CN106203500B - 一种基于改进的模糊支持向量机的故障分类方法 - Google Patents

一种基于改进的模糊支持向量机的故障分类方法 Download PDF

Info

Publication number
CN106203500B
CN106203500B CN201610530554.1A CN201610530554A CN106203500B CN 106203500 B CN106203500 B CN 106203500B CN 201610530554 A CN201610530554 A CN 201610530554A CN 106203500 B CN106203500 B CN 106203500B
Authority
CN
China
Prior art keywords
sample data
membership
degree
fsvm
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610530554.1A
Other languages
English (en)
Other versions
CN106203500A (zh
Inventor
张静
朱承治
李题印
胡翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Power Equipment Manufacturing Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Power Equipment Manufacturing Co Ltd
Priority to CN201610530554.1A priority Critical patent/CN106203500B/zh
Publication of CN106203500A publication Critical patent/CN106203500A/zh
Application granted granted Critical
Publication of CN106203500B publication Critical patent/CN106203500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Complex Calculations (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于改进的模糊支持向量机的故障分类方法，该方法包括：获取开关柜的样本数据，通过引入松弛因子对所述样本数据建立优化模型，计算所述优化模型的超球面的最小半径；以所述超球面的最小半径为超球面边界，利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度；将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数；利用改进FSVM的最优分段函数建立改进FSVM的分类器，将所述样本数据依次通过所述改进FSVM的分类器，获得每个样本数据的故障类型。该方法实现提升开关柜故障分类的效果。

