一种基于LS-SVM的道岔控制电路故障诊断

合集下载

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（ＳｕｐｐｏｔｒＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）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（Ｌｅａｓｔ
用。因此，采用粒子群优化（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法对ＬＳ — ＳＶＭ算法寻找最优超参数，进一步提高ＬＳ．ＳＶＭ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ＰＳＯ与ＬＳ．ＳＶＭ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：ＴＭ３４３．３；ＴＰ２０６．３文献标识码：Ｂ文章编号：１００１ — ０８７４（２０１６）０６— ００６２— ０５
ＦａｉｌｕｒｅＤｉａｇｎｏｓｉｓｏｆＭｏｔｏｒＢｒｏｋｅｎＢａｒＬＳ－ＳＶＭＢａｓｅｄｏｎＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ
基于粒子群优化算法的ＬＳ — ＳＶＭ电动机断条故障诊断

基于LS-SVM和SVM的气动执行器故障诊断方法

基于LS-SVM和SVM的气动执行器故障诊断方法冯志刚;张学娟【期刊名称】《传感技术学报》【年(卷),期】2013(26)11【摘要】为了解决自确认气动执行器的故障诊断问题，提出了一种基于最小二乘支持向量机( LS-SVM)回归建模和支持向量多分类机( SVM)的执行器故障诊断方法，该方法利用LS-SVM回归建立气动执行器的正常模型，将实际输出与模型输出比较，产生残差作为气动执行器的非线性故障特征向量。

利用聚类方法设计了层次支持向量多分类机结构，以残差作为输入建立支持向量多分类机，判断气动执行器故障类型。

利用DABLib生成的故障数据对所研究方法进行了验证，并与基于PCA-SVM的故障诊断方法进行了比较，结果表明该方法有效的解决了气动执行器故障诊断的小样本和非线性问题。

%To solve the fault diagnosis problem of self-validating pneumatic actuator, an actuator fault diagnosis approach based on least square support vector machine( LS-SVM) regression modeling and support vector machines ( SVM) multi-classifier is proposed. The LS-SVM regression is used to establish the normal models of the pneumatic actuator. The residuals generated by comparing the output of the models and the actual actuator are used as the nonlinear features of the pneumatic actuator. Then, the structure of the hierarchical support vector machines for multi-classification is designed using clusteringmethod,which is used as fault classifiers to identify the condition and fault pattern of the actuator. The proposed approach is verified using fault datagenerated by DABLib model and compared with PCA-SVM fault diagnosis approach. The results indicate that the proposed approach resolves the small sample and nonlinear problem in pneumatic actuator fault diagnosis.【总页数】7页(P1610-1616)【作者】冯志刚;张学娟【作者单位】沈阳航空航天大学自动化学院，沈阳110136;沈阳航空航天大学自动化学院，沈阳110136【正文语种】中文【中图分类】TP214;TP18【相关文献】1.基于LCD降噪与LS-SVM的滚动轴承故障诊断方法 [J], 边兵兵2.基于LS-SVM液压缸泄漏故障诊断方法的研究 [J], 廖辉;乔东凯3.基于ELMD与LS-SVM的滚动轴承故障诊断方法 [J], 廖星智;万舟;熊新4.基于SVM的粗糙神经网络的执行器故障诊断方法 [J], 谢安;朱光衡5.基于正态分布模型参数和LS-SVM的滚动轴承故障诊断方法 [J], 姜海燕因版权原因，仅展示原文概要，查看原文内容请购买。

基于LS-SVM的电梯制动器故障诊断

基于LS-SVM的电梯制动器故障诊断
贺无名;王培良;沈万昌
【期刊名称】《工矿自动化》
【年(卷),期】2010(036)002
【摘要】根据电梯制动器故障的特点,提出了一种基于最小二乘支持向量机(LS-SVM)的电梯制动器故障诊断方法.该方法通过检测制动器制动过程中闸瓦间隙信号,采用小波包分析提取的故障信号特征,同时利用LS-SVM实现电梯制动器的故障诊断.实验结果表明,该方法能准确地诊断制动系统的故障,有效地避免了事故的发生.【总页数】5页(P44-48)
【作者】贺无名;王培良;沈万昌
【作者单位】湖州师范学院信息与工程学院;湖州师范学院信息与工程学院;湖州三荣电梯控制设备有限公司,浙江,湖州,313009
【正文语种】中文
【中图分类】TP206.3
【相关文献】
1.基于自适应LS-SVM的雷达T/R组件热管冷却故障诊断系统设计 [J], 吴国秋
2.基于LS-SVM和D-S证据理论的轴承故障诊断 [J], 杨巨平;李朋;焦静
3.基于正态分布模型参数和LS-SVM的滚动轴承故障诊断方法 [J], 姜海燕
4.基于MEEMD多特征融合与LS-SVM的行星齿轮箱故障诊断 [J], 蔡波;黄晋英;杜金波;马健程;王智超
5.基于粒子群优化算法的LS-SVM高压隔离开关故障诊断 [J], 刘永康;王慧
因版权原因，仅展示原文概要，查看原文内容请购买。

基于LSSVM_算法的10kV_配电线路故障诊断模型

运营维护技术 2023年12月25日第40卷第24期261 Telecom Power TechnologyDec. 25, 2023, Vol.40 No.24范凯：基于LSSVM 算法的 10kV 配电线路故障诊断模型在其他条件均一致的情况下，使用文献[1]模型后，故障位置与实际位置存在误差的范围为-0.201～0.404 km ，对于ACG 故障诊断的位置误差较大，说明对于ACG 故障诊断效果相对不足。

