基于RBF神经网络的输电线路故障类型识别新方法

基于径向基函数(radial basis function,RBF)神经网络理论,采用电流突变量比例系数,提出了一种对输电线路故障类型识别的新方法。利用PSCAD/EMTDC软件建立500 kV高压输电线路仿真模型,仿真不同工况下的故障。由各相电流之差提取故障差流信号的突变量,并计算故障后一个周期内差流突变量的有效值,得到故障状态下各相差流突变量占三相差流突变量有效值总和的比例系数,结合零序电流判别系数构造故障类型识别特征向量,建立RBF神经网络进行故障类型识别。仿真结果表明,采用电流突变量比例系数作为特征量包含的信息更丰富,对RBF神经网络的训练效果更好,不受故障位置、故障初始角和过渡电阻等因素的影响,网络识别精度高。     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于改进WOA的输电线路故障分析

针对传统支持向量机数据识别分类准确率较低的问题，设计一个改进鲸鱼算法，优化支持向量机识别输电线路故障.通过Simulink仿真搭建电网模型，提取输电线路故障特征，进而使用支持向量机识别故障；利用立方混沌映射初始化种群，引入自适应惯性权重，并把对数螺旋方程中的b设置为动态值以改进鲸鱼算法，并与传统算法进行比较.结果表明：改进鲸鱼算法对输电线路故障分类的鲁棒性强、计算效率高、寻优能力强.     

小波包与SVM用于压缩机在线故障检测的研究

研究了滚动转子压缩机在线故障检测的方法.以压缩机壳体振动信号作为分析对象,应用小波包分解将信号分解至不同频带上,提取小波包分解系数的统计参数(包括有效值、方差、偏度和峭度)作为支持向量机(SVM)故障分类器的输入特征向量,用于判别正常与故障压缩机.测试结果表明:该方法用于转子式压缩机故障检测是有效的.     

奇异值分解在电缆局部放电信号模式识别中的应用

针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.     

基于支持向量机的非特定人孤立数字语音识别

为了识别一组非特定人、不连续的数字语音信号,本文提出了一种基于支持向量机理论的语音信号识别算法.具体过程主要包括训练过程和识别过程.其中训练过程为:先使用预先建立起来的语音库对选定的支持向量机进行训练,得到一组与该语音信号相关的支持向量;在识别过程中,首先获取被测语音信号,并根据MFFC理论提取特征向量,然后使用训练后的支持向量机进行识别.此外,还提出使用短时区域能量谱的方法对语音信号进行端点检测.结果表明,与目前流行的隐马尔可夫算法比较,本文算法具有识别速度快、准确率高等优点.     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

基于自适应LS-SVM的柴油机进排气系统故障诊断

 提出了应用自适应最小二乘支持向量机和小波包能量特征的柴油机进排气系统故障诊断方法。对气门间隙异常、气阀漏气等几种常见故障和系统正常运行进行小波包分解,提取频带能量作为支持向量机的输入特征向量;然后,利用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行故障分类和识别。对比实验表明,与BP神经网络和采用交叉验证的传统最小二乘支持向量机相比,该方法可克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,提高了传统最小二乘支持向量机算法的寻优速度,在样本数较小时仍可取得较好的效果,能有效诊断柴油机进排气系统故障。     

基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断

针对光纤陀螺输出信号噪声成分复杂、故障特征难以提取的问题,提出一种基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断方法.首先,对光纤陀螺正常信号和故障信号进行3层小波包分解以提取特征向量;其次,通过引入改进Logistic混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,改进麻雀搜索算法并用于支持向量机参数寻优;最后,建立支持向量机模型进行光纤陀螺故障的识别和诊断.经实例分析,提出的方法可有效用于光纤陀螺故障诊断,与麻雀搜索算法、灰狼优化算法、粒子群算法、遗传算法和天牛须算法对比,可有效提高光纤陀螺故障诊断准确率.     

基于角点特征与支持向量机的车牌字符识别

为了提高车牌识别中车牌字符的识别率,提出一种角点特征和支持向量机相结合的车牌字符识别新方法.首先使用Moravec算子提取字符图像中的特征点,然后根据特征点在图像中的分布情况构造特征向量,并使用小样本对支持向量机进行训练,最后使用训练好的支持向量机进行字符识别.实验结果表明,在训练样本较少的情况下,该方法正确率较高,算法简单,稳定性好.     

