支持向量数据描述法在变压器故障预警中的应用

变压器故障诊断既是共性问题,也是个性问题．文章提出对变压器故障进行预警的新方法——支持向量数据描述法（SVDD）．该方法仅需要变压器正常运行的数据,不需要故障数据,就可以建立单值分类器,从而监测变压器的运行状态,及时将故障状态检测出来．实例表明,SVDD具有分类精度较高和较快的运算速度．     

支持向量数据描述法在变压器故障预警中的应用

变压器故障诊断既是共性问题,也是个性问题,文章提出对变压器故障进行预警的新方法——支持向量数据描法（SVDD）,该方法仅需要变压器正常运行的数据,不需要故障数据,就可以建立单值分类器,从而监测变压器的运行状态,及时将故障状态检测出来、实例表明,SVI）D具有分类精度较高和较快的运算速度．     

基于支持向量机的机械故障诊断方法研究

针对因缺少大量故障数据样本而制约机械故障智能诊断发展的问题，提出了一种基于支持向量机的机械故障诊断新方法，介绍了该方法的原理和算法，并利用模拟故障数据建立了多故障分类器。这种诊断方法只需要少量的时域故障数据样本来训练故障分类器，不必进行信号预处理以提取特征量，便可实现多故障的识别和诊断。测试结果表明，当数据样本中含有26％的噪声时，故障分类器仍然能正确分类多种故障。这种诊断方法具有算法简单、可对故障在张分类和故障分类能力强的优点。     

支持向量机及其在机械故障诊断中的应用

针对目前机械故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足，提出了应用支持向量机进行机械故障诊断的方法，研究了将小波包分析与信号能量分解用于机械故障的特征提取。该方法将振动信号小波包分析后的信号频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。该分类器只需少量训练样本，而且不必预先知道故障分类的经验知识就能实现正确分类。研究结果表明：选用不同核函数及其参数的多故障分类器对分类精度有影响；在样本不带噪声和带15％噪声情况下，支持向量机的分类精度均高于BP神经网络的分类精度，具有更好的分类性能。     

一种改进的支持向量数据描述算法

数据描述只使用目标集训练样本获得关于目标集的描述,支持向量数据描述（SVDD）是一种有效的单值分类数据描述算法,根据分类边界线上的支持向量之间距离的大小。利用距离的相似度来对训练集进行约减,实验结果表明,该算法与传统SVDD相比减少了训练时所需的支持向量数目,因而减少了测试时间,同时分类性能也稍有提高．     

样本不均衡条件下基于自调整支持向量机的故障诊断

故障数据样本和正常运行数据样本量的不均衡将导致支持向量机在构建故障分类超平面时发生偏移,降低了基于支持向量机的故障诊断的诊断准确率. 针对该问题,文中提出一种能够自动调整风险惩罚因子的新型支持向量机. 该方法能够自举式地对有效样本进行挑选,并加大高信息量数据样本的风险惩罚因子,抑制样本不均衡导致的分类超平面偏移,进而提高故障诊断的准确性. 所提方法被用于变压器故障诊断实验,实验过程中正负样本的风险损失始终相等,有效地抑制了样本不均衡现象对诊断造成的影响,验证了所提算法的有效性.      

基于小波和支持向量数据描述的故障智能诊断

提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类.通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度.     

双最小二乘支持向量数据描述

为了提高标准支持向量数据描述的分类精度和分类时间,构造双最小二乘支持向量数据描述,并对比分析在不同样本集上的分类性能以及分类性能随参数和样本规模的变化。在训练阶段,双最小二乘支持向量数据描述应用等式约束代替标准算法中的不等式约束,通过求解线性方程组而非凸二次规划得到正负2类样本的超球形描述边界,进而设计一个分段函数作为分类规则;在测试阶段,计算待测样本到正负2类样本的最小包围超球球心的距离,并根据距离的最小值选取相应的分类规则。数值试验结果表明双最小二乘支持向量数据描述的有效性和优越性。在基准数据集上,双最小二乘支持向量数据描述的分类精度比标准算法高1.68%,而分类时间仅为标准算法的16.51%;在正态分布数据集上,双最小二乘支持向量数据描述具有比标准算法高的分类精度和短的分类时间,而分类时间上的优势在大规模样本集上更加明显,其在2 000个和10 000个样本集上的分类时间为标准算法的78.06%和18.69%。     

