基于粒子群优化LS-WSVM的电机断条故障诊断
基于PSO优化LS-SVM的异步电动机振动故障诊断
位置振动信号 的特征频率作 为系统的输入 , 然后利用训练好的粒子群算 法优 化后的 最小二乘 支持 向量机 进行异步 电动机 振动的故 障诊 断。最终结果与其他诊 断方法对 比表明 : 该方法克服 了样本训练 时间较 长并容 易陷入局部收敛的缺点 , 同时 诊断的准确率较 高, 有效地避免 了异步 电动机 故障的误诊断。 关键 词: 异步电动机 ; 振动 ; 故障诊断 ; 粒子群算法 ; 最小二乘支持 向量机
作 者 简 介 : 建辉 (9 4一) 男 , 士 研 究 生 , 要 研 究 方 向 为 电力 设 备 状 态检 测 与 故 障 诊 断 。 薛 18 , 硕 主
通过对 三相 鼠笼式 异步 电机 常见 故 障机 理分 析 可 知 鼠笼式 异 步 电 动机 的主 要 故 障 为 :定 子 匝 间短 路 、 转 子断条和气 隙偏 心 。在 以往 的异 步 电动 机 故 障监 测 与诊 断系统 中 ,多数是 利用算 法诊 断 ,且监测 量单一 。 但是 异步 电动机 故 障时 谐波 成 分相 当丰 富 ,故 分 类 和 识别工作 复杂 。 目前 国 内许 多专 家学 者 提 出 了多 种方 法对异 步 电动机 的故 障进 行 诊 断 ,文献 [ ] 出 了基 2提
于小波分 析 的电机 故 障振 声 诊 断方 法 ,可 以有效 地 检
收敛 ,且 能通过 故 障信号 准 确判 断 出异 步 电动 机 的各
类 故障 。 1 P O算法 S P O是 由 K n e y和 E ehr 等人 于 19 S en d b ra t 9 5年提 出 的一种 基 于群 体 、 自适 应 的进 化算 法 。P O算法是 一 S 种线性 搜索算法 , 因为其 简单 、 实现方便 , 因此 自从提 出 以来便在 短期 内迅速得 到 国际计 算领域 的认可 , 并在模 式识 别领域 取得 了广泛 的发展 。
基于粒子群优化算法的船舶柴油机故障诊断
基于粒子群优化算法的船舶柴油机故障诊断王师;李明【摘要】为了提高模糊神经网络收敛速度,克服容易陷入局部极值的不足,提出利用改进的动态加速常数协同惯性权重的WCPSO算法对网络参数进行优化.该算法通过对标准粒子群算法WPSO的改进,实现动态加速常数随进化代数线性变化,使被优化的网络收敛速度加快,不易陷入局部极值.将其应用于船舶柴油机模糊神经网络故障诊断模型中,仿真结果表明经过优化的故障诊断模型更为准确,提高了诊断速度.%To improve the convergence rate of neural networks and overcome the shortcoming of easily falling into local extreme, the coordination of dynamic acceleration constant and inertia weight called WCPSO algorithm is proposed to optimize network parameters. This algorithm improves the WPSO to realize linear evolution of the dy-namic acceleration constant. WCPSO was applied to marine diesel fault diagnosis model, and the simulation results show that the optimized diagnosis model is more prepared and the diagnosis speed is faster.【期刊名称】《科学技术与工程》【年(卷),期】2011(011)027【总页数】5页(P6730-6734)【关键词】模糊神经网络;WCPSO;船舶柴油机;故障诊断【作者】王师;李明【作者单位】江苏科技大学电信学院,镇江212003;镇江船艇学院,镇江212003【正文语种】中文【中图分类】TP183作为往复式机械的代表,柴油机是典型的多系统、多层次的复杂系统[1]。
基于粒子群优化算法的LS-SVM电动机断条故障诊断
摘 要 : 支持 向量机 ( S u p p o t r V e c t o r M a c h i n e , S V M) 算 法是基 于统 计学 习理论 的一种新 的 学 习方 法, 应 用于 故障诊 断技 术 中 , 具有 训 练所 需样本 少 、 诊 断率 高 等 优 点。 最 小 二乘 支 持 向量机 ( L e a s t
用 。 因此 , 采 用 粒 子群 优 化 ( P a r t i c l e S w a r m O p t i m i z a t i o n , P S O) 算 法对 L S — S V M 算 法 寻找 最 优 超 参 数, 进 一步提 高 L S . S V M 对 电动机 断条 故 障诊 断的效率 和准 确率 有着 重要 作 用。 实验 结果 表 明 , 综 合P S O与 L S . S V M 两种 算法 的优 点 , 可 有效减 少 故 障诊 断 中误判 、 漏 判 的发生 。 关键 词 : 粒 子群优 化 算法 ;最 小二 乘 支持 向量机 ;电动机 ;故 障诊 断 中图分类 号 : T M 3 4 3 . 3 ; T P 2 0 6 . 3 文 献标 识码 : B 文章编号 : 1 0 0 1 — 0 8 7 4 ( 2 0 1 6 ) 0 6— 0 0 6 2— 0 5
