针对传统变压器故障诊断过程中未能将部分反映变压器故障状态的信息有效利用,以致故障诊断信息不完备、诊断结果不准确的情况,将铁芯接地电流等信息与特征气体相结合,以完善故障特征信息。并在此基础上,构建了一种采用粗糙集的一对一多类支持向量机故障诊断新方法。首先利用一对一多类支持向量机实现故障类别区域的划分;然后根据粗糙集的上下近似这一核心思想对故障类别划分区域进行描述,得出故障分类的上下近似域及边界域的集合,并提取故障诊断分类规则;最后利用分类规则实现故障类别划分。该方法实现了故障信息的综合利用,并将粗糙集在不完备数据与复杂模式刻画方面所具备的优良表现,及一对一支持向量机在分类方面的良好泛化性能进行有效融合,从而有效提高故障分类精度。变压器故障实例分析表明,与传统诊断方法相比较,该方法具有更高的诊断正确率,且其可有效反映故障诊断中所出现的不完备信息。变压器故障诊断-电动折弯机数控滚圆机滚弧机折弯机张家港滚圆机滚弧机近似)设U为论域，R为U的一个等价关系，由R产生的等价划分可记作：U/R={E1,E2,…,En}，n为等价划分的具体数量，E1,E2, 本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ …,En是由R所产生的互不相交的集合，对于任意的XU，可对2个集合进行定义，分别称作下近似与上近似[21]。下近似：(){/}iiRX=∪E∈UREU，i=1,2,…n。上近似：(){/}iiRX=∪E∈URE∩X≠U。1.1.2定义2(正域、负域及边界域)集合()()RPX=RX表示X的R正域。集合()()RNX=RX表示X的R负域。集合()()()RBX=RXRX表示X的R边界域。上述各概念的具体示意图如图1所示。1.2多类支持向量机实现SVM的多分类依然是一个未能有效解决的难题[22]。目前，SVM的多类分类方法主要集中在两个方面：一是将SVM从结构层面来改造，实现SVM的多分类，但该方法目标函数复杂，较难进行求解；二是将SVM多类分类问题转化为多个二类分类问题，可将复杂问题简单化，故在实际应用方面得到较大发展[23]。目前较为常见的多个二分类方法主要划分为：“一对多”、“一对一”(1-v-1)、“有向无环图”等。根据文献[24-25]研究结果，本文最终选用“1-v-1”SVM算法实现故障的多分类问题。“1-v-1”方法主要运用“投票法”对样本进行类别划分，图2为一个4类样本（A、B、C、D）状况下的多类分类结构图，其决策运用投票的方法，将得票最多的一类作为其类别输出。2基于粗糙集的多类支持向量机变压器故障诊断2.1基于粗糙集的1-v-1多类支持向量机分类器假设样本集中的样本已通过某种核函数的映射将其转变作线性可分的高维空间。给定样本集图1粗糙集示意图变压器故障诊断-电动折弯机数控滚圆机滚弧机折弯机张家港滚圆机滚弧机 本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/