云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.     

多基因融合小电流接地故障选线方法

为解决目前单一判据选线方法中存在的可靠性低、选择性差和对电网结构适应能力低的技术问题,提出了基于遗传算法的小电流接地故障选线方法.算法通过对基于系统故障稳态参数选线的有功功率选线法和无功功率选线法,以及基于暂态参数的小波分析选线法的融合,获得高可靠性小电流接地故障选线判据.算法利用不同选线方法的基因概率进行编码形成初始种群,通过对种群基因的选择、交叉、变异运算,求得最优染色体串,译码后得到故障线路信息.从系统仿真结果看,该方法具有可靠性高、选择性好的特点,并且对不同结构的电网具有很好的适应能力.     

基于级联极限学习机的基站空调在线监测系统

提出一种基于级联极限学习机的基站空调在线监测系统。首先,基于某基站空调公司提供的监测数据集构建多个原子极限学习机分类器,每一个原子极限学习机对应一种故障类别;再将各原子分类器以级联方式组合用于未知样本的故障诊断;最后将级联极限学习机与单独的多类极限学习机算法、SVM算法、BP神经网络算法、C4. 5决策树算法进行比较测试。结果表明,级联极限学习机算法提高了小类样本的故障识别率,具有更高的故障诊断精度和较短的训练时间,且诊断时间达到在线实时的要求。     

基于LSSVM的小电流接地故障融合选线

小电流接地系统单相接地故障选线是尚未解决的一大难题。传统的单一故障选线方法都有其各自的适用范围,故障选线准确率不高。在此基础上,提出利用最小二乘支持向量机(LSSVM)对多种选线方法进行信息融合。分别利用小波包变换和FFT算法,从零序电流中提取暂态能量分量、稳态基波分量和五次谐波分量,形成故障选线的特征分量。作为LSSVM的输入进行信息融合。从而实现故障选线。仿真结果表明:与标准的SVM相比,该方法学习速度更快、泛化能力更强,且不受接地电阻、故障初始角、故障距离等的影响。选线结果具有较高的精度。     

基于差分进化极限学习机的电力系统暂态稳定评估方法

电力系统暂态稳定性的破坏可以对电力系统的安全稳定运行产生严重冲击,准确、快速地暂稳评估方法能够提高电力系统的安全防御能力。极限学习机由于其速度快、泛化性能好被应用到电力系统暂态稳定评估中。为了提高极限学习机的评估性能,利用基于差分进化算法的优化方法和序列浮动后向特征选择算法对极限学习机暂态稳定评估性能进行提升。首先对输入特征通过主元分析降维并利用序列浮动后向算法进行特征选择,再将最优特征集输入差分进化极限学习机进行暂态稳定评估,最后在新英格兰10机39节点系统中进行验证分析,结果表明,所提模型与其他极限学习机模型相比,大大提升了其在暂态稳定分类评估中的性能。     

融合技术在小电流单相接地故障诊断中的应用

通过仿真获取三种故障类型对应的故障特征数据,利用BP网络实现对三种故障类型的诊断,并通过测试样本验证该网络能够实现对三种故障类型的正确分类;在实现分类的基础之上,利用D-S融合技术对三种故障进行融合选线,并根据不同的故障类型,修正不同选线方法对应的权值系数,使得融合选线的结果得到进一步提高.     

基于Wince嵌入式的小电流故障选线研究

模糊信息融合算法在瓦斯预测、小电流接地故障选线等诸多控制检测领域得到广泛应用。本文在讨论基于融合的小电流接地故障选线模糊算法的基础上,提出了一种内嵌于Wince操作系统应用层的模糊信息融合算法,利用Wince多线程、多任务的优势,提高了算法的精度,同时提高了故障选线的准确性和实时响应。实验结果表明基于模糊信息融合算法的故障选线方式具有很高的精度和鲁棒性。     

D-S证据理论在小电流故障选线中的应用研究

介绍了在不同的情况下选取适当的故障选线算法来处理故障信息,并对故障信息进行D—S证据理论的信息融合,提高了故障选线的准确率．指出如何将选取的群体比幅比相算法和小波分析方法进行改进以适合证据理论的融合,如何设计算法计算D—S证据理论中的不确定性问题．     

基于EEMD与ELM的单向阀故障诊断

提出了一种基于总体平均经验模态分解和极限学习机的故障诊断方法,该方法利用EEMD将单向阀振动信号分解成若干个不同尺度的本征模函数(IMF),从IMF分量中提取近似熵、能量熵、峭度和均方根4个特征构成特征向量集,用于建立基于极限学习机算法的故障诊断模型。实验结果表明,该方法可以监测高压隔膜泵运行状态,成功诊断出单向阀运行时产生的故障。     

Wince应用层内嵌模糊信息融合算法

应用模糊信息融合算法在瓦斯预测、小电流接地故障选线等多控制检测领域,在讨论基于融合的小电流接地故障选线模糊算法的基础上,提出了一种内嵌于Wince操作系统应用层的模糊信息融合算法,利用Wince多线程、多任务的优势,提高了算法的精度,同时提高了故障选线的准确性和实时响应.实验结果表明:基于模糊信息融合算法的故障选线方式具有很高的精度和鲁棒性.     