F a i l u r e Di a g n o s i s o f Mo t o r B r o k e n B a r L S- S VM Ba s e d o n P a r t i c l e S wa r m Op t i mi z a t i o n Al g o r i t h m
基 于粒 子 群 优 化算 法 的 L S — S V M 电动 机 断条 故 障诊 断
基于改进粒子群混合算法的电机故障诊断研究
方法无法解 决的问题。尽 管人工神经 网络 中的 B P网 络 具有很强 的学 习能力和泛化能力 ,但 B P网络存在 着 固有 的缺 陷:收敛速度缓 慢、收敛精度不理想 ,甚
至不收敛并振荡 ,为此对 B 算法进行 了一定的改进 , P 并提 出了一种将改进 的粒子群优化 ( O 算 法与误差 P ) S 反向传播 (P 算法相结合 形成 的改进粒子群混合 ( B) 改
tp ho g eo tu eulT i y et ru ht up t s t hesmulto e utidc tdt a,h po e SO— ie lo i m a itn us ec mmo oo h r . ain rs l n iae h tt ei r v dP m BPm x dag rt c ndsig iht o h h nm t r
QI i e AO We d —
( a g h uT lvso Ch n z o ee iin& R i ie st,Ch n z o 3 01 ado Unv ri y a g h ae ei rvme totebsc a il S r Opi zt n(S agrh adu ie ei rvdP rce src: h t l k sh ai t mpo e n aiP rce wam t ai P O) l i m,n nf sh t h t mi o ot i t mpo e a il t
基于改进粒子群优化的SVM故障诊断方法
[ A b s t r a c t 】 I n o r d e r t o r e s o l v e t h e d i ic f u l t y t h a t t h e c h o i c e o f p a r a me t e r s i n l f u e n c e t h e a c c u r a c y o f S u p p o r t V e c t o r Ma c h i n e ( S VM) f a u l t d i a g n o s i s mo d e l , a g e n e t i c — i mmu n e P a t r i c l e S w a r m O p t i mi z a t i o n ( P S O )a l g o r i t h m b a s e d o n g e n e t i c e v o l u t i o n a l g o r i t h m a n d
S VM o p t i mi z e d b y g e n e t i c — i mmu n e P S O a l g o r i t h m c a n a c h i e v e a u t o ma t i c o p t i mi z a t i o n o f p a r a me t e r s , i n c r e a s e d i a g n o s i s a c c u r a c y
群算法前期 收敛快 、后期易陷入局部最优 的缺 陷。将该 算法与优化支持 向量机 分类模型相结合 ,建立基于遗 传免疫粒子群
和支持 向量机 的诊 断模型 ,并用于轴承故 障诊 断中。结果表 明,基于遗传免疫粒子群算法优化 的 S V M 可实现对 S V M 分类 模型参数 的 自 动优化 , 并能提高 S V M 分类模型 的故 障诊 断精度 , 对分散程度较大 、 聚类性较差 的故 障样 本分类有较强 的适
基于改进粒子群优化聚类算法的故障诊断方法
, x n } , 其中每个数
量 X i = ( x i1 , x i 2 ,
, x iD ) , i = 1, 2 ,
据样本 x i 包含 k 个属性. 模糊 C 均值聚类算法就是 将数据集 X 划分到 c( 2 ! c ! n) 个组中, 并求出每 个组的聚类中心 v j ( j = 1, 2, v 2, , c) , 组成 V = { v 1 , , v c } 共 c 个聚类中心. 在该算法中包含一个隶
Fault Diagnosis Method Based on Improved Particle Swarm Optimization Clustering
L I Fei, XIA Shi x iong, NIU Qiang
