导读:本文包含了故障分类器论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:故障诊断,小波,故障,分解,多维,参量,特征。
故障分类器论文文献综述
陈景文,褚恩亮,李英春,杨亚莉,党宏社[1]（2019）在《基于贝叶斯分类器的谐振接地故障选线系统设计》一文中研究指出中性点谐振接地系统发生单相接地故障时,故障选线是一项具有挑战性的问题。设计出一种基于贝叶斯分类器的谐振接地故障选线系统,该系统将各线路零序电流做小波包分解所获得的特征量与高次谐波分量相融合,结合暂态量和稳态量特征,作为朴素贝叶斯分类器的输入属性来进行选线。通过ATP/EMTP仿真软件建立谐振接地系统单相接地故障模型进行算法验证,通过设计故障采集设备和故障选线设备以及上位机软件进行可行性验证。仿真和试验结果表明,该方法在故障选线时执行效率高,不受接地电阻值的影响,是一种有效的谐振系统单相接地选线方法。(本文来源于《智慧电力》期刊2019年08期）
黄南天,王斌,蔡国伟,郑检,方立华[2]（2019）在《基于Tsallis熵与层次化混合分类器的含未知故障断路器机械故障诊断》一文中研究指出为提高断路器机械振动信号特征提取效率,避免将无训练样本未知类型故障误识别为正常样本或错误已知故障,提出一种断路器机械状态监测与故障诊断新方法。首先,将断路器机械操动机构振动信号进行时域分割,对分割后的各段信号分别直接提取7种特征,构成特征向量;通过散布矩阵分析特征分类能力,确定以Tsallis熵特征分析断路器机械故障。然后,将特征向量输入到基于单类支持向量机(OCSVM)与极限学习机(ELM)的层次化混合分类器中开展故障诊断。在混合分类器中,首先由OCSVM区分正常与故障状态;如为故障状态,则使用ELM识别故障类型,之后再以OCSVM校正ELM识别结果。通过实际断路器振动数据开展实验证明,散布矩阵能够有效分析特征的类可分性,时域分割提取特征效率高,层次化混合分类器不仅能够准确识别断路器机械状态与故障类型,而且可有效识别无训练样本未知故障类型数据。(本文来源于《高电压技术》期刊2019年05期）
陈汤,崔玉莲,冯辅周,吴春志[3]（2019）在《基于多组合分类器的汽车变速箱故障诊断》一文中研究指出针对于汽车变速箱故障特征信号微弱,且难以对故障类型识别问题,提出了基于多组合分类器的故障诊断方法。首先该方法将原始振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)、变分模态分解(Variational Mode Decomposition,VMD)以及提升小波变换(Lifting Wavelet Transform,LWT)进行分解得到多个分量信号,再在对每个分量信号求取特征参量组成特征向量集,输入到K近邻分类器(k-Nearest Neighbor,kNN)、逻辑回归分类器(Logical Regression Multi-Classification,LRMC)以及随机森林分类器(Random Forest,RF)中,以此判断故障类型。最后经过汽车变速箱故障模拟试验台的数据验证,经过分类器性能评价指标验证,基于LWT-RF模型的故障诊断方法具有最高的准确率、精确率、F1-score。(本文来源于《时代汽车》期刊2019年07期）
时中朝,郝伟娜,董红召[4]（2019）在《基于朴素贝叶斯分类器的公共自行车系统故障诊断方法》一文中研究指出针对公共自行车没有安装车载检测传感器、流动及停放区域较大、管理部门无法及时发现自行车故障等问题,提出了基于朴素贝叶斯分类器的自行车故障诊断方法。通过分析公共自行车系统(PBS)租用记录、维修记录和用户评价,选取15个状态分类特征作为自行车故障检测的特征向量;根据朴素贝叶斯分类器后验概率,获取每个状态分类特征对类的贡献率;以召回率作为评价指标来预测诊断故障自行车。采用杭州市PBS 2016年的相关数据对模型进行实践验证,通过预测模型输入特征值的优化,测试样本的召回率达85.79%,精度较为理想。(本文来源于《中国机械工程》期刊2019年08期）