使用文献[2]模型后，故障位置与实际位置存在误差的范围为-0.023～0.031 km ，对于AB 故障诊断的位置误差较大，说明对于AB 故障诊断效果相对不足。

而使用本文模型后，故障位置与实际位置存在误差的范围为0～0.001 km ，故障位置与实际位置基本一致，说明使用本文设计的方法之后，在AG 、AB 、AC 、ACG 等故障类型中均体现了良好的诊断效果，故障诊断效果较好，可以在配电线路发生故障时准确找到故障位置，为配电线路的稳定使用提供保障。

3　结　论近年来，电力系统规模持续扩大，为人们提供了更加稳定的供电环境。

配电线路是电力系统中必不可少的元件，具有较为复杂的拓扑结构，规模更大、覆盖面更广，对于提高供电稳定性具有重要作用。

随着配电线路的广泛应用，不可避免地出现了电力故障问题。

由于配电线路结构复杂，接地故障更加频繁，一旦出现接地故障，就会出现停电等情况，影响周围居民的用电质量。

文章利用LSSVM 算法设计了 10 kV 配电线路故障诊断模型，从特征参数、损失函数等方面提升故障诊断的准确性，有效提高了用户的用电质量，具有较好的实际应用价值。

参考文献：[1] 郭伯森，李天友，王连辉，等.基于层次分析法的中压配电线路森林火灾故障预警辨识模型[J].供用电，2023，40（3）：55-62.[2] 陈海东，蒙　飞，赵　磊，等.利用分布式电源注入信号的配电线路故障性质识别技术[J].高压电器，2022，58（12）：123-129.[3] 梁政伟，陆宝军，张毓桂.基于蝴蝶结模型-ALARP 原则的输配电线路故障和改进方案可行性分析[J].现代职业安全，2023（4）：97-101.[4] 韦　翔，赵许许，高　宁，等.基于时频能量相似度逼近的配电线路故障定位方法[J].武汉大学学报（工学版），2022，55（10）： 1034-1043.[5] 仲　赞，蒋丰庚，刘腾柱，等.数字化接地故障定位装置在10 kV 配电线路故障处理中的应用[J].电力与能源，2022，43（4）：308-311.[6] 王鹏玮，徐丙垠，陈　恒，等.基于波形比较的架空配电线路故障离线定位自动计算方法[J].电力自动化设备，2021，41（6）：73-97.[7] 曾　飞，黄哲忱，卫志农，等.配电线路故障指示器三相同步精度检测方法研究[J].电力系统保护与控制，2021，49（19）：11-17.[8] 孙　嫱，张志林，林财徳，等.基于多旋翼无人机的输配电线路故障精确测距研究[J].电子设计工程，2021，29（13）：133-136.表1　实验结果模型故障类型故障阻抗/Ω故障相角/（°）故障位置/km 位置误差/km实际值诊断值文献[1]模型AG100904.5254.3240.201AB 2455.5645.574-0.01AC 50708.0458.246-0.201ACG 2909.0368.6320.404文献[2]模型AG 100904.5254.548-0.023AB 60455.5645.5330.031AC 50708.0458.064-0.019ACG 2909.0369.0210.015本文模型AG 100904.5254.5240.001AB 60455.5645.5640.000AC 50708.0458.0450.000ACG2909.0369.0360.000。

基于迁移学习LSSVM的模拟电路故障诊断

基于迁移学习LSSVM的模拟电路故障诊断庄城城;易辉;张杰;刘帅【摘要】采用数据驱动方法进行模拟电路故障诊断时,在目标故障数据较少的条件下,诊断效果显著下降.针对该问题,提出一种基于TL-LSSVM的模拟电路故障诊断方法.该方法将相关的源域数据迁移至目标故障训练集,首先提取输出信号的小波系数作为特征数据,然后在LSSVM分类器的目标函数中增加源域辅助数据的误差惩罚项,构建出新的诊断模型.以滤波电路为诊断实例,实验结果表明,该方法使单、双故障诊断正确率分别达到97.2%和95.7%,显著提高了诊断正确率.【期刊名称】《电子器件》【年(卷),期】2019(042)003【总页数】6页(P668-673)【关键词】模拟电路;故障诊断;迁移学习;最小二乘支持向量机;辅助数据【作者】庄城城;易辉;张杰;刘帅【作者单位】南京工业大学电气工程与控制科学学院,南京211816;南京工业大学电气工程与控制科学学院,南京211816;南京工业大学电气工程与控制科学学院,南京211816;南京工业大学电气工程与控制科学学院,南京211816【正文语种】中文【中图分类】TN707;TP181模拟电路的诊断测试比数字电路更加复杂,电路的非线性、元件的容差性等问题对故障诊断技术提出了更高的要求[1]。

随着人工智能的快速发展,在模拟电路故障诊断中,众多学者应用了神经网络[2]、模糊理论[3]、支持向量机SVM(Support Vector Machine)[4]等技术,取得了较好的研究成果。