( School of Computer Science & T echnolo gy, China U niversity of M ining & T echnology, Xuzhou 221116, China) Abstract: In o rder to overcome the Fuzzy C means Algorithm s defects of sensitivity to t he initial cluster centers, using t he efficient global optimization char acteristics of the PSO algorit hm, this paper proposes a new PSO based fuzzy alg orithm ( PSO C FCM ) . It first finds the optimal extreme using the PSO algorithm, and then initializes the cluster centers of F CM algo rithm with the optimal ex treme, which makes the alg orithm mor e efficient and accur ately . T his new alg orithm is applied to the motor fault diagnosis, and ex periments show that t he algor ithm makes up the defects of Fuzzy C means A lgorit hm, improves the efficiency and accuracy of fuzzy clustering, and improves the fault diag nosis. Key words: P SO ; FCM ; cluster ing ; fault diagnosis
基于改进粒子群优化算法的电机故障诊断研究
第 4期
2 1 2月 00年
科
学
技
术
与
工
程
Vo . O No 4 F b. 01 11 . e 2 0 @ 2 1 S i T c En n . 00 c . e h. g g
1 7 —1 1 f 0 0 4 】0 -5 6 1 8 5 2 1 ) ・ 10 0
S i c e h o g n n n e n ce eT c n l ya dE  ̄ e f g n o i
以及 其他 的应 用领域 。 粒子群 优化算 法 的 基本 思 想是 , 个 优化 问题 每
习方法 , 由于其 算 法 内在 的原 因会 出现训 练 收敛 但 较 慢进 易
的潜 在 解 都 是 搜 索 空 间 的 一 只 鸟 , 里 称 为 “ 这 粒
曲
, , …
, , …
通信作者简介 : 李云鹅( 93 ) 男 , 18~ , 黑龙江 齐齐哈尔市 , 硕士研究
生 , 究 方 向 : 传 动 控制 系 统 。 研 电力
), i= 1 2 … , , 速 度 为 V ,, m 其 i= (
U ) 在每一 次迭代 中 , 子通过跟 踪两个 “ 值 ” , 。 粒 极 来
于梯度 的学 习方法 , 由于其 算 法 内在 的原 因会 出 但 现训练 收敛 较 慢 , 陷 入 局部 最 优 值 等 问 题 , 用 易 采
向传播 ( P 神经 网络 , 电机 转 子进 行 故 障 诊 断。 选 用 电机 转 子 振 动 频 谱分 量 作 为 神 经 网络 的训 练 样 本 , 故 障 信 息 数据 作 B) 对 将 为 输入 量 代 入 已训练 好 的 神 经 网络 , 过 输 出结果 即可 诊 断 故 障 类型 。 仿 真结 果 表 明, 于 改进 I 0算 法 的 B 通 基 X 5 P神 经 网络 可 以 有 效地 识 别 电机 常见 故 障 , 有 较 快 的收 敛速 度 和 较 高 的 诊 断精 度 。 具
基于粒子群算法优化支持向量机汽车故障诊断研究
出的算 法在所 有参 比模 型 中精 度 最 高, 高效地 对 汽车 系统 的故 障进行检 测 与定位 , 能 具有 较 强的 泛化 能 力 , 同时
第2 9卷 第 2期
21 0 2年 2月
计 算 机 应 用 研 究
Ap l a in Re e r h o o u e s p i t s a c f C mp tr c o
Vo . 9 No 2 12 .
Fb2 2 e . 01
基 于粒 子 群 算 法 优 化 支 持 向量 机 汽 车 故 障诊 断研 究
发 的计算机系统模 型。它特别适 合对具有异步 、 离散 、 并发 、 同
收 稿 日期 :2 1— 7 1 ;修 回 日期 :2 1— 8 3 0 10 - 8 0 10 -0
力, 同时缩短 了故 障诊断时间 。
作 者简介 :余梓唐( 9 6 ) 男, 江义乌人 , 16 . , 浙 讲师 , 硕士 , 主要研 究方 向为智能计算 、 模式识 别等 (z w@y u c ) yt y w . n
Au o tv a l da n ssb s d o VM n a tce s r ag rt m tmoie fu t ig o i a e n S a d p ril wa m lo i h
YU —a g Zit n
( colfEet — ca i l& I om t nTcn l y iuIds il C m ec lClg ,Yw h in 20 0,C ia Sho l r Meh nc o co a n r ai e oo ,Yw n uta & o m ra o ee iuZ eag3 20 f o h g r i l j hn )
改进粒子群算法优化svm的故障诊断方法研究
本文从参数的选择(
惯性因子的动态更新、自适应学
习因子的更新方法)和粒子速度与位置的更新(交叉算
子)
两方面提出改进措施,并利用煤层气单井系统出现的
故障类型及正常工作时的特征参数作为故障诊断对象,
通过 MATLAB 仿真实验验证该改进算法的可行性.
1 粒子群算法
设有一个由 m 个粒子组成的种群 X= {
后的粒子群算法故障诊断精度明显高于普通粒子群优化算法和遗传算法.
