基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。

基于双频精细复合多尺度排列熵的齿轮箱损伤识别

齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。

考虑施工参数影响的心墙砾石土渗透系数预测方法

针对当前心墙砾石土渗透系数预测研究仅考虑料源参数,而少数考虑了施工质量的单一预测模型存在预测误差大、数据特征获取不全面的问题,构建了综合考虑施工质量和料源参数的BPNN-WOA-SVM渗透系数组合预测模型。该模型通过引入鲸鱼优化算法(WOA)解决支持向量机(SVM)参数选择困难的问题,通过最大信息熵原理综合了BP神经网络(BPNN)较强的自适应能力以及鲸鱼优化支持向量机算法(WOA-SVM)良好的回归性能、适用小样本的优点。工程实例应用表明,构建的组合预测模型与单一预测模型相比,降低了均方误差、平均绝对误差和相对分析误差,提高了预测精度和收敛速度,在心墙砾石土渗透系数预测方面具有较强的优越性。

粒化幅值感知排列熵和WOA-SVM的滚动轴承故障诊断

为充分挖掘振动信号的特征信息进而提升诊断精度,提出一种将模糊信息粒化、幅值感知排列熵(AAPE)和鲸鱼优化支持向量机(WOA-SVM)相结合的滚动轴承智能故障诊断方法。首先对轴承振动信号进行模糊信息粒化处理,得到包含最小特征Low、平均特征R和最大特征Up的3组信息粒子;然后利用AAPE量化信息粒子的故障特征信息构建特征向量;最后建立WOA-SVM分类器诊断识别故障类型。采用滚动轴承不同工况下的实验数据进行算法验证,分析结果表明,所提方法不仅能够精准实现轴承故障类型及故障程度的综合辨识,而且故障识别率优于所对比方法。