模拟电路故障诊断主要集中在特征提取和模式分类这两个问题上[5]。

在特征提取方面,文献[6]提出在小波变换中,通过类间距离的可分性测度选择最优小波基,提取较好的故障特征,从而提高了故障分类的准确率和效率。

在故障模式分类中,文献[7]中将马氏距离与LSSVM相结合用于模拟电路的故障诊断,在准确率和诊断时间上获得很好的效果。

但是这些方法未能克服传统机器学习的局限性:当训练和测试数据不是相同的数据分布时,训练得到的模型就需要持续更新;训练数据不足时也不能得到很好的分类模型[8]。

基于编码LS_SVM的模拟电路故障诊断方法

基于编码LS_SVM的模拟电路故障诊断方法陈绍炜;潘新;刘涛【摘要】为了降低支持向量机的学习难度,提高支持向量机在模拟电路中的诊断效率,提出了基于纠错编码的LS_ SVM故障诊断方法;首先将故障类别按MOC方法进行编码,以此作为分类依据并对样本进行训练,然后对测试样本进行测试并将测试结果按一定方法进行解码,最后将输出序列同编码序列相比较而得到诊断结果;实验证明,基于编码的LS_ SVM方法同一对多方法和ECOC方法相比,其在保证计算精度的前提下缩短了故障诊断的时间,在模拟电路的故障诊断中具有良好的效果.【期刊名称】《计算机测量与控制》【年(卷),期】2013(021)009【总页数】4页(P2378-2381)【关键词】最小二乘支持向量机;纠错编码;故障诊断;模拟电路【作者】陈绍炜;潘新;刘涛【作者单位】西北工业大学电子信息学院,西安 710129;西北工业大学电子信息学院,西安 710129;西北工业大学电子信息学院,西安 710129【正文语种】中文【中图分类】TP3020 引言模拟电路由于电路的复杂性，导致其故障诊断越来越困难。

20世纪60年代模拟电路故障诊断首先在军事工业中开始研究。

针对模拟电路故障诊断，目前常用的方法有故障字典法，神经网络法［1］，小波变换法等。

故障字典法具有实时性好的特点，但由于模拟电路的元器件存在容差，故障模型复杂，其一般多用做单故障诊断，在多故障的情况下，故障字典规模会很大。

神经网络是一种人工智能的信息处理方法，同故障字典法相比，神经网络具有非线性拟合能力强和自学习能力强等优点，其在诊断中具有良好鲁棒性及实时性，但神经网络收敛速度慢，诊断效果依赖于样本的选择以及易出现过拟合现象。

近年来，支持向量机（SVM，Support Vector Machine）作为一种新的故障诊断方法为人们所重视，由于其特有的优点，SVM被应用到模拟电路的故障诊断中。

SVM以结构风险最小化为基础［2］，从统计学习理论的基础上发展而来。

基于ACO优化LS-SVM的变压器故障诊断

基于ACO优化LS-SVM的变压器故障诊断高国磊;李英娜;段效琛;李川【摘要】为提高电力变压器故障诊断的准确率,提出基于蚁群优化与最小二乘支持向量机的变压器故障诊断方法.首先,分析变压器故障与油中溶解气体之间的映射关系,确定故障诊断研究中5种特征气体作为故障类型诊断的参量.其次,针对油中溶解气体含量中异常数据,利用改进的核主元分析方法,剔除异常离群值.最后,引入蚁群算法到最小二乘支持向量机参数寻优中,得到核函数参数和惩罚系数的最优解,再使用数据样本对最小二乘支持向量机进行训练和识别,输出变压器故障分类.实验表明,该方法分类效果好,得到变压器的故障诊断准确率达到92.57％.【期刊名称】《电子科技》【年(卷),期】2018(031)006【总页数】5页(P59-62,74)【关键词】变压器;故障诊断;核主元分析;蚁群算法;最小二乘支持向量机【作者】高国磊;李英娜;段效琛;李川【作者单位】昆明理工大学信息与自动化学院,云南昆明650500;昆明理工大学信息与自动化学院,云南昆明650500;昆明理工大学信息与自动化学院,云南昆明650500;昆明理工大学信息与自动化学院,云南昆明650500【正文语种】中文【中图分类】TM74随着国民经济和我国电力工业的快速持续发展，社会上各行各业对电力的需求不断增加。