Description

一种基于改进的模糊支持向量机的故障分类方法
技术领域
本发明涉及故障分类技术领域，特别是涉及一种基于改进的模糊支持向量机的故障分类方法。
背景技术
目前，对电缆、母线和断路器的运行状况进行监测，提取故障特征参数，利用故障特征数据可实现其典型故障的分类识别，有利于判别和诊断各类故障状态，指导其运维管理。对于故障的分类识别，目前主要有决策树分类、贝叶斯分类、神经网络分类和支持向量机分类，其中支持向量机(Support Vector Machine，SVM)能够在小样本数据上获得训练学习精度和测试识别能力之间的最优折衷，具有良好的适应性，但SVM在构造最优分类面时平等对待所有的有效样本和噪声样本，其噪声样本将很容易影响SVM的分类结果。而模糊支持向量机(Fuzzy Support Vector Machine，FSVM)虽然能够消除了噪声样本的影响，但是其忽略了同类样本的相互作用和分散性，效果不佳，因此提出改进的FSVM，对于开关柜故障分类具有更好的效果。
发明内容
本发明的目的是提供一种基于改进的模糊支持向量机的故障分类方法，以实现提升开关柜故障分类的效果。
为解决上述技术问题，本发明提供一种基于改进的模糊支持向量机的故障分类方法，该方法包括：
获取开关柜的样本数据，通过引入松弛因子对所述样本数据建立优化模型，计算所述优化模型的超球面的最小半径；
以所述超球面的最小半径为超球面边界，利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度；
将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数；
利用改进FSVM的最优分段函数建立改进FSVM的分类器，将所述样本数据依次通过所述改进FSVM的分类器，获得每个样本数据的故障类型。
优选的，所述优化模型如下：
其中，Mi为样本数据，ζi为松弛因子，R为超球面的最小球半径，A为球心，E为平衡超球大小和噪声样本个数的惩罚因子，l为样本数据的个数。
优选的，计算所述优化模型的超球面的最小半径包括：
通过构造Lagrange函数将所述优化模型转化为便于求解的简化对偶模型；所述简化对偶模型如下：
其中，Mj为样本数据，j＝1,2,…,l；βi为Mi的系数，用于表示Mi是否为内部样本；βj为Mj的系数，用于表示Mj是否为内部样本；
对所述简化对偶模型进行求解，获得各个样本数据Mi的系数βi；
利用样本数据Mi和系数βi计算超球面的最小半径R；最小半径R的计算公式如下：
优选的，所述利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度，包括：
利用分段半降正态云模型C(Er,Enr1,Her1)和分段半降正态云模型C(Er+R,Enr2,Her2)计算超球面边界内外的样本数据的隶属度μr；Er和Er+R为期望，Enr1和Enr1为熵，Her1和Her2为超熵；
隶属度μr的计算公式如下：
其中，μr(rcm,E’nr)表示隶属度μr，rcm为样本数据与球心的距离，E’nr为样本数据与球心的距离的标准差随机向量；为分段半降正态云模型C(Er,Enr1,Her1)在[Er+R-2Her1/3,Er+R+2Her1/3]区间的隶属度均值；
利用隶属度μr计算样本数据Mi的隶属度μi。
优选的，所述利用隶属度μr计算样本数据Mi的隶属度μi，包括：
利用隶属度μr形成给定个数的云滴(rcm,μr)，按第i个样本数据Mi与球心A的距离ri＝||Mi-A||，筛选出位于区间Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]的云滴个数K，计算样本数据Mi的隶属度μi；隶属度μi的计算公式如下：
优选的，所述将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数，包括：
将开关柜的样本数据Mi、故障分类标志yi以及隶属度μi构成k种故障类型的样本集；k大于等于2；
将样本集通过改进FSVM的优化模型，获得改进FSVM的最优分类函数，所述改进FSVM的优化模型如下：
其中，αi为样本数据Mi的系数，αj为样本数据Mj的系数，Tj为样本数据Mi的故障分类标志，Tj为样本数据Mj的故障分类标志，C为一个常数。
优选的，所述将样本集通过改进FSVM的优化模型，获得改进FSVM的最优分类函数，包括：
利用样本集对所述改进FSVM的优化模型求解得到αi系数并得到偏置系数b，进而获得改进FSVM的最优分类函数f(M)，f(M)的计算公式如下：