梁洪[5]（2019）在《基于支持向量机多分类器的永磁同步电机故障诊断系统研究》一文中研究指出电机作为机械系统核心传动部件,被广泛应用于工业、农业、日常生活等领域。但由于超负荷运行、恶劣的工作环境、线圈自然老化等原因,电机容易发生各种各样的故障。一旦发生故障就很容易产生链式反应,甚至导致整个系统瘫痪。因此,研究电机状态监测与故障诊断具有重要意义。电机发生故障时,其自身信号中往往含有大量异常突发成分,这些异常的成分可以作为检测电机故障的特征。因此,对故障信号特征的分析和提取很关键。电机故障诊断从本质上来讲,就是在已知电机故障特征的基础上对其运行状态的模式识别问题。本文以永磁同步电机(Permanent magnet synchronous motor,PMSM)故障诊断系统为研究课题,以电机电流信号和振动信号特征为研究对象,提出了改进小波包变换和支持向量机(Support Vector Machine,SVM)多分类器相结合的电机故障诊断方法,并基于LabVIEW开发设计出PMSM故障诊断实验系统。主要工作如下:首先,在分析PMSM的结构、常见故障以及故障产生机理的基础上,对基于信号处理的故障诊断方法进行分析,总结出PMSM电流和振动信号的故障特征频率。其次,根据电机信号中故障特征频率分析,设计PMSM故障诊断实验系统。实现系统对信号的采集存储、分析处理和故障诊断等功能,为算法的验证提供实验载体。再次,基于改进小波包变换对电机电流和振动信号进行处理,改进小波包变换能消除频率混淆现象,可得出更加准确的信号故障特征,并以90TDY115-2B低速PMSM为例,进行PMSM匝间短路故障检测实验,结果验证了故障电机信号中存在的匝间短路故障特征。最后,分析基于SVM常用的四种多分类算法,使用四种SVM多分类算法分别对90TDY115-2B永磁同步低速电机多故障诊断分类实验。实验结果表明,“一对一”SVM多分类器综合分类效果最佳,将其作为PMSM故障诊断系统多分类算法,设计出PMSM故障诊断实验系统,实现PMSM运行状态监测和多故障分类诊断。(本文来源于《电子科技大学》期刊2019-04-08）
黄丽梅,王武,林琼斌,蔡逢煌,陈四雄[6]（2019）在《基于核密度估计分类器的变换器故障诊断方法》一文中研究指出现有变换器的故障诊断过程需训练大量的故障样本才能实现故障的识别和定位,但故障数据获取困难且训练过程复杂。针对这一问题,提出一种结合基于Mallat(快速递推算法)的叁次B样条小波分析与核密度估计算法。该方法首先采用基于Mallat的叁次B样条小波分析方法对变换器的输出电压进行预处理,加强抗噪声能力并降低数据维度;其后,基于核密度估计的分类器对故障进行识别和定位。所提方法在故障辨识阶段无需故障样本仅对正常样本进行训练便能准确识别故障样本,且在故障定位阶段仅需训练少量故障样本就能实现故障的定位,具有抗干扰能力强、实现简单、诊断率高的优点。仿真和实验验证了所提方法的可行性和有效性。(本文来源于《电网技术》期刊2019年06期）
刘婷婷,张迪,王雪梅,葛明涛[7]（2019）在《基于VMD及模糊相关分类器的滚动轴承故障诊断》一文中研究指出针对滚动轴承非平稳性的振动信号,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)及模糊相关分类器的故障诊断方法。首先,对振动信号进行VMD分解,计算分解后分量与原信号的互信息值,利用互信息值提取无噪声分量,获得重构信号;其次,利用模糊函数在处理非平稳信号方面的优越性,结合相关系数提出模糊相关分类器;最后,将多组不同工作状态的重构信号输入模糊相关分类器,对多组数据进行训练与测试。实验结果表明,该方法能够有效的诊断出滚动轴承叁种工作状态,且检测率较支持向量机及神经网络高。(本文来源于《机械设计与制造》期刊2019年02期）
程晓宜,陈启卷,王卫玉,郑阳,郭定宇[8]（2019）在《基于多维特征和多分类器的水电机组故障诊断》一文中研究指出提出了一种基于多维特征和多分类器的水电机组故障诊断方法。通过提取水电机组不同状态下振动信号的时域特征、频域特征和集合经验模态分解-样本熵,构建多维特征,实现特征信息的多维互补,并利用遗传算法对构建的多维特征进行降维处理。以此多维特征作为分类器的输入,分别通过支持向量机、反向传播神经网络和朴素贝叶斯分类器进行故障诊断,将叁种分类器的初步诊断结果进行融合得到最终诊断结论,从而提高水电机组故障诊断的准确率。为验证该方法的有效性,将转子不平衡、转子不对中、转子碰磨等故障在转子试验台上进行模拟,并用上述方法进行诊断,结果表明,较单维特征和单分类器,多维特征输入和多分类器融合的故障诊断准确率更高。(本文来源于《水力发电学报》期刊2019年04期）
