基于迭代退火算法的高压变频器功率单元频繁故障诊断方法研究*

现有的变压器故障诊断方法较为复杂且计算冗余度较高,在高压变频器的功率单元频繁发生故障时难以高效地检测故障。为此,提出基于迭代退火算法的高压变频器功率单元频繁故障诊断方法。采用小波包分解方法提取高压变频器功率单元的电压信号特征熵,将该特征熵输入到支持向量机模型。使用迭代退火算法优化支持向量机的训练参数,并输出诊断结果。研究结果表明:该方法提取的高压变频器单元故障的平均冗余度最低至3.2%,平均诊断时间为15.1 ms,可实现高压变频器功率单元频繁故障的高效诊断。     

基于风量-风压复合特征的通风系统阻变型故障诊断

为了避免风量单一特征进行故障位置诊断的不适定性，提出基于风量-风压复合特征的故障位置诊断方法，实现特征信息的多维互补，提高故障位置诊断的准确度。利用蒙特卡洛方法生成大致满足实际故障风阻值分布的故障仿真样本，为了避免不同变量之间不同量纲、不同数量级造成的数据损失，对原始风量、风压数据进行标准化处理，并分别以风量单一特征、风压单一特征、风量-风压复合特征作为支持向量机（SVM）的输入，构建通风系统阻变型故障位置诊断模型。通过故障模拟实验研究表明:风量、风压单一特征进行故障位置诊断的准确度分别为89.80%，90.34%，风量-风压复合特征进行故障位置诊断的准确度为98.23%，说明风量-风压复合特征进行故障诊断可以消除风量、风压单一特征进行故障诊断的不适定性，提高故障诊断的准确度。     

基于FTA-SVM的车辆发动机故障识别方法

发动机结构日益复杂,其故障具有多样性和频发性的特点,收集大量故障样本存在很多实施障碍。为了提高车辆发动机的故障识别的效率和准确性,提出了一种新的结合故障树(FTA)和支持向量机(SVM)各自特点,从故障模式分析到故障类型识别的FTA-SVM故障识别方法。首先利用故障树在复杂系统故障模式分析中的优势,找出系统的故障模式,建立故障树模型,通过对故障树模型中各故障事件的分析,采集与故障事件状态相关的数据,建立数据与故障树底事件的映射模型,最后利用支持向量机在小样本数据处理中的优势,进行故障类型的识别。以发动机的失火故障为例建立了发动机失火故障树模型及故障数据与故障模式映射模型,验证了FTA-SVM方法的有效性和适用性。     

基于SVM的通风系统故障诊断惩罚系数与核函数系数优化研究

使用支持向量机（SVM）方法对矿井通风系统进行故障诊断,存在惩罚系数（c）和核函数系数（g）,通过人工方法选取效率低、难以达到较高准确率并且出现过拟合的问题。为了提高矿井通风故障诊断的效率、准确率,同时避免过拟合现象,提出了一种改进遗传算法（GA）,在故障诊断过程中对支持向量机的c,g参数进行优化。经过多组试验分析,研究结果表明:用遗传算法优化的SVM矿井通风故障诊断系统相比于未优化系统的故障诊断准确率有所提升,参数未优化前故障诊断的准确率为60%,优化后的准确率为97.894 7%,并且优化参数经过大数据样本验证,未出现过拟合现象,证明了本文提出方法的有效性。     

基于VMD排列熵与FASSA-SVM的滚动轴承故障研究

提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs）,其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中,最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明,FASSA-SVM方法的平均测试集诊断准确率高达99.8%,该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。     

基于案例推理的大型养路机械故障诊断系统

为实现铁路大型养路机械(简称"大机")故障的智能检索和诊断,使用基于案例推理(CBR)的思路分析和设计用以实现这些目的的系统。阐述案例的表示和构建方法。提出捣固车的故障案例模型构建方法。设计捣固车故障诊断的CBR系统。给出带权值的k-近邻法的案例相似性检索方法。提出大机故障诊断智能决策系统,采用定性和定量检索相结合的方法。故障诊断系统能够进行案例的定性、定量和混合检索。用捣固车的具体故障案例,验证所设计的系统的可行性。诊断系统检索得到的故障类型与依据现场采集的数据判定的故障类型基本一致,能够进行案例调用和修改。     

雾霾天气预测中支持向量机的应用分析

支持向量机在对非线性复杂问题进行处理的过程中,展现出来的优势特征非常突出,本文针对雾霾天气预测中支持向量机的应用做出了进一步探究,对支持向量机的概念、支持向量机的基本思想、建立雾霾预测模型、预测试验给出了详细的分析。     

基于支持向量机的煤与瓦斯突出预测研究

为准确预测矿井煤与瓦斯突出的危险性,针对煤与瓦斯突出样本的不足从一定程度上制约了基于知识的方法在煤与瓦斯突出预测中的应用这一问题,利用支持向量机在小样本情况下具有较强识别能力的特点,提出了煤与瓦斯突出的支持向量机预测方法。对煤与瓦斯突出影响因素进行灰关联分析,提取特征向量。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,以云南恩洪煤矿的突出实例作为预测样本,将支持向量机预测结果与其他预测结果进行对比。结果表明支持向量机模型能够满足煤与瓦斯突出预测的要求。     

基于支持向量机的应急预案动态优选方法研究

为了提高突发事故应急效率,针对事故发展的不同阶段对应急资源的需求,在群体决策方法的基础上利用支持向量机方法进行动态应急预案优选.首先利用专家对量化后的应急预案进行评价,通过向最拼接将其转化为等价的可用于分类的训练样本集,再应用标准支持向量机分类器对应急预案进行分类和排序,最后实现对应急预案的动态优选.研究表明,该方法充分利用了支持向量机方法的自学习能力,以应急过程中的动态需求为依据,可以实现动态的应急预案优选.     

基于改进KFDA和RW ν-SVM的化工生产系统故障快速诊断

为提高复杂化工生产系统在线故障诊断的效率和准确率,将改进核费舍尔主元分析法(KFDA)和鲁棒损失小波ν-支持向量机法(RWν-SVM)结合。首先,利用近邻边界法对KFDA进行监督降维,快速辨识和提取化工过程影响因素的核主元。然后,将核主元作为诊断和分类RWν-SVM的输入参数,并优化回归决策函数表达式,使诊断过程更加快速,分类更加准确。最后,设计一个基于改进KFDA和RWν-SVM算法,并以经典的田纳西-伊士曼化工过程(TEP)为实例进行计算。结果表明:用改进的算法,能快速诊断和分类化工生产系统中的故障,且在计算效率和正确率方面均优于普通方法,故障诊断结果能够反映化工过程的实际情况。