本发明所提供的一种基于改进的模糊支持向量机的故障分类方法，获取开关柜的样本数据，通过引入松弛因子对所述样本数据建立优化模型，计算所述优化模型的超球面的最小半径；以所述超球面的最小半径为超球面边界，利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度；将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数；利用改进FSVM的最优分段函数建立改进FSVM的分类器，将所述样本数据依次通过所述改进FSVM的分类器，获得每个样本数据的故障类型。可见，由于事先未知样本数据是否存在噪声样本，所以通过引入松弛因子建立优化模型以计算超球面的最小半径，且利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度，如此获得的隶属度既考虑超球内外样本隶属度随其与球心距离变化规律的区域差异，又充分计及样本数据在边界内外的分布密度即分散性不同，由此尽量有效利用支持向量的样本数据，同时排除噪声样本的不利干扰，提高FSVM的分类性能，进一步判别和诊断故障状态，提升开关柜故障分类的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明所提供的一种基于改进的模糊支持向量机的故障分类方法的流程图；
图2为传统的隶属度函数图；
图3为本发明改进的隶属度函数图。
具体实施方式
本发明的核心是提供一种基于改进的模糊支持向量机的故障分类方法，以实现提升开关柜故障分类的效果。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的一种基于改进的模糊支持向量机的故障分类方法的流程图，该方法包括：
S11：获取开关柜的样本数据，通过引入松弛因子对所述样本数据建立优化模型，计算所述优化模型的超球面的最小半径；
S12：以所述超球面的最小半径为超球面边界，利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度；
S13：将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数；
S14：利用改进FSVM的最优分段函数建立改进FSVM的分类器，将所述样本数据依次通过所述改进FSVM的分类器，获得每个样本数据的故障类型。
可见，由于事先未知样本数据是否存在噪声样本，所以通过引入松弛因子建立优化模型以计算超球面的最小半径，且利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度，如此获得的隶属度既考虑超球内外样本隶属度随其与球心距离变化规律的区域差异，又充分计及样本数据在边界内外的分布密度即分散性不同，由此尽量有效利用支持向量的样本数据，同时排除噪声样本的不利干扰，提高FSVM的分类性能，进一步判别和诊断故障状态，提升开关柜故障分类的效果。
基于上述方法，进一步的，所述优化模型如下：
其中，Mi为样本数据，ζi为松弛因子，R为超球面的最小球半径，A为球心，E为平衡超球大小和噪声样本个数的惩罚因子，l为样本数据的个数。
步骤S11中，计算所述优化模型的超球面的最小半径的过程优选采用以下步骤实现：
S21：通过构造Lagrange函数将所述优化模型转化为便于求解的简化对偶模型；所述简化对偶模型如下：
其中，Mj为样本数据，j＝1,2,…,l；βi为Mi的系数，用于表示Mi是否为内部样本；βj为Mj的系数，用于表示Mj是否为内部样本；
S22：对所述简化对偶模型进行求解，获得各个样本数据Mi的系数βi；
其中，若βi＝E，则样本数据为噪声样本，位于超球面外，若0<βi<E，则样本数据为超球面包围的内部样本；
S23：利用样本数据Mi和βi系数计算超球面的最小半径R；最小半径R的计算公式如下：
其中，球心A为所有样本数据Mi和βi系数的线性加权之和，超球面的最小半径R为球内样本Mi与球心A的距离的最大值；
步骤S12中，利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度的过程优选采用以下步骤实现：
S31：利用分段半降正态云模型C(Er,Enr1,Her1)和分段半降正态云模型C(Er+R,Enr2,Her2)计算超球面边界内外的样本数据的隶属度μr；Er和Er+R为期望，Enr1和Enr1为熵，Her1和Her2为超熵；隶属度μr的计算公式如下：
其中，μr(rcm,E’nr)表示隶属度μr，rcm为样本数据与球心的距离，E’nr为样本数据与球心的距离的标准差随机向量；为分段半降正态云模型C(Er,Enr1,Her1)在[Er+R-2Her1/3,Er+R+2Her1/3]区间的隶属度均值；R在前面已有详细介绍，是最小半径R。Er、Enr1、Her1分别是分段半降正态云模型C(Er,Enr1,Her1)的期望、熵、超熵；Er+R、Enr2、Her2分别是分段半降正态云模型C(Er+R,Enr2,Her2)的期望、熵、超熵。
