通過(guò)對(duì)比matlab仿真結(jié)果得出：經(jīng)過(guò)粒子群尋優(yōu)得到的參數(shù)比隨機(jī)選取的參數(shù)更優(yōu),所建立的pso-svm模型的故障診斷準(zhǔn)確率高于普通的svm模型.

支持向量機(jī)(svm)算法以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ),依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則,且在有效的特征信息有效的情況下,能夠?qū)?shù)據(jù)中隱藏的有效信息進(jìn)行挖掘。故本文用支持向量機(jī)對(duì)zpw-2000軌道電路進(jìn)行故障診斷研究,且用遺傳算法和粒子群算法對(duì)其中的參數(shù)進(jìn)行優(yōu)化,進(jìn)而實(shí)現(xiàn)故障類別的判斷。對(duì)提高鐵路信號(hào)維護(hù)的智能化水平有重大意義。

針對(duì)模擬電路的故障診斷問(wèn)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(guò)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。

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(wèn)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。