近几年来，我国高压及特高压级别的变压器发生故障的频率越来越高，虽然我国在变压器监测与维修领域的技术有了明显提高，但是整体上仍有不足[1]。

因此，加强变压器日常监测与维护，深入研究故障的预防性实验，才能有效提高对变压器各类故障的预防、修复能力。

由此可见，使用合理有效的变压器故障诊断方法，对变压器状态的监测以及变压器故障诊断有着重要的实际意义[2]。

目前基于油中溶解气体分析技术(Dissolved Gases Analysis，DGA)的变压器故障诊断研究主要有传统诊断法和智能诊断法两类[3]。

文献[4]采用入模糊理论来构造变压器状态诊断模型，存在编码涵盖范围小、不可扩展等不足。

遗传优化的LSSVM在故障诊断中的仿真研究

摘要：研究机载电气故障诊断问题，采用支持向量方法。支持向量机是一种采用结构风险最小化原则的新型机器学习方法，
具有出色的学习分类能力和推广能力。支持向量机的参数选择非常重要，决定故障诊断的精确度。针对最小二乘支持向量机的参数通常靠交叉试验来确定的情况，了提高故障诊断的精度和效率，出了一种模拟退火遗传算法和最小二乘支持为提向量机相结合的故障诊断方法，利用模拟退火遗传算法的全局搜索能力对最小二乘支持向量机的参数进行寻优，并以某型
ｔ，ｗｉｈｕｅｔｕｔｒｌｒｋｍｉｉｚｔｎＰｒｍｅｅｓｓｌｃｉｎｉｅｙｉｏｔｎｎｅｉｅｈａｌｄａｎｓｓｙｈｃｓｓｓｒｃｕａｉｎｍｉａｉ．ａａｔｒｅｅｔｓｖｒｍｐｒｔａｄｄｃｄｓｔｅｆｕｔｉｇｏｉｓｏｏａ
ｃｄｄｂｒｓｉｅｙｃｏｓ—ｖｌａｉｎｅａｌｄａｎｓｔｏｈｔｃｍｂｎｓｓｍｕａｅｎｅｌｇ—ｇｎｔｌｏｔｍｔａｉｔ，ａｎｗｆｕｔｉｇｏｉｍｅｈｄｔａｏｉｅｉｌｔｄａｎａｉｄｏｓｎｅｅｉａｇｒｈｗｉｃｉｈＬＳＭｓｐｐｓｄｉｒｅｏｅｈｎｅａｃｍｃｎｆｃｅｃｎｆｕｔｄａｎｓｓＴｉｔｏｅｒｈｓｔｅｏｔＳＶｉｒｏｅｎｏｄｒｔｎａｃｃｕｙａｄｅｆｉｎｙｉａｌｉｇｏｉ．ｈｓｍｅｈｄｓａｃｅｈｐｉｏｉ —