关键词:粒子群算法;自适应学习因子粒子群算法;SVM;故障诊断
中图分类号:TP277 文献标识码:AFra bibliotek0 引言
故障诊断 [1]对及时判断和解决工业生产中的故障
具有重要意义,常用的故障诊断方法有:专家系统故障
诊断方法 [2]、支持向量机 [3]、神经网络 [4]等.随着研究
的位置和速度.
计算交叉后粒子 的 适 应 值,用 适 应 值 较 高 的 子 代
粒子取代父代粒子,然后更新粒子 pbest和粒子群 gbest,
否则不进行替代.
2.
4 改进粒子群算法流程
本文提出的改进粒子群算法流程如下:
201701D221132); 山 西 省 先 进 制 造 重 点 实 验 室 开 放 研 究 基 金 资 助 项 目
国家自然基金资助项 目 (
(
XJZZ201701);晋中学院 “
1311 工程” 重点创新团队 (
zxycx
t
d2018005)
j
收稿日期:2019
G08
G15;修订日期:2019
数对惯性 权 重 系 数 进 行 处 理. 算 法 初 期 注 重 全 局 探
索,因此搜索步长 设 定 较 大 值,
基于改进粒子滤波的故障诊断方法研究
电工材料2020No.6引言随着国民经济的不断提高,电力工业得到了大力发展,为顺应我国智能大电网的发展理念,电力系统的稳定运行得到了广泛关注。
因此,为提高电力系统的可靠性,对电气设备进行准确的故障诊断成为亟待解决的问题。
目前国内网已有诸多学者对电气设备故障诊断做出了相关研究。
文献[1]提出了基本粒子滤波算法,将其应用于控制领域;文献[2]将粒子滤波算法应用在了电气设备,发现粒子滤波算法存在实时性问题;文献[3]引入残差平滑值,运用粒子滤波算法进行了故障诊断研究;文献[4]运用神经网络对粒子滤波算法进行了相应改进,提高了故障诊断的速度;文献[5]提出了一种只能粒子滤波算法,对粒子滤波算法进行了优化,提高了故障诊断的精度。
基于上述研究,为提高电气设备故障诊断的准确性,运用粒子群优化了粒子滤波算法,随后基于CUDA 并行算法,提出了一种PSOPF 并行算法,并运用该算法进行了故障诊断。
1粒子群优化粒子滤波算法1.1基于CUDA 的PSOPF 算法并行算法引入线程-粒子对应策略,提出一种基于CU-DA 的PSOPF 并行算法,其思路为:(1)建立线程数,其数量与粒子数相同;(2)应用线程-粒子对应策—————————————作者简介:杨沈洋(1983-),男(汉族),湖北孝感人,工程师,主要从事特高压直流输电技术、换流站运维管理、柔性直流技术的研究。
收稿日期:2020-04-03基于改进粒子滤波的故障诊断方法研究杨沈洋(国网湖北省电力有限公司直流运检公司,湖北宜昌443000)摘要:针对电气设备的非线性故障诊断研究,提出了一种改进型粒子滤波算法。
对粒子群优化粒子滤波(PSOPF)算法的并行性进行分析;基于CUDA 并行计算架构,实现了一种PSOPF 并行算法。
最后引入基于残差平滑值的故障诊断,运用PSOPF 并行算法对风电机组变桨距及双馈风电机进行故障诊断。
结果表明,当进行故障诊断时,采用该改进型PSOPF 并行算法结合残差平滑法具有更高的优越性。
基于PSO优化LS-SVM的异步电动机振动故障诊断
基于PSO优化LS-SVM的异步电动机振动故障诊断薛建辉;洪刚;贾嵘【摘要】为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法.先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断.最终结果与其他诊断方法对比表明:该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断.【期刊名称】《电网与清洁能源》【年(卷),期】2010(026)001【总页数】5页(P83-87)【关键词】异步电动机;振动;故障诊断;粒子群算法;最小二乘支持向量机【作者】薛建辉;洪刚;贾嵘【作者单位】西安理工大学电力工程系,西安710048;西安理工大学电力工程系,西安710048;西安理工大学电力工程系,西安710048【正文语种】中文【中图分类】TTM343异步电动机作为一种传动机械广泛应用于发电厂、炼钢厂、舰艇等工业与国防领域,其安全运行至关重要。
异步电动机一般处于长时间连续运转状态,且工作环境恶劣,发生故障不可避免。
异步电动机故障不仅损坏电机本身,而且影响整个传动系统,一旦事故停机,必然造成经济损失,甚至人员伤亡。
尽管异步电动机故障不可避免,但通过灵敏、可靠的监测与诊断,可以在故障初发阶段即行报警,并向现场运行人员提供必要信息以合理安排、组织预知维修,从而避免事故停机,减少故障损失[1]。
通过对三相鼠笼式异步电机常见故障机理分析可知鼠笼式异步电动机的主要故障为:定子匝间短路、转子断条和气隙偏心。
在以往的异步电动机故障监测与诊断系统中,多数是利用算法诊断,且监测量单一。
但是异步电动机故障时谐波成分相当丰富,故分类和识别工作复杂。
