基于人工蜂群算法和LSSVM的风机齿轮箱故障诊断

摘要

随着经济的发展和人口的增加,能源危机正影响着人们的生活,风能是绿色能源,蕴藏量丰富,因此被广泛的使用,其中最有利的形式就是风力发电。风力发电成本低,无污染,具有很好的发展前景。随着风电机组的广泛使用以及设备结构的逐步复杂,故障问题也逐渐引起了人们的关注。在风电机组中,齿轮箱是故障发生率最高的部件,因此本文研究了风机齿轮箱的故障诊断方法。
　　风机齿轮箱发生故障的样本数据较少,一般的故障诊断方法难以保证诊断的性能。支持向量机(Support Vector Machine,SVM)是一种小样本的人工智能方法,适合对风机齿轮箱进行故障诊断。最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)是对SVM方法的改进,无论是运行时间还是正确率,LSSVM算法都有了提高,因此本文选择LSSVM作为故障诊断的理论基础。
　　LSSVM的参数对其性能有着非常重要的作用,为了避免参数选择的盲目性,需要对其参数进行优化。本文对人工蜂群算法(Artificial Bee Colony Algorithm,ABC)进行了改进,引入了反向学习的方法和锦标赛的选择策略,研究了基于锦标赛选择策略的双种群人工蜂群算法(Bi-Group Artificial Bee Colony Algorithm Based on Tournament Selection,BTABC)。然后利用BTABC算法对LSSVM进行参数优化,以BTABC-LSSVM方法对风机齿轮箱进行故障诊断。
　　最后,本文给出了基于 BTABC-LSSVM的风机齿轮箱故障诊断模型,利用BTABC-LSSVM进行故障诊断。经过实验分析对比,本文所用方法比交叉验证参数的LSSVM和小波神经网络方法具有更高的故障识别率,在风机齿轮箱故障诊断领域具有良好的实用性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究背景及意义

1.2 风机齿轮箱故障诊断的研究现状和发展趋势

1.3研究内容和论文组织结构

第2章 最小二乘支持向量机

2.1概述

2.2支持向量机理论

2.3最小二乘支持向量机

2.4 LSSVM和SVM的区别

2.5 本章小结

第3章 基于人工蜂群算法优化的LSSVM

3.1概述

3.2 人工蜂群算法

3.3 基于人工蜂群算法的LSSVM参数优化

3.4 基于锦标赛选择策略的双种群人工蜂群算法

3.5 基于BTABC算法的LSSVM参数优化

3.6本章小结

第4章 基于BTABC-LSSVM的风机齿轮箱故障诊断

4.1概述

4.2基于BTABC-LSSVM的风机齿轮箱故障诊断模型

4.3风机齿轮箱的常见故障和诊断方法

4.4实验结果与分析

4.5本章小结

第5章 总结与展望

5.1本文总结

5.2展望

参 考 文 献

攻读硕士学位期间发表的论文及其它成果

致谢