基于主成分分析和多分类相关向量机的GIS局部放电模式识别

GIS局部放电模式识别是其状态评估的重要部分,搭建了252k VGIS局部放电超高频检测仿真实验平台,模拟了4种典型的GIS局部放电模型,并通过试验建立了相应的超高频信号图谱数据库,然后根据信号特点提取了26个原始特征量;采用主成分分析法对特征空间进行降维处理,最终得到10个新的特征量,将原始特征量和降维后的特征量分别输入到多分类相关向量机(M-RVM)中进行分析,结果表明,以降维后的特征量作为输入量,其识别率要高于降维前的;并且采用BN、SVM和M-RVM三种分类器进行对比分析,结果表明,无论是采用原始特征参量还是降维后的参量作为输入量,M-RVM方法的识别率都是最高,其中降维后的识别率大于85%。

基于多分类相关向量机的变压器故障诊断方法

针对传统贝叶斯网络变压器故障诊断方法可使变压器故障检测平稳状态好,存在不收敛的缺陷。对贝叶斯网络中反射了全面样本范围内的平滑因子σ根据常数取值,在实际运用中缺少依据的问题。提出了一种基于多分类相关向量机的变压器故障诊断方法,运用多分类相关向量机算法改进粒子群算法,优化贝叶斯网络中平滑因子σ使其提高多分类相关向量机的精准率,把收集到92组故障数据进行试验,建立基于多分类相关向量机优化的自适应贝叶斯网络仿真环境,将真实数据环境中五种油溶解气体相对概率的含量作为贝叶斯网络的输入向量,采用正常,低温过热,中温过热,高温过热,局部放电,低能放电,高能放电7种故障作为输出矢量得出的结论证明,贝叶斯网络引入多分类相关向量机的过程后,变压器故障检测能力得到了改善,保证变压器的平稳状态。

基于多分类相关向量机和模糊C均值聚类的有轨电车用燃料电池系统故障诊断方法

为解决有轨电车用燃料电池电堆系统（fuelcellstack system,FCSS）故障分类问题,提出基于多分类相关向量机（multi-class relevance vector machine,m RVM）和模糊C均值聚类（fuzzy C means clustering,FCM）的有轨电车用FCSS故障诊断新方法。该方法利用FCM形成标准聚类中心,采用m RVM对测试样本实现多分类,能有效剔除奇异数据并提高模型分类正确率。实例分析表明,所提方法可快速识别氢气泄漏、去离子水加湿泵低压、空气压力过低和正常共4种健康状态,分类准确率可达96.67%,为有轨电车用FCSS在线故障诊断研究提供参考。

基于多尺度排列熵和改进多分类相关向量机的滚动轴承故障诊断方法

针对传统的时域、频域和时频域参数提取方法,难以从滚动轴承振动信号中提取出丰富的故障特征问题,提出通过多尺度排列熵提取故障特征,并结合改进的多分类相关向量机进行故障诊断的方法。由于多分类相关向量机的核函数参数不具有自适应选择的能力对故障诊断精度有较大影响,通过一种新智能优化算法-蝗虫优化算法改进多分类相关向量机,实现多分类相关向量机的自适应优化故障诊断。采用美国西储大学的试验数据验证表明,提出的优化故障诊断模型能够实现滚动轴承不同类型的故障诊断和不同故障程度的辨识,与粒子群优化多分类相关向量机的故障诊断模型相比,提出的故障诊断模型准确率达到了100%。

基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。

基于K-Means聚类和改进多分类相关向量机的台区线损计算方法

配电网线损计算是配电网线损管理和分析的一项重要技术措施。针对传统配电网理论计算不能自动实现、工作量大、计算结果不准确等问题,提出了一种基于K-Means聚类和果蝇算法优化多分类相关向量机(Multi classification correlation vector machine,MRVM)的快速计算低压台区线损计算方法,并在Matlab中搭建算法模型。针对台区线损数值分散的问题,先使用K-Means聚类算法将台区样本进行归类。使用归类的样本对果蝇算法优化的MRVM进行训练,得到线损率和台区参数之间的映射关系。以四川某地的500个台区样本进行实例验证,并与传统理论线损计算方法结果进行了对比。结果表明,所提出的方法可以有更好的计算精度。同时可以提高当前线损理论计算的自动化程度,减少计算工作量,提高电网公司配电网运行效率。