目前国内许多专家学者提出了多种方法对异步电动机的故障进行诊断,文献[2]提出了基于小波分析的电机故障振声诊断方法,可以有效的检测出故障发生的时间、故障信号的频率,但在进行小波变换时,其截断误差对分析结果会产生影响。
基于粒子群支持向量机的轨道电路故障诊断
基于粒子群支持向量机的轨道电路故障诊断陈欣【摘要】支持向量机(S V M)是一种解决小样本分类问题的最佳理论算法,它的核函数的参数选择非常重要,直接影响着故障诊断的准确率。
本文将粒子群算法(P S O)用于支持向量机的参数优化,提出基于粒子群支持向量机的故障诊断模型,并将其运用于轨道电路中。
通过对比MATLAB仿真结果得出:经过粒子群寻优得到的参数比随机选取的参数更优,所建立的PSO-SVM模型的故障诊断准确率高于普通的SVM模型。
%Support vector machine (SVM) is one of the best theoretical algorithm to solve the problem of small sample classiifcation. Kernel parameter selection is very important, which directly affects the accuracy of fault diagnosis. In this paper, the particle swarm optimization (PSO) was used to optimize the parameters of SVM, the PSO-SVM model was proposed which was applied to fault diagnosis of track circuit. By comparing the MATLAB simulation results, it was concluded that the parameters obtained by PSO were better than the random parameters, and the fault diagnosis accuracy of the established PSO-SVM model was higher than that of the ordinary SVM model.【期刊名称】《铁路计算机应用》【年(卷),期】2016(025)008【总页数】4页(P56-58,63)【关键词】轨道电路;故障诊断;支持向量机;粒子群算法【作者】陈欣【作者单位】西南交通大学信息科学与技术学院,成都 611756【正文语种】中文【中图分类】U284.2;TP39无绝缘轨道ZPW-2000A在我国铁路系统中占据着非常重要的作用,主要用于站间闭塞区间和站内电码化。
基于粒子群模糊聚类算法的电机故障诊断方法
基于粒子群模糊聚类算法的电机故障诊断方法摘要:针对模糊C均值聚类算法(FCM)对于异常点较为敏感和对高维数据处理效果较差的缺陷,利用PSO算法较强的全局搜索能力和高效的优化性能,提出了一种新的以采用隶属度作为粒子编码为基础的基于粒子群的模糊聚类算法。
该算法中粒子根据模糊聚类中的隶属度进行编码,采用了一种新的约束策略用于保证FCM的约束条件,从而优化了FCM 算法的聚类结果。
将该算法应用于电机故障诊断中,实验表明,该算法弥补了FCM 算法的缺陷,提高了聚类的效率和准确性,改善了故障诊断结果。
关键词:粒子群优化算法;模糊C均值;故障诊断1.概述目前,电机故障诊断已进入人工智能方法阶段,现在比较热门的方法包括神经网络方法、粒子群算法[1]以及模糊聚类[2]等方法。
作为一种交替优化算法,FCM在寻找全局最优值时通常可起到较好的效果。
但是,当数据集中含有一些噪音值,或者当数据的维数较高时,FCM很难发现全局最优。
在这种情况下,结合以群为基础的随机优化算法,便能较大的提高FCM的全局优化能力。
本文结合粒子群优化算法提出了一种新的基于粒子群的模糊聚类算法,文中称之为PSO-U-FCM。
该算法中粒子依照模糊聚类中的隶属度进行编码,采用新的策略保证模糊聚类中约束条件的实现。
利用该算法极大地提高了FCM的聚类效果,并且有效的提高了故障诊断的性能。
2.相关算法介绍2.1 模糊C均值聚类算法模糊C均值聚类算法可描述如下[3]:已知样本集X为,n为样本的个数,每个样本有k个属性。
设要将n个样本分为类,第i个样本对第k类的隶属度记为,需满足:(1);(2)。
FCM的目标函数为:(2.1)m是加权指数。
其中为第i类的聚类中心,通过2.2式计算得出,而隶属度由2.3式得出。
(2.2)(2.3)FCM即是先给出初始方案,通过2.2式与2.3式反复迭代,最终使得目标函数式2.1达到最小。
2.2 粒子群优化算法粒子群优化算法的基本思想是通过群体中个体之间的合作和信息共享来寻找最优解,是一种基于群体智能方法的进化计算技术。
基于粒子群支持向量机的模拟电路故障诊断
