基于特征表征度与多变量预测模式识别的变压器故障诊断

针对现有的基于油中溶解气体分析的诊断方法忽略了特征对故障类型的表征力度差异,限制了故障区分度的问题,提出了一种新的变压器故障诊断方法。该方法首先将主成分分析与灰色关联度分析相结合,用于度量特征量表征各故障类型的重要程度,并确定各故障类型下各特征量的权重;其次,构建一种多变量预测模式识别方法,用于电力变压器故障分类。其基本思想为:基于训练样本数据建立各类别下特征量之间相互表达的数学模型,即各类别的预测模型;将待测样本特征量输入至已建立好的预测模型中,并输出对应的特征量预测值;基于各特征量的权重信息,以预测值与实际值的加权误差平方和最小为判据,确定样本所属类别。最后通过与神经网络、支持向量机等方法进行对比,验证了所提方法的有效性。

基于RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。