基于多分类相关向量机的MMC多相故障诊断关键技术

模块化多电平转换器拓扑结构复杂,当不同相子模块发生故障时,传统诊断方法只检测单个子模块故障,无法识别多相子模块故障。提出了一种多分类相关向量机算法用于模块化多电平换流器的多相故障诊断,对三相电压的时频数据进行傅立叶变换,以获取三相电压的频域数据,使用频域中的典型低次谐波分量作为故障特征量,采用多分类相关向量机算法进行故障分类。通过与传统故障诊断方法的仿真比较,验证了该方法的有效性和准确性。仿真结果表明,该方法在训练精度和测试精度上均优于传统的故障诊断方法,训练精度达到99.2%,测试精度达到99.4%,具有一定的应用价值。

自适应多分类相关向量机的滚动轴承故障识别

提出了一种基于自适应相关向量机(Adaptive multiclass relevance vector machines,A-MRVM)的滚动轴承故障识别方法,该方法利用遗传算法对多分类相关向量机核函数参数进行优化,依据故障样本自身特性自适应地选取最优核参数,克服核参数人为选取的不确定性,从而构建基于自适应多分类相关向量机的故障识别模型。将该故障识别模型应用于滚动轴承故障识别中,分别提取滚动轴承振动信号小波包能量及EEMD(Ensemble empirical mode decomposition)能量作为故障特征进行故障识别,并与其它方法进行实验对比研究。实验结果表明,所提方法不仅能有效识别出故障类型,且具有较高的故障识别模型构建效率,验证了所提方法的可行性及优越性。同时,该方法也能对故障类型发生的可能性进行评估,为分析滚动轴承故障类型提供更多的参考信息。

基于多分类相关向量机的导弹发控电路故障诊断

导弹发控电路是机载导弹发控系统的重要组成部分,故障模式复杂,故障诊断困难。针对导弹发控电路的多类故障诊断问题,提出一种基于多分类相关向量机(Multiclass Relevance Vector Machine,mRVM)的故障诊断方法。首先,建立mRVM模型反映故障特征和故障模式的非线性关系;然后,采用鱼群算法自适应选择模型参数,目标函数设定为交叉验证误差最小值。最后,通过仿真实例验证了方法的有效性。

USMC控制的采煤机HHT-PCA-MRVM煤岩辨识算法

针对井下无人、自动作业的新型采煤战略目标,提高对煤岩的辨识是至关重要的。在对采煤机截割电机控制的基础上,基于稀疏矩阵变换器理论,提出对于截割电机输入电流信号渐变的分析。通过HHT-PCAMRVM对煤岩进行识别,从而实时对井下采煤机姿态进行调节来满足复杂的开采需求。该方法在某煤矿的开采实验平台上进行了良好的实验验证。实验表明:截割电机在USMC控制下,在煤岩突变时波动较为明显,能够很好地为MRVM煤岩识别提供分类界限。煤岩识别率为95%,对于综采自动化有较好的作用。

机械传动电机轴承故障信号诊断仿真研究

传统经验模态分解(EMD)存在模态混叠,难以充分提取故障特征,原始支持向量机(SVM)、相关向量机(RVM)诊断方法核函数存在选取不灵活、结构复杂导致识别效率低的问题,提出了一种结合变分模态分解(VMD)样本熵和混合布谷鸟改进M-RVM的机械传动电机轴承故障诊断新方法。首先,对故障信号进行VMD分解得到多个子序列;然后,筛选其中的有效分量提取样本熵组成故障特征向量;最后,将特征向量输入基于混合布谷鸟算法优化的M-RVM故障诊断模型,达到对电机运行状态准确识别的目的。仿真结果表明,所提方法实现了电机轴承故障状态的准确诊断。与传统分析诊断方法相比,该方法轴承故障识别诊断性能得到提高,对实际工程应用具有重大意义。

一种改进的MRVM方法及其在风电机组轴承诊断中的应用

针对风力机电组轴承故障难以诊断的问题,提出一种基于改进多分类相关向量机(MRVM)的风力机电组主轴轴承概率性智能故障诊断方法。首先,为了减少人为设定核参数的主观性以提高其分类性能,提出MRVM最优核参数自适应选取方法;然后,通过仿真实验结果验证所提方法的有效性及优越性;最后,以风电机组主轴滚动轴承故障诊断为实例,提取小波包能量为故障特征输入到改进后的MRVM中进行故障识别。实验结果表明,该方法可提高故障诊断准确率及效率,同时可输出故障诊断结果的概率信息,为实际检修人员提供更多参考信息。此外,通过与其他方法的对比实验进一步表明该方法在智能故障诊断方面的优越性。