基于群决策的道岔控制电路故障诊断方法

第44卷第6期自动化学报Vol.44,No.6 2018年6月ACTA AUTOMATICA SINICA June,2018基于群决策的道岔控制电路故障诊断方法董炜1,2刘明明1,2,3王良顺1,4赵辉1,2辜勋3摘要高速铁路道岔是与高速列车直接接触的重要信号设备,其控制电路的故障检测手段目前仍停留在简单仪器与人的经验相结合的方式.为了实现道岔控制电路故障的智能诊断,提高故障诊断的准确率并降低单一诊断方法带来的不确定性,本文提出一种基于群决策的诊断方法:首先根据道岔控制电路的特点,总结了典型的11个故障模式和对应的8个故障特征;其次,分别采用模糊理论、神经网络和支持向量机(Support vector machine,SVM)对道岔控制电路进行故障诊断;然后引入群决策理论将三种方法视为决策专家,通过群基数效应集结方式实现决策级上的信息融合从而得到群专家综合评判的诊断结果.从仿真数据的验证来看,该方法比单一方法的故障诊断的准确率要高,表明了本文所提方法能够实现三种方法的互补融合,也提高了故障诊断的准确率,在该领域有着良好的应用前景.关键词道岔控制电路,神经网络,模糊理论,支持向量机,群决策引用格式董炜,刘明明,王良顺,赵辉,辜勋.基于群决策的道岔控制电路故障诊断方法.自动化学报,2018,44(6):1005−1014DOI10.16383/j.aas.2017.c160715Fault Diagnosis for Railway Turnout Control CircuitBased on Group Decision MakingDONG Wei1,2LIU Ming-Ming1,2,3WANG Liang-Shun1,4ZHAO Hui1,2GU Xun3Abstract High speed railway turnout is an important signal device that directly touches the high speed train.However, it still depends on simple instruments and human experience to deal with the faults of the control circuit.In order to realize intelligent fault diagnosis for the turnout control circuit,improve diagnosis accuracy and decrease uncertainty that a single method may bring about,a fault diagnosis method based on group decision making strategy is proposed.Firstly 11typical fault modes and8corresponding fault features are summarized according to the characteristics of the control circuit.Secondly,fuzzy theory,neural network and support vector machine(SVM)are adopted to conduct the diagnosis process,respectively,then group decision making strategy is introduced,which regards the above three methods as three diﬀerent experts.Ultimately,theﬁnal comprehensive diagnosis result is achieved by utilizing the group cardinal utility method on the three experts.Simulation result shows that compared with all three individual methods,the proposed method achieves a better performance on the diagnosis accuracy,indicating that the proposed method can integrate the advantages of the three methods and have a great application prospect in theﬁeld.Key words Turnout control circuit,neural network,fuzzy theory,support vector machine(SVM),group decision-making Citation Dong Wei,Liu Ming-Ming,Wang Liang-Shun,Zhao Hui,Gu Xun.Fault diagnosis for railway turnout control circuit based on group decision making.Acta Automatica Sinica,2018,44(6):1005−1014目前高速铁路的运营中铁轨方向的变化主要由收稿日期2016-10-12录用日期2017-05-04Manuscript received October12,2016;accepted May4,2017国家重点研发计划(2017YFB1200700),国家自然科学基金(614907 01),苏州–清华创新引领行动专项(2016SZ0202)资助Supported by National Key Research and Development Pro-gram of China(2017YFB1200700),National Natural Science Foundation of China(61490701),and Special Fund of Suzhou-Tsinghua Innovation Leading Action(2016SZ0202)本文责任编委钟麦英Recommended by Associate Editor ZHONG Mai-Ying1.北京信息科学与技术国家研究中心北京1000842.清华大学自动化系北京1000843.中国人民解放军63956部队北京1000704.