基于粒子群支持向量机的模拟电路故障诊断左磊;侯立刚;张旺;旺金辉;吴武臣【摘要】针对传统神经网络技术在模拟电路故障应用中存在的问题,提出了一种基于粒子群算法(particle swarm optimization, PSO)和最小二乘支持向量机(least squares support vector machine, LSSVM)的模拟电路故障诊断的方法.该方法首先利用小波包技术对待诊断电路的可测点信息提取故障特征,然后使用粒子群算法优化支持向量机的结构参数,避免了参数选择的盲目性,提高了模型的诊断精度.在对某滤波电路进行的故障检测中,验证了该方法的可行性.【期刊名称】《系统工程与电子技术》【年(卷),期】2010(032)007【总页数】4页(P1553-1556)【关键词】模拟电路;故障诊断;最小二乘支持向量机;粒子群算法【作者】左磊;侯立刚;张旺;旺金辉;吴武臣【作者单位】北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022;北京工业大学集成电路与系统集成实验室,北京,100022【正文语种】中文【中图分类】TN40 引言故障诊断技术是保证复杂电子系统正常运转的关键技术也是当前研究的热点。
理论研究表明,复杂电子系统中的模拟部分最容易发生故障,但由于模拟电路本身是一个非线性系统,包含的元器件多具有非线性和离散性,已经很难计算出电路模型的准确方程,因此传统的故障诊断方法已很难适用[1]。
20世纪90年代以来,随着人工智能技术的发展,产生了以神经网络为代表的模拟电路故障诊断方法,该方法的实质是利用神经网络技术拟合实际的电路方程,从而达到诊断的目的,目前已经取得了较好的效果[2-4],但神经网络在训练中的收敛性和全局优化能力有待于进一步的提高。
基于粒子群优化的LSSVM在模拟电路故障诊断中的应用
基于粒子群优化的LSSVM在模拟电路故障诊断中的应用李璇;彭继刚;王凯歌【期刊名称】《贵州师范大学学报(自然科学版)》【年(卷),期】2012(030)005【摘要】Based on the LSSVM optimized by particle swarm colony, a new analog circuit diagnosis method is proposed . Using the wavelet packet , this method eliminates the noise and makes the decomposition of fault signals of the analog circuit , then the feature data is organized as input of LSSVM. To avoid the local optimum in parameter optimization , particle swarm optimization method is used in optimizing the selection of parameter of LSSVM. The simulation results of fault diagnosis in Sallen-key band-pass filter shows , the LSSVM fault diagnosis method optimized by particle swarm could diagnose the fault of analog circuit effectively , and it increases the efficiency sharply.%提出一种基于粒子群优化的最小二乘支持向量机的模拟电路故障诊断新方法。
对模拟电路故障信号采用小波包进行消噪和分解,作为最小二乘支持向量机的输入样本。
基于粒子群优化LSSVM的模拟电路故障诊断方法
基于粒子群优化LSSVM的模拟电路故障诊断方法焦鹏;王新政;谢鹏远【期刊名称】《现代电子技术》【年(卷),期】2013(000)008【摘要】Aiming at insufficient diagnosis information and parameter tolerance of the traditional fault diagnosis methods, an analog circuit fault diagnosis method based on least square support vector machine(LSSVM)is proposed in this paper. The parameters of LSSVM are optimized with particle swarm optimization(PSO)algorithm to improve the accuracy of fault diagnosis. The experimental results demonstrated the feasibility and effectiveness of the proposed method.% 针对模拟电路故障诊断中存在的诊断信息不充分、参数容差及元器件的非线性等问题,利用最小二乘支持向量机(LSSVM)在小样本情况下良好的学习能力和泛化能力建立基于LSSVM的模拟电路故障分类模型。