基于小波和支持向量数据描述的故障智能诊断

本文中提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类。通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度。     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

基于高阶谱和Tamura纹理的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种基于高阶谱(high order spectrum, HOS)和Tamura纹理特征相结合的故障诊断方法。首先,通过高阶谱方法将滚动轴承故障振动信号的冲击提取出来;然后,对高阶谱进行处理得到二维等高线图;最后依据轴承故障相同时等高线图具有相似性以及不同时具有差异性这一特性,采用基于人类视觉感知的Tamura纹理描述方法提取特征参数后输入到多分类支持向量机(support vector machines, SVM)中进行分类。结果表明：高阶谱结合Tamura纹理特征的滚动轴承故障诊断方法在较少特征参数下故障识别准确率能达到较高的精度,对于故障尺寸不同的混合振动信号识别准确率稳定,诊断效果良好。     

复数三阶累积量在液压阀故障诊断中的应用

为了提高故障诊断正确率,提出了一种基于复数三阶累积量的机械故障诊断方法．三阶累积量的不同定义的复数形式包含了信号间不同的耦合信息,利用这些信息进行了故障诊断．在溢流阀故障诊断实验中,利用这些不同的耦合信息,通过二维小波在不同的方向上对故障信号和正常信号进行特征提取,然后将这些特征值输入支持向量机进行故障判别．实验结果表明,上述方法可以提高故障诊断正确率．同时还对实数三阶累积量也进行了相同的实验,这些实验所取得的诊断效果证明了采用本文方法的有效性．     

经验模式分解模糊特征提取的支持向量机混合诊断模型

为解决机械故障小样本模式识别问题，有效地提高分类的准确率，提出了一种基于经验模式分解模糊特征提取的支持向量机混合诊断模型．该模型通过对信号进行经验模式分解，提取信号的本征模式分量并转化为模糊特征向量，对机器故障进行诊断，然后将模糊特征向量输入到多分类的支持向量机中，实现了对机器不同故障类型的识别．将该模型应用于汽轮发电机组的3种工作状态的识别中，测试结果表明，同原有的未经过任何特征提取以及经过小波包模糊特征提取的2种多分类支持向量机方法相比，该模型将分类准确率从原有的53．33％和86．67％提高到100％，有效地改善了分类的准确性．同时，该模型还为汽轮发电机组的故障确诊提供了有力依据．     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

模拟退火算法与支持向量机在机械故障诊断中的应用

为提高支持向量机在机械故障诊断测试中的分类正确率,将模拟退火算法与支持向量机相结合,用模拟退火算法优化支持向量机核函数及其参数,再将故障特征输入支持向量机进行故障识别.诊断实例表明,该方法与传统支持向量机方法相比能得到较高的诊断精度.     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

基于ReliefF-PCA和SVM的发动机故障诊断方法研究

针对柴油发动机机组振动信号非线性和非平稳性以及机组实际故障案例样本数据少的特点，提出了一种基于ReliefF、主成分分析（PCA）以及支持向量机（SVM）的柴油发动机故障诊断方法。首先提取发动机冲击信号的特征参数，运用ReliefF选择出其中的敏感特征以降低处理过程的计算难度；然后采用PCA进一步提取敏感特征，消除各特征之间的相关性，避免冗余；最后利用SVM实现机组的故障分类，诊断不同类型的故障。将本文方法应用于柴油机实际典型故障案例中，结果表明该方法能有效提取柴油机缸盖振动信号中的故障敏感特征，并实现多种典型故障的诊断。