海南大学机电工程学院海口5702281.Beijing National Research Center for Information Science and Technology,Beijing1000842.Department of Automa-tion,Tsinghua University,Beijing1000843.PLA63956 Troops,Beijing1000704.College of Mechanical and Electri-cal Engineering,Hainan University,Haikou570228道岔设备来完成,其位置状态的变换主要依靠道岔控制电路来完成[1].在控制过程中,由于动作时间短、精度要求高,加之工作环境的恶劣性以及机械组件的复杂性,导致了道岔控制电路故障频发,而且故障原因复杂难辨且不易被诊断[2−3].这些都极大地影响了铁路运输效率和车站运营安全.以在广州铁路局长沙电务段调研数据为例,沪昆高铁开通一年来其管辖内出现的110件地面设备故障中,属于道岔故障的达到了92件,故障率超过80%,其中控制电路故障频度较高.因此,研究道岔控制电路的故障诊断方法保证高速铁路的安全运营具有非常急切和重大的现实意义.由于道岔控制电路包含机电一体的设备,故障具有明显的随机不确定性和模糊性,导1006自动化学报44卷致诊断难度很大[4−6].目前,我国针对道岔控制电路的诊断仍主要依靠简单仪器与人的经验相结合的方式,采取的巡检和故障修的模式浪费了大量的人力物力,误判和漏判现象严重.针对此问题,国内外研究人员开展了道岔控制电路的智能诊断方法研究,例如神经网络[7]、支持向量机(Support vector machine,SVM)[8]、贝叶斯网络(Bayesian network)等算法[9]在道岔控制电路的诊断中取得了较好的应用.虽然上述方法取得了一定的成效,但方法自身存在的缺陷也限制了其在道岔控制电路诊断中的进一步应用.例如神经网络的结构不易确定且需要大量的训练样本,支持向量机在小样本条件下诊断性能较好,对于大样本条件性能不佳等[10].且鉴于道岔系统的安全性需求,单一的诊断方法会给诊断带来不确定性从而影响到控制电路诊断的准确率.为解决上述问题,本文提出了一种基于群决策的故障诊断方法,通过将单一的诊断方法视为决策专家,再利用群基数效应集结方式得到综合诊断的结果,从而消除单一方法带来的不确定性,提高诊断的准确性.本文结构安排如下,第1节介绍了道岔控制电路的原理与故障分类;第2节详细描述了三种单一诊断方法在道岔控制电路中的应用,包含改进的模糊字典法、BP 神经网络、SVM;第3节则引入了群决策思想将三种方法进行集结得到最终的决策结果;第4节进行了实际数据的实验验证;第5节给出了最后的结论与展望.1道岔控制电路及故障分析1.1道岔控制电路针对道岔转换和锁闭,目前高速铁路上的提速道岔区段,采用的转辙设备大都是S700K 型或ZDJ9型转辙机,还有少部分采用的是ZYJ7等型转辙机,虽然三者动力传动方式不同,前两者是电动型而后者是电液型,但它们的控制电路完全一样,都属于五线制道岔控制电路.所以无论采用这三种的哪一个来对道岔进行牵引,所使用的道岔控制电路的原理基本相同,对它们进行故障分析、诊断和处理的方法也基本是一致的.本文的研究对象是ZDJ9型转辙机的控制电路,其结构框图如图1所示.ZDJ9型道岔控制电路采用分级控制方式控制道岔转换,图1中,当操纵道岔时,第一启动继电器1DQJ 和第一启动复示继电器1DQJF 相继顺序励磁吸起,随后第二启动继电器2DQJ 完成转极,将三相交流电动机接通形成动作电路,三相动作电源的A 相、B 相、C 相经三个熔断器RD 1、RD 2、RD 3进入断相保护器DBQ,及1DQJ 、1DQJF 、2DQJ 接点,由线路X 1、线路X 2、线路X 5(在反位是X 1、X 3、X 4)向室外送电,电机开始转动.BD 表示电压源,输出110V 交流电源.DBJ 和FBJ 分别为定位、反位操纵继电器,通过控制三相交流电相序来实现电动机正反转.DBQ 为断相保护器,BHJ 为保护继电器,R 1用于保护室外负载短路时电源不被损坏,图1ZDJ9型转辙机的控制电路Fig.1Control circuit of ZDJ9type switch machine6期董炜等:基于群决策的道岔控制电路故障诊断方法1007R2则用于保护二极管不被击穿.1.2道岔控制电路故障分类道岔控制电路的故障按照道岔控制电路的结构可以分为室内控制电路故障、室外控制电路故障和三相电源故障,针对这些故障,本文定义10类ZDJ9型的典型故障模式,具体如表1所示.表1道岔控制电路故障Table1Fault of turnout control circuitID描述A0无故障A1室外X1支路断线A2室内1DQJ断线A3室内1DQJF断线A4R1开路A5室内表示继电器断线A6室外继电器支路开路A7室外二极管支路击穿A8室外二极管支路开路A9整流匣短路A10V线圈开路为实现道岔控制电路的诊断,本文主要选取了可分离的8个故障特征,分别为电阻R1两端的交流电压,电阻R1两端的直流电压,继电器1∼4线圈交流电压值,继电器1∼4线圈直流电压值,分线盘X1∼X2的交流电压,分线盘X1∼X2的直流电压,分线盘X1∼X5的交流电压,分线盘X1∼X5的直流电压.将它们记为B1,B2,···,B8,并作为诊断中要采集的数据特征.2基于单一方法的故障诊断2.1基于模糊字典法的故障诊断方法故障字典法是电路故障诊断中较为常用的一种方法,具有原理简单、计算简便及能依据故障字典进行快速的故障定位和诊断的优点.但针对复杂系统或设备的故障诊断时,这一方法有多故障同时发生的情况下难以准确定位的缺点.根据道岔控制电路故障的特点,本文结合模糊理论,在传统字典法的基础上改进提出一种基于模糊字典法的故障诊断方法.该方法的流程如图2所示.具体步骤如下:步骤1.确立故障诊断的输入、输出变量.根据上面的道岔控制电路故障分析,用集合B ={B1,B2,B3,···,B8}表示道岔控制电路故障的特征集,即输入.用集合A={A0,A1,A2,···, A10}表示道岔控制电路11种故障类别的集合,即故障类别的输出.图2基于模糊字典法的故障诊断流程图Fig.2Flow chart of fault diagnosis based onfuzzy dictionary步骤2.依据输入输出变量建立故障字典.表2根据天津道岔试验中心测量的数据整理出的道岔控制电路的故障类别及对应的测量值.这些共同组成了道岔控制电路的故障字典.表2ZDJ9型道岔控制电路故障字典Table2Fault dictionary for ZDJ9turnoutcontrol circuit类型B1B2B3B4B5B6B7B8 A050215722572200 A1000011001100 A200000000 A315010000000 A4001100110000 A5402000697500 A680025025020 A72501050105000 A840200070757075 A91040306033A10663800730730步骤3.划分模糊集、确定隶属度函数.