同时为提高故障诊断精度,采用粒子群优化(PSO)算法对LSSVM 的参数进行优化,避免了参数选择的盲目性。
最后以典型滤波器电路的故障诊断为例进行了仿真验证。
实验结果证明基于PSO的LSSVM模型可有效改善遍历搜索引起的效率问题,其故障分类准确性及模型诊断效率都得到提高。
【总页数】4页(P35-38)【作者】焦鹏;王新政;谢鹏远【作者单位】海军航空工程学院研究生管理大队,山东烟台 264001;海军航空工程学院科研部,山东烟台 264001;中国人民解放军91055部队,浙江台州318050【正文语种】中文【中图分类】TN710-34;V241.4【相关文献】1.基于改进PSO-LSSVM的模拟电路诊断方法 [J], 胡天骐;单剑锋;宋晓涛2.基于粒子群优化的LSSVM在模拟电路故障诊断中的应用 [J], 李璇;彭继刚;王凯歌3.基于迁移学习LSSVM的模拟电路故障诊断 [J], 庄城城;易辉;张杰;刘帅4.基于改进PSO算法优化LSSVM的模拟电路软故障诊断方法 [J], 丁国君;王立德;申萍;刘彪5.基于小波变换和CFA-LSSVM模拟电路故障诊断 [J], 谈恩民;王存存;张欣然因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载 电机、转子断3条满载电机的10个周期的定子电流信 号即1000个数据进行三层分解,求出每个节点信号 的能量,得到的特征向量如下表所示:
2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载 电机、转子断3条满载电机的10个周期的定子电流信 号即1000个数据进行三层分解,求出每个节点信号 的能量,得到的特征向量如下表所示:
0.01
0.005
0.07 0.06
dB
0.05 0.04 0.03 0.02 0.01 0 25 30 35 40 45 50 频 率 /Hz 55 60 65 70 75
0
(1+2s)f
30
35
40
45
50 频 率 /Hz
55
60
65
70
2.2 小波变换
小波变换是在傅里叶变换的基础上发展起来的 。傅里叶变换是用正弦函数来逼近信号,小波变换 是用小波函数来逼近信号。 小波变换可以对信号进行局部分析,其窗口函 数的面积固定但是形状可以改变。在信号的低频部 分,窗口函数在时域较宽,分辨率低,在频域较窄 ,分辨率高;在信号的高频部分,窗口函数在时域 较窄,分辨率高,在频域较宽,分辨率低。这个优 点正好符合我们对信号分析的要求,故小波变换被 誉为“数学显微镜”。
n 2 i 1 i i i i
2.3 最小二乘小波支持向量机
最小二乘支持向量机基本原理 最小二乘支持向量机(Least squares Support Vector Machines,LS-SVM)是将标准支持向量机的 不等式约束用等式约束代替,即将式(3.10)中的 ≥用=代替。且将误差平方和损失函数作为训练集的 经验损失,将优化问题简化成求方程组的问题,大 大提高了求解的速度。
2.3 最小二乘小波支持向量机
支持向量机是一种机器学习方法。
2.3 最小二乘小波支持向量机
实际应用中训练集往往不是线性可分的
引入适当的核函数
2.3 最小二乘小波支持向量机
支持向量机是一种机器学习方法。
2.3 最小二乘小波支持向量机
最小二乘法基本原理
{(x数 ),(x点 ), ,(xn, yn)} 评 价 函 数 p ( x ) 对 于 给 定 集 1, y 1据 2, y2 的拟合程度的好坏,常用误差平方和 r ( r p ( x ) y ) 来表示。这种方法称为最小二乘法( The least square method)。 最小二乘法是一种优化算法,常被用于曲线的 拟合。
2、特征向量提取
2.1 电机定子电流频谱分析
0.1 0.09 0.08 0.07 0.06
0.03
dB
0.05 0.04 0.03 0.02 0.01 0
0.025
0.02 ( 1-2s)f (1+2s)f
dB
30
35
40
45
50 频 率 /Hz
55
60Biblioteka 65700.015
0.1 0.09 0.08
3、粒子群优化的LS-WSVM
3.1 标准的粒子群优化算法
3、粒子群优化的LS-WSVM
3.2 改进的粒子群优化算法
3、粒子群优化的LS-WSVM
3.3 粒子群优化的LS-WSVM的构建
粒子群算法优化LS-WSVM是将向量机的正则化因子和 小波核函数的参数作为粒子的位置,利用粒子群来寻找 使支持向量机分类器性能达到最好时的正则化因子和核 函数参数。如何判断支持向量机分类器性能的好坏将使 用适用度函数。
1
1
1
2.3 最小二乘小波支持向量机
LS-SVMRBF 2 , with 2 different classes =1000, =10 6 Classifier class 1 class 2
