基于SVDD和改进K-Means的变压器故障诊断模型

变压器状态对于智能配电房的安全稳定运行具有重要意义。为实现对变压器故障的准确诊断,在变压器油中溶解气体分析(DGA)的基础上,提出了一种联合使用支持向量数据描述(SVDD)和改进K-Means聚类的变压器故障诊断方法。首先利用SVDD构造闭合分类曲面实现“正常”和“故障”两类判断,然后对“故障”类样本进行K-Means聚类分析,自动将其划分为低能放电、中低温过热、高能放电、高温过热和局部放电5种故障类型,同时针对K-Means初始聚类中心选取难题,提出局部密度概念自动确定K-Means初始聚类中心,提升聚类性能。最后利用变压器故障真实数据开展实验,结果表明,相较于支持向量机(SVM)和BP神经网络模型,所提方法的故障诊断准确率分别提升9.8%和8%。

基于深度学习的电机故障诊断

故障诊断在保证电机的稳定运行中占据着非常重要的地位,因此,故障诊断在当前的研究中是一个热点。该研究利用短时傅里叶变换把一维的振动信号转换成二维的时频图,进而解决电机轴承的振动信号的非线性和不稳定性问题,并且作为卷积神经网络的输入,通过对故障特征信号的直接提取,来形成样本数据集,通过卷积神经网络与softmax多分类器来建立故障诊断模型,在Python中验证该算法优化的准确性,证明了该算法可以提高电机故障诊断的准确率。

基于多判别器辅助分类器生成对抗网络的故障诊断方法研究

在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。

基于RS与LS-SVM多分类法的故障诊断方法及其应用

针对密闭鼓风炉熔炼过程工艺复杂、工况变化较大的特点,提出应用粗糙集(RS)和最小二乘支持向量机(LS-SVM)进行鼓风炉故障诊断的方法。该方法首先利用RS对炉子的故障样本进行知识约简,获得各故障类型的征兆最小条件属性作为特征向量,然后,输入到由多个最小二乘支持向量机构成的多故障分类器中进行故障识别和分类。研究结果表明:该方法具有较强的泛化能力,诊断准确率达到90%以上。

基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法

采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。

基于LS-SVM和SVM的气动执行器故障诊断方法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于最小二乘支持向量机(LS-SVM)回归建模和支持向量多分类机(SVM)的执行器故障诊断方法,该方法利用LS-SVM回归建立气动执行器的正常模型,将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。利用聚类方法设计了层次支持向量多分类机结构,以残差作为输入建立支持向量多分类机,判断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于PCA-SVM的故障诊断方法进行了比较,结果表明该方法有效的解决了气动执行器故障诊断的小样本和非线性问题。

CEEMD-WVD多尺度时频图像的滚动轴承故障诊断

针对一般EMD-WVD方法在提取时频图像信息不充分的问题,提出一种基于CEEMD-WVD多尺度时频图像的滚动轴承故障诊断方法。该方法采用互补集合经验模态分解(CEEMD)方法对故障振动信号进行分解,自适应地获得不同频段的固有模态函数(IMF)分量;选取前几个高频信号IMF模态分量,运用Wigner-Ville分布(WVD)对各IMF分量分别做时频分析,进一步转化成对应的多尺度的时频图像;然后提取各尺度时频图像的局部二进制(LBP)纹理特征,并利用其特征训练SVM分类器;最后用训练好的分类器对不同的轴承故障振动信号进行故障识别。实验结果表明,该方法有较强的自适应性且能生成高分辨率图像,故障识别率高,在凯斯西储大学(CWRU)的滚动轴承数据库上进行5类故障的实验,诊断正确率为99.75%。

改进粒子群优化的多类LS-SVM电机故障识别算法

传统电机故障诊断方法具有不确定性。多类LS-SVM方法所需样本较少、识别率高,可有效识别电机故障,但该方法计算过程中有庞大的矩阵求逆运算。为降低计算数据复杂度、提升训练速度,提出基于改进粒子群算法的电机故障识别算法。该算法依据种群收敛程度与个体自适应值调整惯性权重,选择一对余的LSSVM多分类器结构,构造4个改进粒子群的多类LS-SVM分类器,识别电机4类故障。实验验证表明,该算法可保证电机故障识别结果准确率,具有较好的实用性和推广性。

Gear Fault Diagnosis Based on Rough Set and Support Vector Machine

By introducing Rough Set Theory and the principle of Support vector machine,a gear fault diagnosis method based on them is proposed.Firstly,diagnostic decision-making is reduced based on rough set theory,and the noise and redundancy in the sample are removed,then,according to the chosen reduction,a support vector machine multi-classifier is designed for gear fault diagnosis.Therefore,SVM’training data can be reduced and running speed can quicken.Test shows its accuracy and effi- ciency of gear fault diagnosis.

基于改进层次全局模糊熵和MCFS的滚动轴承损伤识别

针对传统的多尺度特征提取方法无法捕捉振动信号高频故障信息的问题,提出了一种基于改进层次全局模糊熵(IHGFE)全局全频段特征提取、多聚类特征选择(MCFS)特征降维和支持向量机分类的滚动轴承故障诊断方法。首先,提出了能够捕捉振动信号低频到高频的全局特征的IHGFE非线性动力学方法,并将其用于滚动轴承的故障特征提取;然后,利用MCFS对初始特征向量进行了维数约简和优化,构建了低维且对故障敏感的故障特征向量;最后,建立了基于支持向量机的多故障分类器,实现了滚动轴承损伤的智能化识别,并通过两个滚动轴承实验进行了对比分析。研究结果表明:IHGFE的分类准确率和识别稳定性均优于对比方法,证明了其在特征提取中能够在一定程度上解决现有方法无法同时考虑信号的高频特征和全局特征的问题,可为进一步扩展模糊熵方法在滚动轴承损伤识别中的应用提供参考。

