为解决有轨电车用燃料电池电堆系统（fuelcellstack system,FCSS）故障分类问题,提出基于多分类相关向量机（multi-class relevance vector machine,m RVM）和模糊C均值聚类（fuzzy C means clustering,FCM）的有轨电车用FCSS故障诊断...为解决有轨电车用燃料电池电堆系统（fuelcellstack system,FCSS）故障分类问题,提出基于多分类相关向量机（multi-class relevance vector machine,m RVM）和模糊C均值聚类（fuzzy C means clustering,FCM）的有轨电车用FCSS故障诊断新方法。该方法利用FCM形成标准聚类中心,采用m RVM对测试样本实现多分类,能有效剔除奇异数据并提高模型分类正确率。实例分析表明,所提方法可快速识别氢气泄漏、去离子水加湿泵低压、空气压力过低和正常共4种健康状态,分类准确率可达96.67%,为有轨电车用FCSS在线故障诊断研究提供参考。展开更多
本文通过GIS实验装置平台设置的4种缺陷类型的放电情况,用特高频(UHF)检测法获取的PD信号,分别以时域、频域等17组统计参数作为PD类型的特征量,通过局部线性嵌入(locally linear embedding,LLE)方法将17组特征量进行降维处理,得到9组有...本文通过GIS实验装置平台设置的4种缺陷类型的放电情况,用特高频(UHF)检测法获取的PD信号,分别以时域、频域等17组统计参数作为PD类型的特征量,通过局部线性嵌入(locally linear embedding,LLE)方法将17组特征量进行降维处理,得到9组有效特征参数。并用多分类相关向量机(M-RVM)作为识别方法,在110k V电压下获取的实验检测数据作为训练和预测样本,结果取得86%的理想识别率,验证了LLE与M-RVM结合的识别系统的有效性。展开更多
文摘为解决有轨电车用燃料电池电堆系统（fuelcellstack system,FCSS）故障分类问题,提出基于多分类相关向量机（multi-class relevance vector machine,m RVM）和模糊C均值聚类（fuzzy C means clustering,FCM）的有轨电车用FCSS故障诊断新方法。该方法利用FCM形成标准聚类中心,采用m RVM对测试样本实现多分类,能有效剔除奇异数据并提高模型分类正确率。实例分析表明,所提方法可快速识别氢气泄漏、去离子水加湿泵低压、空气压力过低和正常共4种健康状态,分类准确率可达96.67%,为有轨电车用FCSS在线故障诊断研究提供参考。
文摘本文通过GIS实验装置平台设置的4种缺陷类型的放电情况,用特高频(UHF)检测法获取的PD信号,分别以时域、频域等17组统计参数作为PD类型的特征量,通过局部线性嵌入(locally linear embedding,LLE)方法将17组特征量进行降维处理,得到9组有效特征参数。并用多分类相关向量机(M-RVM)作为识别方法,在110k V电压下获取的实验检测数据作为训练和预测样本,结果取得86%的理想识别率,验证了LLE与M-RVM结合的识别系统的有效性。