目前,隶属度函数的确定一般都是人为给定的,对模糊集的划分目前也缺少简单实用的方法[11].这里借用一种基于两类之间可分性测度的隶属函数确定方法[12],根据类与类之间在每个特征上可分性的差异对每个特征数据划分模糊集.基本思想是在每个特征分量上,在保证类间可分的前提下对模糊集进行约简.设U={x1,x2,···,x11}为道岔控制电路11个故障状态的典型样本数据,其中x i=(x i1,x i2,1008自动化学报44卷···,x i8)为第i个故障对应的样本,8为特征量个数.特征集为B={B1,B2,B3,···,B8},对论域U任意两类x i和x j,定义其在特征分量Bk上的可分性测度d Bkij为d Bk i,j =|x ik−x jk|x ik+x jk,x ik=x jk0,x ik=x jk(1)则对于任意x i,x j,两类之间在各个属性上的可分度为d B1ij ,d B2ij,···,d B8ij,若dαij=max{d B1ij,d B2ij,···,d B8ij},则认为类x i和x j只在属性α上可区分,并只在该属性上将x i和x j划入不同的模糊集;对于任意x i,若在属性Bk上,存在x j1,x j2与x i可区分,且x j1,x j2在x i的同一侧,即(x j1k−x ik)(x j2k −x ik)>0,则只考虑将x i和x j1,x j2中距离x i比较近的类在该特征上划入不同的模糊集.利用此方法对每个特征上的模糊集进行约简后,再得到每个模糊集的中心点,如表3所示.表3中每一行是特征,每一列是特征下对应的划分的模糊集的中心点.表3道岔控制电路故障模糊集中心点Table3Fuzzy focus point of fault in turnoutcontrol circuitB1B2B3B4B5B6B7B8 000000−0.750 14.819.532211023 2.4 2.425108随后给约简后的每个模糊集指定已知形式的隶属函数,这里选用高斯函数.每个模糊集对应高斯函数的均值为该模糊集对应的关键节点取值,高斯函数的标准差采用采集仪器的测量误差计算得到.例如,道岔控制电路监测点的测量精度为±1%,则8个特征量上的隶属度函数可确定为如图3所示.步骤4.模糊规则库的建立.依据上面建立的模糊字典,每一条模糊规则按照如下的形式编写:规则:如果B1属于P11,···,且B8属于P81,则输出结果是A0(其中P ij是第i个特征上的第j 个模糊集).步骤5.模糊推理.模糊规则库建立好之后,就可以通过模糊推理进行故障诊断,得出各故障类别的隶属度.最后,采用反模糊化的方法得到诊断结果.这里采用最大隶属函数法,通过最大值的解模糊方法得出故障的诊断结果.也就是其中隶属度高的即为诊断出的故障.2.2基于BP神经网络的故障诊断方法与模糊理论相比,神经网络具有学习功能,在故障诊断中,神经网络的性能很大程度上会受到各层神经元数目的影响[13−15],本文选择了传统的三层BP网络模型,如图4所示.BP神经网络各层神经元的个数需要确定,为此将输入层神经元、隐含层神经元以及输出层神经元的个数分别记为m,l,n.神经网络的输入层节点对应着引发故障的特征向量,即道岔控制电路的故障征兆数目8为输入层的节点数,其节点分别为B=[B1,B2,···,B8].神经网络的输出层对应着的是故障类型的个数,这里沿用上面道岔控制电路的11种故障,分别为B= [A1,A2,···,A10],隐含层节点数可以根据经验式(2)进行确定l=√m+n+a,1≤a≤10(2)将m=8,n=11代入式(2)可得l的范围为[6,14].从搭建的道岔控制电路的Simulink仿真模型中采集到的100组样本进行归一化处理,分别测试不同l取值下的神经网络的性能,得到当隐含层个数为12时,均方误差最小.BP神经网络的反向传播过程中,传播算法容易产生收敛速度慢和目标函数存在局部极小值的问题.针对本文道岔控制电路的诊断,采用动量反向传播法,加入动量项,且为了使得BP算法收敛的速度变快,本文引入了动量因子配合进行调节,它还能同时避免发生震荡现象.这里,权向量迭代修正规则可以改进为ω(k+1)=ω(k)+ηG(k)+α∆ω(k)(3)其中,α的取值范围为(0,1).在进行神经网络的训练时,基于BP神经网络的道岔控制电路故障诊断的网络训练采用批量更新法,首先依次学习每组的输入样本,调整权值,当完成一次所有样本的学习后,用调整后的网络重新计算各组样本的输出,计算出各组的输出层误差,直到所有样本误差的绝对值的最大值小于设定值,或者训练次数大于指定次数时,结束样本训练.最后,根据建立的道岔控制电路的故障诊断模型,结合BP神经网络结构,在MATLAB仿真平台下进行网络训练与学习.神经网络的训练采用trainglm函数,激活函数选取S型对数函数logsig,选取(−1,1)之间的随机数为初始权值,学习速率为默认值,默认值取0.05,系统输出误差ε<0.01. 2.3基于支持向量机的故障诊断方法与模糊理论和神经网络相比,支持向量机在小6期董炜等:基于群决策的道岔控制电路故障诊断方法1009图38个特征量的隶属度函数分布图Fig.3Distribution of membership functions of eight characteristic quantities1010自动化学报44卷图4基于BP 神经网络的故障诊断模型Fig.4Fault diagnosis based on BP neural network样本的故障诊断中有着广泛的应用.支持向量机是1995年由Vapnik 等在统计学习理论的基础上建立起来的一种学习方法.它在最小化样本点误差的同时,最小化了结构风险,提高了模型的泛化能力[16].它的主要思想是:通过事先选择的非线性映射将输入向量映射到高维特征空间,并在这个空间中构造最优决策函数;在构造最优决策函数时,利用了结构风险最小化原则,并巧妙利用原空间的核函数取代高维特征空间的点积运算,使复杂计算得到简化.支持向量机是从线性可分情况下的最佳超平面发展而来的.对于一组带有类别标记的训练样本集(x i ,y i ),x i ∈R n ,y i ∈{+1,−1},i =1,2,···,l ,若超平面˜w ·x +b =0能将样本正确分为两类,则最佳超平面应使两类样本到超平面最小距离之和最大.鉴于实际的道岔控制电路故障的分类问题是线性不可分的.因此,引入核函数k (x i ,x j )=φ(x i )φ(x j ),将低维空间中的线性不可分问题转化成高维空间的线性可分问题.即利用一个非线性映射φ:R n →H 将数据映射到一个高维的特征空间H ,在特征空间中可以实现线性分类.目标函数可以转化为max li =1a i −12li,j =1a i a j y i y j k (x i ,x j )s .t .l i =1a i y i =0,0≤a i ≤C,i =1,···,l (4)其中,C 为惩罚系数,a i 是样本点x i 的Lagrange乘子.