利用快速S变换的电能质量扰动识别方法

针对当前基于S变换的电能质量方法计算开销大、不能实时识别电能质量扰动的问题,提出利用快速S变换与最小二乘支持向量机相结合的识别电能质量干扰新方法.该方法从快速S变换得到的一维向量中提取各频率段模系数的标准偏差、最大模系数及额定频率对应的模系数作为特征向量,利用最小二乘支持向量机对电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波等几种电能质量干扰进行分类和识别.研究结果表明:与传统的基于S变换的电能质量方法相比,该方法在2个方面节省了时间,一是减少了提取特征量所用的时间,二是由于特征向量数据较少,采用支持向量机样本训练时间减少;特剐是当电压扰动信号持续时间越长时节省效率越高,在同样准确性下,对于长度为1 024点的扰动信号,节省了约99％的时间;除此之外,该方法对信号分类的正确率可达98％,同时还具有较高的抗干扰能力.     

一种基于ICA-SVM的故障诊断方法

提出了一种基于独立分量分析和支撑向量机(ICA SVM)对系统性能进行监控的整体框架.这一框架包括特征提取和故障识别两部分.独立分量分析被用于从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩阵,而这些投影系数矩阵则被用于训练多个支撑向量机,以实现故障类型的识别.TennesseeEastman过程的仿真结果证明了该算法的有效性.     

基于支持向量机的仓储害虫声音识别

对于仓储害虫的种类识别问题,提出了一种根据害虫产生的声音来进行基于支持向量机的识别算法．利用已知害虫的声音样本,经过语音预处理、特征提取,用所提取的语音特征向量构造多个支持向量机(SVMs)．在识别应用中,在无法看到害虫的情况下,利用传感器采集到的害虫声音样本,预处理之后,利用训练好的支持向量机来判断是什么害虫,从而采取合适的灭虫措施．     

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。     

基于遗传算法优化的相关向量机的燃机涡轮叶片故障诊断

以遗传算法、相关向量机理论作为理论指导,采用基于遗传算法优化相关向量机算法对提取的特征向量进行故障分类,并通过与未优化的相关向量机、支持向量机、BP神经网络方法对比,结果发现通过遗传算法优化的相关向量机算法的故障分类正确率要高于相关向量机算法、支持向量机算法和BP神经网络的故障分类方法的正确率,仿真实验验证了优化后的算法在燃机涡轮叶片故障诊断中的优越性和可行性。     

基于小波包和支持向量机的传感器故障诊断方法

针对自确认压力传感器的故障诊断问题,提出了一种基于小波包变换和支持向量机的传感器故障诊断方法。该方法对传感器输出信号进行三层小波包分解,提取各个节点的小波包系数,对每个节点的小波包系数通过一定的削减算法增强故障特征,然后利用重构的时域信号计算各个节点的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。对自确认压力传感器、温度和流量传感器的故障诊断结果表明,该方法能有效地应用于传感器的故障诊断中。     

基于小波分析和支持向量机的轴承故障诊断

滚动轴承的故障诊断对于旋转机械的正常可靠运行具有重要意义。采集滚动轴承正常、内圈故障、外圈故障及滚动体故障四种工况下的振动信号,对振动信号进行三层小波包分解,将第三层的小波包系数进行重构并计算每个子频带系数的对数能量熵,得到滚动轴承在不同工况下的特征向量。基于抽取到的特征向量建立支持向量机模型,实现对滚动轴承不同故障类型的识别。支持向量机参数采用网格搜索法进行寻优,惩罚参数为2048,核函数半径为0.03125,模型在测试集上的预测准确率为100%。本文研究表明,小波包对数能量熵特征提取结合支持向量机是一种较为有效的滚动轴承故障检测方法。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于改进量子遗传优化支持向量机的配电网故障分类

针对传统方法在解决现代配电网故障分类时存在的求解速度慢、分类精度差的问题,提出一种结合量子遗传算法的支持向量机配电网故障分类方法。首先采集故障信号并进行S变换处理,将处理结果的均方根与均值作为特征量,以提高特征量辨识度;其次在量子遗传算法的种群更新策略中引入自适应动态旋转角,避免算法在早期陷入局部收敛,增加算法的调参精度。以IEEE33节点配电网模型为研究对象的实验结果表明,所提的特征量提取方法有效提高了支持向量机的故障分类精度,改进后的量子遗传算法通过为支持向量机寻到更优参数从而进一步提高了故障的判别精度和分类速度,验证了方法的有效性与准确性。