基于多传感器的不平衡数据轴承故障诊断

针对轴承故障数据类别不平衡导致诊断模型精度下降的问题,使用多传感器数据丰富数据特征,同时从数据增强和损失函数两方面着手,提出一种基于多传感器的不平衡数据轴承故障诊断方法。首先,设计一种多通道的带辅助分类器的生成对抗网络(ACGAN),利用独特的鉴别-分类结构生成高质量的多传感器数据以补充原始数据集;然后,提出一种改进的均值焦点损失函数(m-Focal Loss),将不平衡问题转化为样本的难易分类问题,根据难易程度进行加权,从而进一步提高诊断精度;最后,将一维卷积神经网络(1DCNN)作为分类网络,在凯斯西储大学(CWRU)轴承数据集和实验室数据集上进行消融试验。结果表明:使用多传感器数据可以有效抑制不平衡数据带来的精度下降问题,加入ACGAN所生成的样本可大大提高不平衡数据下轴承故障诊断模型的精度。

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、可对故障在线分类和故障分类能力强的优点.

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法 ,较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程 ,对色谱分析法检测到的特征气体含量进行数值预处理 ,提取出故障识别所需要的 6个特征量 ,然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别 ,并最后判断输出变压器所处的状态。测试结果表明 ,该方法具有三个优点 :1 )具有较强的鲁棒性 ,识别正确率极高 ;2 )训练时间很短 ,实时性能好 ;3 )不存在局部极小问题。

基于支持向量机的多故障分类器及应用

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题 ,本文改进了支持向量机多故障分类算法 ,依据此算法建立了多故障分类器 ,并应用于汽轮发电机组的故障诊断。应用结果表明 ,不必进行信号预处理以提取特征量 ,只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断 ,并且具有算法简单。

一种基于多分类概率输出的变压器故障诊断方法

多分类概率输出方法可用于变压器故障诊断,其分类效果较好并能提供概率信息。针对现有基于支持向量机(SVM)的诊断方法在特征不明显条件下有误分类的情况,提出了一种基于多分类概率输出的变压器故障诊断方法。此方法引入Sigmoid函数将SVM决策函数输出映射为二分类概率输出,然后综合多个二分类概率输出结果,求解一个凸二次规划问题实现多分类概率输出。此方法可以得到发生不同类型故障的可能性,即故障类别概率,进一步分析后给出诊断结论。算例分析表明,此方法在继承了SVM故障诊断方法优点的基础上,提供了概率信息,对现有SVM方法误诊断样本也能给出可能存在的故障,弥补了现有SVM方法在变压器故障特征不明显条件下的不足。

广义分形维数在旋转机械故障诊断中的应用研究

运用分形理论 ,提出广义维数最小二乘法的计算公式 ,对实测的时域信号进行了广义维数计算 ,从广义维数中获取盒维数、信息维数、关联维数以及敏感维数。对故障样本进行功率谱分析、广义维数计算分析 ,提出谱能量与分形维数的关系 ,为用分形维数来分析故障的强度提供了依据。运用广义维数序列和数学方法相结合提出分形诊断分类方法 ,并通过实例诊断、识别故障及其故障程度 ,说明该方法具有较好的实效性。

基于广义分形的旋转机械故障诊断识别与分类

运用多重分形理论,提出广义维数最小二乘法的计算公式,对实测的时域信号进行了广义维数计算,得到广义维数序列值,并从广义维数中获取盒维数、信息维数、关联维数以及敏感维数。对故障样本进行功率谱分析、广义维数计算分析,找出用分形维数分析识别故障的依据。另外运用广义维数序列和数学方法相结合提出分形诊断分类方法,用广义维数最大相关系数和广义维数序列单值优化逼近原理方法,对待检信号的耦合故障分别进行了试验数据与理论响应模拟、振型数据的诊断、识别分类,收到了良好的一致效果。通过对转子系统故障诊断的实例说明从广义维数中提取的各分形维数都能较好的对故障状态进行诊断、识别;且耦合故障的分形诊断分类方法具有较好的实效性。

旋转机械动态特性的分形特征及故障诊断

运用多重分形理论,提出广义维数最小二乘法的计算公式,对实测的时域信号进行了广义维数计算,得到 广义维数序列值,并从广义维数中获取盒维数、信息维数、关联维数以及敏感维数,对故障样本进行广义维数计 算分析,找出用分形维数分析识别故障的依据。此外,运用广义维数序列和数学方法相结合提出分形诊断分类方 法,用广义维数最大相关系数和广义维数序列单值优化逼近原理方法,对待检信号的耦合故障分别进行了试验数 据与动态振型数据的诊断、识别分类,收到了良好的一致效果。通过对转子系统故障诊断的实例说明从广义维数 中提取的各分形维数都能较好地对故障状态进行诊断、识别,且耦合故障的分形诊断分类方法具有较好的实效性。

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法。其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类。实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断。

基于证据理论的优化集成分类器融合算法及应用

多分类器融合方法在融合过程中需要对各分类器的输出进行加权,常见的加权方法是通过各分类器的分类正确率计算分类器的加权,但是这种方法得出的权值常常是不精确的。针对这个问题,给出了一种确定各个多分类器权值的方法。首先,通过训练集样本得出分类器系统的输出向量。然后,依据多分类器系统的输出向量与训练集样本的类别向量之间的距离最小提出一种权值的优化学习算法。最后,将得出的权值用于多分类器系统对故障类别的判定。实验结果表明,提出的方法提高了分类的正确率,能更好地判别出故障的类别。