其中，利用分段半降正态云模型C(Er,Enr1,Her1)和分段半降正态云模型C(Er+R,Enr2,Her2)计算超球面边界内外的样本数据的隶属度μr的过程具体为：利用E’nr1＝NORM(Enr1,Her1 2)和E’nr2＝NORM(Enr2,Her2 2)生成正态随机数，分别以E’nr1 2、E’nr2 2为方差，Er、Er+R为期望生成正态随机数rcm1、rcm2，重复前两步将随机数进行组合获得样本数据与球心的距离rcm以及距离rcm的标准差随机向量E’nr，利用R、rcm和E’nr计算隶属度μr。其中，得到的样本数据的隶属度是基于分段半降正态云模型的隶属度，由两个分段半降正态云模型C(Er,Enr1,Her1)和C(Er+R,Enr2,Her2)在R交界处组合而成。E’nr1和E’nr2可以直接在matlab软件中调用NORM函数分别得到E’nr1＝NORM(Enr1,Her1 2)与E’nr2＝NORM(Enr2,Her2 2)两个正态随机数。NORM是指的一个数学函数，在线性代数，函数分析等数学学科中，norm是一种可以在向量空间里对向量赋予长度和大小的函数。
S32：利用隶属度μr计算样本数据Mi的隶属度μi。
其中，步骤S32的过程具体为：利用隶属度μr形成给定个数的云滴(rcm,μr)，按第i个样本数据Mi与球心A的距离ri＝||Mi-A||，筛选出位于区间Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]的云滴个数K，计算样本数据Mi的隶属度μi；隶属度μi的计算公式如下：
Rmain指的是半降正态云模型中的一个区间；
Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]；
其中，从云滴(rcm,μr)中筛选出分段半降正态云模型中位于区间Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]的云滴个数K。
具体的，步骤S13优选采用以下步骤实现：
S41：将开关柜的样本数据Mi、故障分类标志yi以及隶属度μi构成k种故障类型的样本集；k大于等于2；
S42：将样本集通过改进FSVM的优化模型，获得改进FSVM的最优分类函数，所述改进FSVM的优化模型如下：
其中，αi为样本数据Mi的系数，αj为样本数据Mj的系数，Tj为样本数据Mi的故障分类标志，Tj为样本数据Mj的故障分类标志，C为一个常数。l前面已有介绍，为样本数据的个数。
αi，αj表示相对应样本的系数，每个样本数据均有一个系数表示其是否为内部样本，可以由上述改进FSVM的优化模型得到。Ti，Tj表示分类标志即故障分类标志；Ti，Tj∈{-1,1}，当分类标志为1、-1对应与样本数据归属、不归属目标类型。
步骤S14中，将样本集通过改进FSVM的优化模型，获得改进FSVM的最优分类函数的过程具体为：利用样本集对所述改进FSVM的优化模型求解得到αi系数并得到偏置系数b，进而获得改进FSVM的最优分类函数f(M)，f(M)的计算公式如下：
其中，f(M)公式中的参数在前面都已有详细介绍。b指的是样本数据的一个偏置系数，可以通过改进FSVM的优化模型得到。
本发明中，由于事先未知样本数据是否存在噪声样本，所以通过引入松弛因子建立优化模型以计算超球面的最小半径，以超球半径为边界，利用分段半降正态云模型分别计算边界内外的样本隶属度。利用分段半降正态云模型计算的超球面边界内外的样本数据的隶属度作为改进FSVM的隶属度，既考虑超球内外样本隶属度随其与球心距离变化规律的区域差异，又充分计及样本在边界内外的分布密度即分散性不同，由此尽量有效利用支持向量样本信息，同时排除噪声样本的不利干扰，提高FSVM的分类性能，用于进一步判别和诊断故障状态，提升开关柜故障分类的效果。
基于本方法，具体实施过程中，利用训练样本数据获取超球面，将样本数据划分为超球内和超球外两个区域，按各自样本分布的特点，可选择不同参数的半降正态云模型计算相应的隶属度，将样本的隶属度与监测数据以及分类标志组成k种故障类型的样本集，利用样本集可以获得改进FSVM的最优分类函数，训练样本依次代入改进FSVM分类器即确定样本的故障类型。本发明提出的改进的模糊支持向量机能够有效的确定故障类型。本方法综合样本空间的区域差异性和分散性计算样本隶属度，即作为FSVM的样本隶属度，可有效利用支持向量样本信息，同时排除噪声样本的不利干扰，提高FSVM的分类性能，实现故障的准确分类。
具体的，参考附图，图2为传统的隶属度函数图，图3为本发明改进的隶属度函数图，即利用分段半降正态云模型计算的超球面边界内外的样本数据的隶属度的函数示意图，图3中的半降正态云就是指代分段半降正态云模型。
综上，本发明所提供的一种基于改进的模糊支持向量机的故障分类方法，获取开关柜的样本数据，通过引入松弛因子对所述样本数据建立优化模型，计算所述优化模型的超球面的最小半径；以所述超球面的最小半径为超球面边界，利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度；将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数；利用改进FSVM的最优分段函数建立改进FSVM的分类器，将所述样本数据依次通过所述改进FSVM的分类器，获得每个样本数据的故障类型。可见，由于事先未知样本数据是否存在噪声样本，所以通过引入松弛因子建立优化模型以计算超球面的最小半径，且利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度，如此获得的隶属度既考虑超球内外样本隶属度随其与球心距离变化规律的区域差异，又充分计及样本数据在边界内外的分布密度即分散性不同，由此尽量有效利用支持向量的样本数据，同时排除噪声样本的不利干扰，提高FSVM的分类性能，进一步判别和诊断故障状态，提升开关柜故障分类的效果。
