基于支持向量机的高压断路器机械状态分类

被引：37

作者：

孙来军 ^{[1
]}

胡晓光 ^{[2
]}

纪延超 ^{[3
]}

机构：

[1] 黑龙江大学电子工程高校重点实验室

[2] 北京航空航天大学自动化学院

[3] 哈尔滨工业大学电气工程系

来源：

电工技术学报 | 2006年 / 08期

关键词：

高压断路器; 支持向量机; 神经网络; 故障诊断;

D O I：

10.19595/j.cnki.1000-6753.tces.2006.08.011

中图分类号：

TM561 [断路器];

学科分类号：

080801 ;

摘要：

基于统计学习理论的支持向量机是专门研究少样本情况下的统计规律及学习方法,为故障诊断向智能化方向发展提供了途径。本文首先介绍了支持向量机的基本原理;其次提出了一种基于小波包和熵理论的振动信号特征提取方法,即利用小波包分解各节点重构信号的熵值反映信号与正常状态的偏移;最后详细介绍了这种新方法在断路器故障诊断中的具体应用,并与传统神经网络方法相比较。使用结果表明:无论在分类效果,还是学习速度方面,支持向量机都优于神经网络,更适合在断路器机械状态识别中的应用。

引用

页码：53 / 58

页数：6

共 6 条

[1]

基于支持向量机的语音识别研究.[A].苏毅;吴文虎;郑方;方棣棠;.第六届全国人机语音通讯学术会议.2001,

[2] 滚动轴承技术故障诊断的支持向量机方法研究 [J].