张玉振,吉兴全,彭立岩,梁晓平,许倩文[9]（2018）在《基于栈式自编码器和Softmax分类器的电力变压器故障诊断》一文中研究指出为更加有效地解决电力变压器故障诊断时面临的数据提取、局部最优、梯度消散等问题,提出了一种基于栈式自编码器(stacked auto-encoders,SAE)与Softmax分类器的电力变压器故障诊断新方法。所提方法首先基于SAE与Softmax分类器理论,建立电力变压器故障诊断模型;然后基于k步对比散度算法,利用大量无标签样本对故障诊断模型中的每个受限玻尔兹曼机(restricted Boltzmann machine,RBM)进行逐层无监督训练,并使用有监督算法对模型参数进行调优;最后结合Softmax分类器对故障类型进行判断。算例分析证明,与基于支持向量机(support vector machine,SVM)和反向传播神经网络算法的故障诊断方法相比,所提方法在电力变压器评估方面具有较好的稳定性及更高的准确率。(本文来源于《中国科技论文》期刊2018年23期）
秦正飞,高磊,王军现,康健[10]（2018）在《基于优化支持向量机多分类器的水电机组故障诊断》一文中研究指出为提高水电机组故障诊断的准确率,提出基于优化支持向量机多分类器的水电机组故障诊断方法。支持向量机(Support Vector Machine,简称SVM)在解决小样本问题上有着突出的表现,针对其参数设置采用人工蜜蜂群(artificial bee colony,简称ABC)进行参数优化。建立基于Fisher加权的朴素贝叶斯分类器(Attribute Fisher Weighted Naive Bayes Classifier,简称FWNBC)和基于Mahalanobis距离的分类器(Mahalanobis Distance Classifier,简称MDC),并与优化的支持向量机分类器组合成为FWNBC+MDC+优化SVM的分类融合模型,以基于优化微分经验模式分解法(Differential empirical mode decomposition,简称DEMD)提取的分量作为输入特征向量,应用融合模型对水电机组故障进行诊断,以投票为决策方法。实验结果表明该模型对于未经优化的支持向量机和特征提取以及单一的分类器,能有效提高故障识别的准确率。(本文来源于《水电与抽水蓄能》期刊2018年03期）
故障分类器论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为提高断路器机械振动信号特征提取效率,避免将无训练样本未知类型故障误识别为正常样本或错误已知故障,提出一种断路器机械状态监测与故障诊断新方法。首先,将断路器机械操动机构振动信号进行时域分割,对分割后的各段信号分别直接提取7种特征,构成特征向量;通过散布矩阵分析特征分类能力,确定以Tsallis熵特征分析断路器机械故障。然后,将特征向量输入到基于单类支持向量机(OCSVM)与极限学习机(ELM)的层次化混合分类器中开展故障诊断。在混合分类器中,首先由OCSVM区分正常与故障状态;如为故障状态,则使用ELM识别故障类型,之后再以OCSVM校正ELM识别结果。通过实际断路器振动数据开展实验证明,散布矩阵能够有效分析特征的类可分性,时域分割提取特征效率高,层次化混合分类器不仅能够准确识别断路器机械状态与故障类型,而且可有效识别无训练样本未知故障类型数据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
故障分类器论文参考文献
[1].陈景文,褚恩亮,李英春,杨亚莉,党宏社.基于贝叶斯分类器的谐振接地故障选线系统设计[J].智慧电力.2019
[2].黄南天,王斌,蔡国伟,郑检,方立华.基于Tsallis熵与层次化混合分类器的含未知故障断路器机械故障诊断[J].高电压技术.2019
[3].陈汤,崔玉莲,冯辅周,吴春志.基于多组合分类器的汽车变速箱故障诊断[J].时代汽车.2019
[4].时中朝,郝伟娜,董红召.基于朴素贝叶斯分类器的公共自行车系统故障诊断方法[J].中国机械工程.2019
[5].梁洪.基于支持向量机多分类器的永磁同步电机故障诊断系统研究[D].电子科技大学.2019
[6].黄丽梅,王武,林琼斌,蔡逢煌,陈四雄.基于核密度估计分类器的变换器故障诊断方法[J].电网技术.2019
[7].刘婷婷,张迪,王雪梅,葛明涛.基于VMD及模糊相关分类器的滚动轴承故障诊断[J].机械设计与制造.2019
[8].程晓宜,陈启卷,王卫玉,郑阳,郭定宇.基于多维特征和多分类器的水电机组故障诊断[J].水力发电学报.2019
[9].张玉振,吉兴全,彭立岩,梁晓平,许倩文.基于栈式自编码器和Softmax分类器的电力变压器故障诊断[J].中国科技论文.2018
[10].秦正飞,高磊,王军现,康健.基于优化支持向量机多分类器的水电机组故障诊断[J].水电与抽水蓄能.2018
论文知识图