以上对本发明所提供的一种基于改进的模糊支持向量机的故障分类方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种基于改进的模糊支持向量机的故障分类方法，其特征在于，包括：
获取开关柜的样本数据，通过引入松弛因子对所述样本数据建立优化模型，计算所述优化模型的超球面的最小半径；
以所述超球面的最小半径为超球面边界，利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度；
将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数；
利用改进FSVM的最优分段函数建立改进FSVM的分类器，将所述样本数据依次通过所述改进FSVM的分类器，获得每个样本数据的故障类型；
所述利用分段半降正态云模型计算超球面边界内外的样本数据的隶属度，包括：
利用分段半降正态云模型C(Er,Enr1,Her1)和分段半降正态云模型C(Er+R,Enr2,Her2)计算超球面边界内外的样本数据的隶属度μr；Er和Er+R为期望，Enr1和Enr2为熵，Her1和Her2为超熵；
隶属度μr的计算公式如下：
其中，μr(rcm,E′nr)表示隶属度μr，rcm为样本数据与球心的距离，E′nr为样本数据与球心的距离的标准差随机向量；为分段半降正态云模型C(Er,Enr1,Her1)在[Er+R-2Her1/3,Er+R+2Her1/3]区间的隶属度均值，R为所述超球面的最小半径；
利用隶属度μr计算样本数据Mi的隶属度μi。
2.如权利要求1所述的方法，其特征在于，所述优化模型如下：
其中，Mi为样本数据，ζi为松弛因子，R为所述超球面的最小半径，A为球心，E为平衡超球大小和噪声样本个数的惩罚因子，l为样本数据的个数。
3.如权利要求2所述的方法，其特征在于，计算所述优化模型的超球面的最小半径包括：
通过构造Lagrange函数将所述优化模型转化为便于求解的简化对偶模型；所述简化对偶模型如下：
其中，Mj为样本数据，j＝1,2,…,l；βi为Mi的系数，用于表示Mi是否为内部样本；βj为Mj的系数，用于表示Mj是否为内部样本；
对所述简化对偶模型进行求解，获得各个样本数据Mi的系数βi；
利用样本数据Mi和系数βi计算超球面的最小半径R；最小半径R的计算公式如下：
4.如权利要求1所述的方法，其特征在于，所述利用隶属度μr计算样本数据Mi的隶属度μi，包括：
利用隶属度μr形成给定个数的云滴(rcm,μr)，按第i个样本数据Mi与球心A的距离ri＝||Mi-A||，筛选出位于区间Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]的云滴个数K，计算样本数据Mi的隶属度μi；隶属度μi的计算公式如下：
5.如权利要求4所述的方法，其特征在于，所述将开关柜的样本数据、故障分类标志以及所述隶属度构成故障类型的样本集，利用所述故障类型的样本集获得改进FSVM的最优分段函数，包括：
将开关柜的样本数据Mi、故障分类标志yi以及隶属度μi构成k种故障类型的样本集；k大于等于2；
将样本集通过改进FSVM的优化模型，获得改进FSVM的最优分类函数，所述改进FSVM的优化模型如下：
其中，αi为样本数据Mi的系数，αj为样本数据Mj的系数，Ti为样本数据Mi的故障分类标志，Tj为样本数据Mj的故障分类标志，C为一个常数。
6.如权利要求5所述的方法，其特征在于，所述将样本集通过改进FSVM的优化模型，获得改进FSVM的最优分类函数，包括：
利用样本集对所述改进FSVM的优化模型求解得到αi系数并得到偏置系数b，进而获得改进FSVM的最优分类函数f(M)，f(M)的计算公式如下：
CN201610530554.1A 2016-06-30 2016-06-30 一种基于改进的模糊支持向量机的故障分类方法 Active CN106203500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610530554.1A CN106203500B (zh) 2016-06-30 2016-06-30 一种基于改进的模糊支持向量机的故障分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610530554.1A CN106203500B (zh) 2016-06-30 2016-06-30 一种基于改进的模糊支持向量机的故障分类方法