基于特征评估与核主元分析的电力变压器故障诊断

针对电力变压器故障诊断中的故障特征量数量匮乏、携带的故障信息较为有限,致使故障判断效果不理想等问题,将电气试验数据等与油中溶解气体分析(DGA)相融合所获得的34种特征量作为故障特征量,以完善故障特征信息。在此基础上,将特征评估与核主元分析(KPCA)相结合,构建了一种基于特征评估与核主元分析的故障诊断方法。该方法首先通过特征评估来剔除不敏感故障特征量,以削弱它们对特征提取产生的影响;其次,对经过特征评估后的27维故障特征量进行核主元分析,降低故障特征量的维数;最后,将提取后的9维故障特征量作为输入故障特征向量,采用多分类相关向量机(M-RVM)方法进行故障分类。实例分析表明,该故障诊断方法不仅能有效弥补故障特征量单一等不足,而且更具一般性,其故障诊断准确率达到90.35%,可为故障信息有限情况下的电力变压器故障诊断提供参考。

基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

为了能够对变负荷工况下的轴承早期故障及损伤程度进行准确有效的诊断,提出了基于改进混沌果蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm,简称ICFOA)对VMD的本征模态函数(intrinsic mode function,简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。

基于信息融合和M-RVM的变压器故障诊断方法

针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试验数据作为诊断模型的输入特征量向量,更真实地反映变压器的故障信息。然后,采用4个M-RVM作为分类器,对故障进行初步诊断,并将诊断结果分别转化为证据融合所需证据体,同时引入兰式距离函数与光谱角余弦函数对证据体进行修正。最后,采用改进冲突再分配策略进行决策融合,避免融合过程中出现证据互相矛盾的现象。对比分析结果表明,基于多源信息融合的变压器诊断模型相较单一特征参数诊断以及单一诊断算法具有更高的诊断准确率。

基于MRVM模型的级联H桥型逆变系统故障诊断方法

为了实现级联H-桥多电平逆变系统的故障诊断,提高诊断准确率和诊断速度,在分析多电平逆变系统的故障特点的基础上,提出了一种基于多分类相关向量机(MRVM)模型的级联H桥逆变系统故障诊断的方法。该方法以逆变系统的输出电压信号作为模型的输入故障信号,通过快速傅立叶变换(FFT)进行信号预处理,以降低噪声,减少训练和测试时间,采用E-step和最大期望估计的方法来进行模型推断。诊断输出为各故障类别的概率,以概率最大的故障类别作为诊断结果。实验结果表明,该方法具有更快的诊断速度和更高的诊断准确率,满足了级联H-桥多电平逆变系统故障诊断的要求。

基于渐变信号的HHT-PCA-MRVM煤岩辨识算法

针对井下无人、自动作业的新型采煤战略目标,提出了对于截割电机输入电流信号渐变的分析,通过Hilbert变换-主成分分析-多分类相关向量机(HHT-PCA-MRVM)对煤岩进行识别,从而满足复杂的开采需求。在煤矿开采实验平台上进行了良好的实验验证,实验证明:通过对传感器采集传输的电流渐变信号分析,在煤岩突变时其值波动较为明显,能够很好地为MRVM煤岩识别提供分类界限,煤岩识别率为95%,对于综采自动化有较好的作用。

基于KPCA与MRVM的二元混合气体成分识别算法研究

混合气体成分识别是电子鼻系统进行气体检测与分析的关键技术。为了提高二元混合气体成分识别准确率,本文提出了一种基于KPCA与MRVM相结合的二元混合气体成分识别算法。该算法利用KPCA的非线性特征提取能力对传感器阵列的响应信号进行特征提取;再利用多分类相关向量机(MRVM)分类器对二元混合气体成分进行识别。通过自主设计的实验系统获得的气体样本集对算法的有效性进行了验证,实验结果说明二元混合气体成分识别准确率达到99.83%。

一种GIS局部放电模式识别新方法及应用

本文通过GIS实验装置平台设置的4种缺陷类型的放电情况,用特高频(UHF)检测法获取的PD信号,分别以时域、频域等17组统计参数作为PD类型的特征量,通过局部线性嵌入(locally linear embedding,LLE)方法将17组特征量进行降维处理,得到9组有效特征参数。并用多分类相关向量机(M-RVM)作为识别方法,在110k V电压下获取的实验检测数据作为训练和预测样本,结果取得86%的理想识别率,验证了LLE与M-RVM结合的识别系统的有效性。