基于粒子群最小二乘支持向量机的故障诊断算法研究

摘要

针对神经网络故障诊断存在的诸多问题,本文研究了基于最小二乘支持向量机的故障诊断方法,并在此基础上深入研究了基于粒子群算法最小二乘支持向量机的故障诊断方法,并将该方法应用于道岔控制电路的故障诊断中。
　　本文重点进行了以下几方面的探讨研究:
　　(1)基于神经网络的故障诊断方法研究。首先根据经验选择神经网络结构和学习算法,进而采用故障信息数据训练神经网络使其达到一定的精度。则训练好的神经网络可对输入的故障数据进行故障分类,从而完成故障诊断的功能。仿真结果表明,训练好的神经网络可以达到较高的故障诊断率,但是由于神经网络固有的缺点,故障诊断效果并不令人满意。
　　(2)基于最小二乘支持向量机的故障诊断方法研究。最小二乘支持向量机是一种基于结构风险最小化原理的机器学习方法,较好地解决了神经网络在故障诊断中存在的问题。最小二乘支持向量机通过构建多分类器,对输入的特征向量信息进行分类,确定故障类型,完成故障诊断的功能。经过大量仿真证明,最小二乘支持向量机在用于故障诊断过程中,无论在故障识别准确率方面还是抗干扰能力方面都比神经网络方法有着明显的优势。
　　(3)基于粒子群最小二乘支持向量机的故障诊断方法研究。最小二乘支持向量机中两个可调参数对故障诊断率起着决定性的作用,通过大量实验来寻找最优的参数组合的效果并不理想。在对粒子群算法进行了深入的理论研究和大量的仿真实验的基础上,将改进的粒子群优化算法应用到最小二乘支持向量机参数的优化中。通过粒子群优化算法寻找最优的参数组合,从而使得最小二乘支持向量机获得更高的分类正确率。大量的仿真实验表明,基于粒子群算法的最小二乘支持向量机的故障分类正确率有显著提高。
　　(4)粒子群最小二乘支持向量机在道岔控制电路故障诊断中的应用。在介绍分动外锁闭道岔电路工作原理的基础上,以五线制提速道岔控制电路的故障为例,采用ARPSO优化最小二乘支持向量机参数,进行道岔控制电路的故障诊断,取得较为满意的效果。
　　文中的理论研究和大量的仿真证明,基于粒子群算法的最小二乘支持向量机方法在故障诊断方面具有更高的故障诊断正确率,证明了该方法的有效性和优越性。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 故障诊断基本原理

1.2 国内外发展概况

1.3 研究目的和意义

1.4 研究内容和创新点

2 基于人工神经网络的故障诊断

2.1 概述

2.2 人工神经网络

2.3 基于BP网络的故障诊断

2.4 小结

3 基于最小二乘支持向量机的故障诊断

3.1 概述

3.2 最小二乘支持向量机

3.3 基于最小二乘支持向量机的故障诊断

3.4 最小二乘支持向量机中参数C,?的关系

3.5 小结

4 基于粒子群的最小二乘支持向量机算法

4.1 概述

4.2 粒子群算法

4.3 粒子群最小二乘支持向量机

4.4 小结

5 基于ARPSO最小二乘支持向量机道岔控制电路的故障诊断

5.1 分动外锁闭道岔电路概述

5.2 分动外锁闭道岔电路工作原理

5.3 道岔控制电路故障分析

5.4 基于ARPSO最小二乘支持向量机的道岔控制电路故障诊断

5.5 小结

结论

致谢

参考文献

附录A 车辆汽轮机故障诊断训练样本数据

附录B 车辆汽轮机故障诊断测试样本数据

攻读学位期间的研究成果