基于特征融合与IAFSA-SVM的滚动轴承故障诊断方法

针对滚动轴承振动信号时域特征表征故障信息不全面的问题,提出一种将云特征与时域特征相融合的方法,并对人工鱼群算法进行改进,引入了人工鱼的反向变异机制和感知行为,进行超参数寻优得到IAFSA-SVM故障诊断器。采集不同轴承故障数据集的融合特征输入IAFSA-SVM进行试验,结果表明,融合特征能更全面的表征滚动轴承的不同状态信息,将其作为IAFSA-SVM的输入可以获得更高的分类准确率。

基于IAFSA-SVM的岸电电源IGBT电气故障诊断

在船舶岸电技术中变频电源使用较为广泛,而IGBT作为其中的重要组成部分,对其进行有效的故障诊断有着重要意义。文章利用MATLAB/Simulink建立基于岸电电源IGBT故障仿真模型,采用短时傅立叶变换计算变频电源输出电流的功率谱密度(PSD)作为特征,引入自适应变步长和全局随机行为来改进人工鱼群算法,进而利用IAFSA优化SVM参数,提高其泛化能力。仿真结果表明:基于IAFSA-SVM的IGBT故障诊断模型可以及时高效地识别岸电变频电源中IGBT故障,为后续维修提供便利。

基于IAFSA优化LS-SVM的变压器故障识别研究

为快速、准确识别变压器在运行过程中出现的不同故障,文章运用改进人工鱼群(IAFSA)对最小二乘法支持向量机(LS-SVM)的参数进行优化,并提出了一种新的变压器故障识别方法。首先,利用加权平均方法与调整函数对人工鱼群算法进行改进,并运用改进人工鱼群算法对最小二乘法支持向量机算法的惩罚因子与核函数进行优化,提高诊断模型的识别精度;其次,对变压器不同故障样本数据进行分析;最后与实际故障参数对比,验证该方法的准确性、可靠性。研究表明,基于改进人工鱼群算法优化LS-SVM的变压器故障识别方法可准确地识别变压器在运行过程中出现的故障,为变压器工作状态监测提供新的思路。

基于改进鱼群算法与最小二乘支持向量机的短期负荷预测

在电力系统中,无论是正常运行时的调度工作还是故障修复时的孤岛划分,都需要准确的负荷数据,因此电力负荷准确的短期预测工作十分重要。本文运用最小二乘支持向量机进行预测:首先,对人工鱼群算法通过视野和步长自适应设定以及引入精英反向学习机制进行改进,使其计算更加具有优越性;其次,利用改进的人工鱼群算法对广泛应用于负荷预测的最小二乘支持向量机进行改进(主要针对其核宽度系数与正则化参数);最后,运用参数改进后的最小二乘支持向量机对IEEE 33节点系统进行短期负荷预测。实例表明了此方法的工程实用性。