小电流接地故障选线装置的设计与研究

针对现有小电流接地故障选线装置价格昂贵,功耗大,适应电网结构能力差等问题,设计了一种以ARM为核心处理器、具有GPRS功能的故障选线装置．采用基于特征级信息融合的群体比幅比相新算法进行故障系统选线,计算出每条线路的故障度,提高了选线的准确率．仿真结果表明了该方案和算法的有效性．     

零序电流分量改进的多判据融合故障选线定位

针对中性点不接地系统发生单相接地故障时选线可信度低的问题,提出了一种基于零序电流分量的多判据融合故障选线定位方法.该故障选线定位系统以差动选线原理为主,并结合多个暂态、稳态选线方法进行信息融合,优势互补,采用德尔菲法对选线方法进行评价,确定隶属度函数.通过模糊综合评价法对各选线法系统适应度进行隶属度优化,提高选线准确率.利用Matlab进行仿真实验,验证该选线定位方法的有效性和可靠性,仿真结果表明该方法选线定位准确可信度得到明显提高,可快速准确定位接地故障区域.     

基于多判据聚类分析的配电网单相接地故障区段定位方法

针对单相接地故障零序暂态过程短暂、稳态特征量微弱,单一故障定位算法通常较难取得相对理想的选线结果,设计出一种基于多判据聚类分析的配电网单相接地故障区段定位方法.选取使用零序电流极性法、固有模态能量法和相电流突变量差异性法这3种具有代表性的单相接地故障选线方法生成故障特征集合,在一定时间维度内对选定的特征集进行聚类分析,根据聚类结果即可判定故障线路位置.多种故障条件下的仿真验证表明,该方法具有较好的灵敏性和可靠性.     

彩色图像分割的FCM预分类核极限学习机方法

在研究聚类算法与极限学习机的基础上实现了一种具有模糊C均值聚类算法(FCM)预分类的核极限学习机(KELM)及其在彩色图像分割中的应用.该算法采用模糊C均值聚类算法预分类训练样本,再提取其图像特征作为特征属性对核极限学习机进行训练产生分类器,进而对彩色图像进行分割.经实验验证,该算法分割彩色图像在分割速度和精度上优于FCM预分类的BP人工神经网络以及FCM预分类的支持向量机,是一种高效的彩色图像分割算方法.     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。     

汽油辛烷值近红外光谱检测的改进极限学习机建模方法

为提高近红外光谱法检测汽油辛烷值的精度,该文提出一种汽油辛烷值近红外光谱检测的改进极限学习机(i ELM)新型建模方法。该算法融合了极限学习机算法(ELM)与基于变量投影重要性系数的改进叠加偏最小二乘回归(VIP-SPLS)模型算法,有效解决了ELM模型隐含层输出矩阵维数高和高度共线性的问题。采用该算法对汽油辛烷值的近红外光谱检测数据进行建模,发现改进极限学习机模型的精度比现有的偏最小二乘回归模型和极限学习机模型分别提高20.0%和29.3%,验证了方法的有效性。实验表明,该文方法可用于汽油辛烷值的近红外光谱检测,检测精度良好。     

基于粒子群优化算法的最优极限学习机

针对极限学习机隐含层神经元个数选取的问题,提出以粒子群优化算法搜索最佳隐含层神经元个数,用极限学习机模型的测试准确率作为粒子群优化算法适应值的方法(PSO-ELM)。基于手写数字数据集digits分别对比了随机设置隐含层神经元个数的极限学习机、用粒子群算法优化的极限学习机输入权重和隐层偏置的极限学习机(PSO-ELM)、传统的BP算法以及SVM算法对手写数字的识别率,对比结果表明,粒子群优化算法得到的隐含层神经元个数在极限学习机中拥有较高的准确率。     

基于极限学习机的电力变压器故障诊断

针对三比值法存在比值编码缺失无法诊断故障的不足,将泛化性能好的极限学习机与三比值法相结合,用于电力变压器的故障诊断。一方面将样本中特征气体的组分含量及对应的比值编码作为极限学习机的输入,使建立的极限学习机故障诊断模型包含了比值编码信息,进一步发挥三比值法在远离区间分界点时诊断准确率高的长处;另一方面,在故障诊断时,可根据待测样本输出矩阵中每列元素最大值所在的行,判断样本所属的故障类型,从而在一定程度弥补了比值编码缺失无法诊断故障的不足。实例诊断结果表明,该方法计算简单,灵活方便,故障诊断正确率高,具有一定可行性和有效性。     

基于模糊神经网络的小电流接地系统故障选线

小电流接地系统发生单相接地故障后,为解决传统上单一故障选线方法的局限性,文章利用信息融合技术并结合模糊系统和神经网络的特点,提出将模糊神经网络应用于配电网故障选线方法中。提取稳态时有功功率分量、暂态时衰减直流分量、基波和小波包能量熵极值作为综合选线判据,输入到模糊神经网络,再通过调整网络隶属度函数的初始参数大小,体现出在不同相角下,不同判据对故障选线判别能力的不同,能够将配网自身的特点很好地嵌入该算法中。在Matlab环境下搭建10.5kV的小电流接地系统仿真模型,仿真结果显示此方法具有选线准确率高、适应性强、灵敏度高、抗干扰能力强等优点,具有一定的可行性,能够很好地解决故障选线的难题。     

基于局部特征尺度分解的汽轮机故障诊断研究

为了提高汽轮机故障诊断的精确性,文章运用转子振动实验台来模拟汽轮机转子的振动信号,对运行中的三种故障振动信号进行采集,然后运用局部特征尺度分解方法对汽轮机振动信号时间序列进行特征提取,组成特征向量。利用极限学习机作为故障诊断分类器,结果表明,局部特征尺度分解特征提取和极限学习机的诊断模型能够准确地对汽轮机故障进行诊断,具有很高的实际应用意义。