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．     

面向大规模数据的模糊支持向量数据描述

针对支持向量数据描述面临的噪声数据敏感问题和大规模数据分类问题,提出面向大规模数据的模糊支持向量数据描述.该方法引入模糊理论和核心向量机,不仅在构造最小超球体时忽略对分类结果影响较小的数据,而且将支持向量数据描述的适用范围从中小规模数据扩展到大规模数据.人工数据集和标准数据集上的实验表明新算法的有效性.     

基于支持向量数据描述的机械故障诊断研究

为了解决在机械智能监测与诊断中缺少故障样本的问题，提出了一种机械故障单值分类的新方法——支持向量数据描述法。该方法只需要一类目标样本作为学习样本，而不需要其他非目标样本，就可以建立起单值分类器，从而区分了非目标样本和目标样本。将这种方法应用在机械故障诊断和状态监测中，仅仅依靠正常运行时的数据信号，而不需要故障数据，就可以监测机器的运行状态，且不需要对原始数据进行特征提取。实验结果表明，支持向量数据描述法与传统的神经网络方法相比，具有较好的分类能力和较高的计算效率。     

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.     

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。     

基于自适应核函数的支持向量数据描述算法

为进一步提高支持向量分类器的分类精度和运行速度,提出了基于自适应核函数的支持向量数据描述分类算法。该算法的核心思想为：根据信息几何中保角映射的方法构造数据驱动的核函数修正算法,然后再利用修正的核函数训练支持向量数据描述分类算法。试验结果表明,该方法具有较好的分类精度和较快的运行速度。     

支持向量机在变压器故障诊断中的应用

针对变压器传统检测方法的局限性,本文提出了一种基于支持向量机的电力变压器故障诊断方法,并构建了相应的数学模型。仿真结果表明,该模型能有效提高变压器故障诊断的准确率。     

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．     

一种基于聚类分布的支持向量数据描述

在基于解决单类问题的支持向量数据描述算法基础上提出了基于聚类分布信息的c-SVDD算法.该算法对带野值的SVDD算法中的C值重新定义.通过增加核空间下测试样本的聚类分布信息。为每个样本定义一个特定的c值.c-SVDD算法适应于解决类别不平衡学习问题.该算法在保证少类样本高分类精度前提下,还有效提高了全样本的分类精度,更符合现实不平衡问题中对少类样本的处理要求.对UCI数据集和人工样本集进行实验.改进后的c-SVDD算法比带野值的SVDD算法AUC值平均提高0.14以上;比AdaBoost算法在正类查全率上平均提高40%,精确度也提高了至少5%.     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

DTBSVM的向量投影法在变压器故障诊断中的应用

文章将向量投影法应用在变压器故障诊断中,解决了如何构建有效SVM 层次的问题。按照类与类样本集之间的相交情况,利用欧氏距离和径向基函数计算类与类的空间距离和类间可分性测度,根据可分性测度进行排序,设计比较合理的层次结构进行分类。这种方法建立的故障诊断模型,是一种一对多、多对多分类相结合的故障诊断模型,用于解决多分类问题效果较好;这种方法对于 N类分类问题,只需构造（N-1）个SVM分类器,并且不存在不可识别的区域,分类过程比较快速,具有较好的泛化能力。实验证明与传统的三比值法和神经网络方法相比,所提出的方法在故障诊断的正判率上都有了提高,具有较好的实用价值。     

应用模糊多属性理论的电力变压器故障融合诊断

大型油浸电力变压器的故障诊断一般通过预防性试验数据进行,预防性试验数据必须经停电检修才能获取,且实际现场数据的采集精度及数量也都很有限。变压器的征兆现象是大量经验的总结,在一定程度上可以反映变压器的故障。提出了在变压器故障诊断中将征兆现象和试验数据融合的思想,实现各种信息的优势互补。通过模糊多属性决策理论,实现对征兆现象的诊断;通过变压器绝缘故障诊断的模糊概率模型,实现对预防性试验的诊断;最后用D-S证据理论对预防性试验数据和征兆现象的诊断结果融合。建立了一种新的故障诊断模型,实例证明了此方法的有效性。     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

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.     

一种基于贝叶斯网络的威胁估计方法

为有效处理地面战场威胁估计问题,提出了一种基于贝叶斯网络的威胁估计方法。根据专家知识建立贝叶斯网络模型,通过匹配算法实现态势估计记录与贝叶斯网络中态势节点的匹配,并根据证据可信度及先验概率动态实现态势节点的概率赋值,利用Pearl消息传播算法计算威胁等级节点各取值的概率值,最终获得威胁等级决策。针对一个简化的贝叶斯网络模型,采用该方法进行了不同先验概率及态势下威胁等级的仿真评估,所得结论与人工判定结论基本吻合,表明该方法可有效地应用于地面战场威胁估计领域。     

浅析专变用电信息采集终端通讯故障

专变用电信息采集终端是否能正常抄回数据,通讯是否正常是其中一个重要的原因。本文通过对常见的通讯故障进行了归纳总结,并制定出相应的解决方法,从而减少专变用电信息采集终端的通讯故障,避免专变用电信息采集终端上线率偏低的情况。