Publications (2)

Publication Number Publication Date
CN106203500A CN106203500A (zh) 2016-12-07
CN106203500B true CN106203500B (zh) 2019-06-11

Family

ID=57473466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610530554.1A Active CN106203500B (zh) 2016-06-30 2016-06-30 一种基于改进的模糊支持向量机的故障分类方法

Country Status (1)

Country Link
CN (1) CN106203500B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770939A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法
CN110555054B (zh) * 2018-06-15 2023-06-09 泉州信息工程学院 一种基于模糊双超球分类模型的数据分类方法及系统
CN110320468B (zh) * 2019-06-24 2022-04-12 广西电网有限责任公司电力科学研究院 一种基于向量机的开关柜过热故障诊断方法
CN111611867B (zh) * 2020-04-24 2023-03-24 滁州学院 基于多分类模糊相关向量机的滚动轴承智能故障诊断方法
CN112051836B (zh) * 2020-09-11 2021-09-24 江苏科技大学 基于多核模型的水下机器人推进器状态监测方法
CN113640659A (zh) * 2021-07-14 2021-11-12 北京智芯微电子科技有限公司 用于确定开关故障类型的方法、装置、处理器及配电设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030070984A (ko) * 2002-02-27 2003-09-03 삼성에스디아이 주식회사 Ｖｍ 코일의 발열이 감소되는 음극선관
CN101556598A (zh) * 2009-05-08 2009-10-14 中国矿业大学 射线检测焊缝图像管理系统及辅助评片方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030070984A (ko) * 2002-02-27 2003-09-03 삼성에스디아이 주식회사 Ｖｍ 코일의 발열이 감소되는 음극선관
CN101556598A (zh) * 2009-05-08 2009-10-14 中国矿业大学 射线检测焊缝图像管理系统及辅助评片方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于增量式模糊支持向量机的陀螺仪故障诊断;李勇;《中国优秀硕士学位论文全文数据库信息科技辑》;20160115(第01期);第9-39页

Also Published As

Publication number Publication date
CN106203500A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106203500B (zh) 一种基于改进的模糊支持向量机的故障分类方法
CN109146705B (zh) 一种用电特征指标降维与极限学习机算法进行窃电检测的方法
CN105424330B (zh) 一种货车轴端螺栓故障检测方法及装置
CN107292882B (zh) 一种基于Meanshift自适应电气设备故障检测方法
CN106355030B (zh) 一种基于层次分析法和加权投票决策融合的故障检测方法
CN109582003A (zh) 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断
CN104933444B (zh) 一种面向多维属性数据的多层聚类融合机制的设计方法
CN110674120B (zh) 一种风电场数据清洗方法及装置
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN105976383A (zh) 一种基于极限学习机图像识别的输电设备故障诊断方法
CN108182445A (zh) 基于大数据智能核独立元分析的过程故障识别方法
CN106647650B (zh) 基于变量加权pca模型的分散式工业过程监测方法
Hassani et al. Fault location in smart grids through multicriteria analysis of group decision support systems
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN108375729B (zh) 基于Fisher判别的电机SOM聚类退化状态评估方法
CN102254183A (zh) 一种基于AdaBoost算法的人脸检测方法
Zhang et al. Class-balanced training for deep face recognition
CN109886284A (zh) 基于层次化聚类的欺诈检测方法及系统
CN108304851A (zh) 一种高维数据流异常点识别方法
CN104156690A (zh) 一种基于图像空间金字塔特征包的手势识别方法
CN110502989A (zh) 一种小样本高光谱人脸识别方法及系统
Lee et al. Open-set recognition with gradient-based representations
CN112200263A (zh) 一种应用于配电物联网的自组织联邦聚类方法
Zhang et al. Abnormal region detection in cervical smear images based on fully convolutional network
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang

Applicant after: ZHEJIANG TRULY ELECTRIC Co.,Ltd.

Applicant after: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

Address before: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang

Applicant before: ZHEJIANG TRULY ELECTRIC Co.,Ltd.

Applicant before: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180524

Address after: 310018 No. 11 street, Hangzhou economic and Technological Development Zone, Zhejiang 91

Applicant after: HANGZHOU ELECTRIC EQUIPMENT MANUFACTURING Co.,Ltd.

Applicant after: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

Address before: 311199 No. 165, Star Bridge Road, Star Bridge Street, Yuhang District, Hangzhou, Zhejiang

Applicant before: ZHEJIANG TRULY ELECTRIC Co.,Ltd.

Applicant before: STATE GRID ZHEJIANG HANGZHOU YUHANG POWER SUPPLY Co.

GR01 Patent grant
GR01 Patent grant