1
4
1
2
1
1
X2
0
-2
1
1
-4
1
-6 -6 -4 -2 0 X1 2 4 6
1
2.3 最小二乘小波支持向量机
智 能 控 制
基 于 粒 子 群 优 化
LS-WSVM
的 电 机 断 条 故 障 诊 断
1、电机故障诊断研究的目的和意义
电动机是进行电能与机械能转换的旋转机器。 继电保护装置是在电机出现异常之后的保护, 并不能提前预知电机故障,而且继电保护装置 动作后电机的停止运行也会给生产带来经济损 失。 电机故障诊断技术对及时发现并排除电机的故 障,保证电机正常运行,提高生产效率,减少 维修费用,具有非常重要的意义。因此,研究 电机的智能在线监测、故障诊断系统十分重要。
1、实验条件
实验所用的三相异步电动机型号为Y132M-4型 ,额定功率为7.5kW,额定电压为380V,电压额 定频率为50Hz,额定电流为15.4A,额定转速 为1440rpm(即额定转差率sN=0.04),三角 形接法,完好转子共有32根导条。有完好、断1 条、断3条3种定做的转子。负载为8kW的直流 发电机,发电机给40个功率为200W的灯泡供 电,有空载、半载和满载3种运行状态。
3、粒子群优化的LS-WSVM
3.3 粒子群优化的LS-WSVM的构建
粒子群优化LS-WSVM电机故障诊断流程图
3、粒子群优化的LS-WSVM
3.4 粒子群优化的LS-WSVM的双螺旋模拟
3、粒子群优化的LS-WSVM
3.4 粒子群优化的LS-WSVM的比较
与PSO-LS-SVM相比,PSO-LS-WSVM训练时间短且正确 率高,说明小波核函数的支持向量机更适合处理非线性 分类问题。
2.3 最小二乘小波支持向量机
最小二乘小波支持向量机( Least Squares Wavelet Support Vector Machines, LS-WSVM)与 最小二乘支持向量机的基本原理相同,只是核函数 用小波核函数代替。相对于最小二乘支持向量机, 最小二乘小波支持向量机将小波分析和支持向量机 的优势互补,具有强大的泛化能力和抗噪能力。下面 将分别利用最小二乘小波支持向量机和最小二乘支 持向量机(RBF核)来解决双螺旋分类问题。
av LS-SVMw 2 , with 2 different classes =10, =1
6
1
4
Classifier class 1 class 2
1
1
1 2
1
1
1
X2
0
1
1
-2
1
1
1
-4 1
1
-6
1
-6 -4 -2 0 X1 2 4 6
2.3 最小二乘小波支持向量机
av LS-SVMw 2 , with 2 different classes =1000, =10
1
6
1
1 4
Classifier class 1 class 2
1
1
1
1
1
2
1
1
X2
0
1
1
1
1
-2
1
-4
1
1
1
4
1
1
1
1
1
1
1
1
-6 -6 -4 -2 0 X1
1
2 6
3、粒子群优化的LS-WSVM
3.1 标准的粒子群优化算法
粒子群优化算法(PSO)是由James Kennedy和 Russell Eberhart 博士于 1995年提出的。它的提出是从 “鸟群觅食”活动中得到启发。PSO算法把每个鸟的位置 对应优化问题的一个解,把最优解比作食物,鸟群寻找 食物的过程就是寻找最优解的过程。在PSO算法中,每只 鸟或者说每个粒子,都有自己的速度和位置,速度对应 其运动的距离和方向,位置对应一个解。
3、粒子群优化的LS-WSVM
3.3 粒子群优化的LS-WSVM的构建
(1)导入训练数据和测试数据; (2)初始化粒子群,包括粒子数和最大迭代次数、粒子 速度的范围、粒子群参数等; (3)更新粒子速度和位置; (4)计算初始适应度; (5)更新个体极值和全局极值; (6)判断是否满足终止条件,即适应度值为1或满足最大 迭代次数。若满足,则结束;若不满足,则返回步骤(3) 继续搜索。 (7)用最优化参数训练好的最小二乘小波支持向量机对 测试集进行分类。
2.3 最小二乘小波支持向量机
支持向量机是一种机器学习方法。相对于人工 智能方法,支持向量机在模式识别上有许多优势。 人工智能方法,例如人工神经网络,都是基于大样 本学习理论的,实际上很难得到大量的数据,而且 人工智能方法容易出现“欠训练”和“过训练”现 象。支持向量机在小样本学习上具有很好的泛化能 力,很大程度上解决了模型选择与过学习问题、局 部收敛问题、非线性和维数灾难等问题,成为目前 研究的热点。在模式识别与分类、函数回归与拟合 等领域中得到了广泛的应用。
2.3 最小二乘小波支持向量机
双螺旋的样本
2.3 最小二乘小波支持向量机
LS-SVMRBF 2 , with 2 different classes =10, =1 6 Classifier class 1 class 2
1
1
4
1
2
X2
0
1
-2
-4
1 1
-6 -6 -4 -2 0 X1 2 4 6