相应的决策函数变为f (x )=sgn li =1a i y i k (x i ,x )+b (5)核函数选取时,应使其为特征空间的一个内积.常用核函数是通过描述样本相似性的内积或距离来定义的,而内积或距离是根据样本的所有特征计算的.常用的核函数有:多项式核函数、Gauss 径向基核函数、Sigmoid 核函数等.由于径向基函数对非线性数据有很强的分类性能,所以本文选用径向基函数,其表达式为k (x i ,x j )=exp(−g x i −x j 2)(6)其中,g 为系数.将式(6)代入式(4)就得到了诊断模型,其中C ,g 需要进一步确定.本文采用网格寻优的方法,根据样本进行计算,选出分类结果正确率最高的参数作为模型的参数.由于基本支持向量机只能区分二分类问题,而本文道岔控制电路的故障分为11类,属于多分类问题,因此需要进行处理.多分类通常采用一对多、一对一、决策导向无环图等方法,本文采用一对一法,即分别建立任意2种故障之间的支持向量分类机,可得到C 211=55个分类器,判断某一电路状态属于哪种故障模式,则该故障得1票,最后得票最多者即为诊断得到的对应道岔控制电路的故障.3基于群决策的故障诊断方法第2节介绍了三种单一诊断方法在道岔控制电路故障诊断中的应用过程.由于道岔控制电路的安全性需求,为了降低单一诊断方法对诊断结果带来的不确定性,提高道岔控制电路故障诊断的准确率.本文提出一种基于群决策方法的诊断决策模型,将单一故障诊断模型作为一个决策专家,通过集结多个专家的决策建议,最终输出群决策的诊断结果.3.1基于群决策故障诊断的集结方式群决策是集数学、政治学、经济学、社会心理学、行为科学、管理学和决策科学等多门学科研究于一体的交叉学科.在群决策的决策过程中,决策专家一般是针对要解决的问题做出自己的决策,随后利用某种集合方法,将每个决策专家做出的决策结果集结成群决策[17].无论使用何种集结方法,都会涉及到专家的权重.专家的权重包括主观权重和客观权重.主观权重是由专家的能力水平、知名度、职位高低、对决策问题的熟悉程度等确定的专家的权重;客观权重是根据具体的群决策问题、方法、决策结果及其之间的关系来确定的专家所作决策的可信度.这里采用群决策中一种常用的集结方式,具体为G =s k =1λk U k (7)其中,G =(g 1,g 2,···,g n )T 是所有专家的群体决策结果,U k =(u k 1,u k 2,···,u kn )T 是第k 个专家做出的决策,λk ∈R +是第k 个专家的权重,满足6期董炜等:基于群决策的道岔控制电路故障诊断方法1011sk=1λk=1.λk越大,说明第k个专家的判断结果在最终决策中的影响越大.3.2基于群决策的故障诊断的专家权重确定方法进行群决策的故障诊断时,必须对故障的属性权重进行合理的分配[18].一般来说,起主要作用的属性会分配较大的权重值,作用小的就分配较小的权重值.权重确定方法目前使用较多的是主观权重确定法,主要有层次分析确定法、调研统计确定法和决策专家咨询法等,这些方法在确定权重时对于主观经验的判断太过依赖,会降低故障诊断结果的准确性.为此,本文将权重分解成初始权重和动态权重,首先利用遗传算法得到多组专家的初始权重,然后诊断过程中通过专家个人决策结果与群决策结果的偏差,实现权重的动态调整.3.2.1基于遗传算法寻优的初始权重确定对于要解决的优化问题,采用遗传算法的优势在于它的运算比较简单,只需给出代表故障诊断结果准确度的适应度函数,就能够有效地在全局进行随机的搜索.因此,基于遗传算法来对道岔控制电路故障诊断方法中的属性权重实施优化,不依赖决策专家的经验同时具有很强的鲁棒性,可以随时对权重值进行优化和更新.遗传算法实现权重的优化,需要实现以下操作:1)染色体的编码.针对作为专家的单一故障诊断方法的权重优化问题,染色体选取二进制进行编码,染色体里的基因链对应的是一组故障诊断方法的权重矢量,并以故障数据特征量的个数来决定基因链的长度.在这里每个基因采用3位二进码来进行编制.染色体C解码成故障诊断方法属性权重的计算公式为W i=x imi=1x i(8)其中,x i是染色体C的第i个基因G i的解码,W i 是第i个基因对应的专家(方法)i的权重,m是专家个数,即单一故障诊断方法个数.2)对染色体适应度进行评价.在遗传算法中,对染色体性能的评价主要参考染色体代表的权重可否实现对综合故障诊断结果准确度的提高.对染色体的操作都是以其性能作为依据来进行,因此本文将染色体的适应度函数定义为f=1Y−Yj=1St j,j=1,2,···,Y(9)其中,Y是测试故障数据集的大小,Yj=1St j表示Y个测试故障集被诊断后其中诊断成功的数目.St j表示的是在当前权重组合结果的条件下,利用群决策得到的诊断结果的正确性.如果诊断正确,为1,否则为0.3)选择操作.选择操作是对染色体适应度进行评价后所进行的选择过程,本文选用的是轮盘赌选择策略方法,这样在保证收敛性的同时,确保算法实施全局搜索的性能.4)交叉操作.交叉操作是将一个染色体的一些基因与另一个染色体的基因进行交换后产生新染色体的一种操作方法.本文进行交叉操作时选用的是单点交叉交换的方法,通过将提前设定好的染色体交叉基因点的前面与后面的两个基因进行互换而得到新的个体.5)变异操作.进行变异操作的目的是改善遗传算法在某些局部空间上的搜索性能,避免早熟的现象发生.本文进行变异操作时选用的是整体基因变异与二进制位变异相结合的双变异方法.其中整体基因变异是将基因链上的信息全部取反来替代,例如将基因001整体变异后就变成了基因110,而二进制位上的变异是指每一次只在一位上进行取反操作.3.2.2基于偏差度的权重更新为了实现权重的动态优化,提出一种基于偏差度更新的权重确定方法.本文按下式计算专家的权重:λk=ϕαk+(1−ϕ)βk(10)其中,αk是专家的主观权重,βk是专家的客观权重.ϕ(0≤ϕ≤1)表示专家权重中对主观权重和客观权重的偏好程度,特别地,ϕ=1表示只考虑主观权重,ϕ=0表示只考虑客观权重,通过ϕ可以根据具体情形灵活地调整主观权重和客观权重的比例.群决策的结果应体现专家的共同意愿,因此可根据专家个体决策结果与群体决策结果的偏差来计算专家的客观权重,定义第k个专家与群体决策结果的偏差为r k=nj=1(u kj−g j)2,k=1,2,···,s(11)偏差越小,表明该专家的决策越接近共同意愿,应增大专家权重;相反,要减小专家权重.因此,基于偏差度每位专家的权重重新计算为λi+1k=λik+∆λc,r ik<qr igλi+1k=λik−∆λd,r ik>r ig(12)1012自动化学报44卷其中,c和d分别是做出正确决策和错误决策的专家人数,∆λ为权威调整系数,通常由专家经验给出,此系数不宜过大,在本文中主要依据历史数据在给定的范围(0.02,0.1)内训练寻优得出.3.3基于群决策的故障诊断流程本文将群决策方法应用到道岔控制电路的故障诊断结果的综合判断,设共有3位专家:模糊字典、神经网络、支持向量机,则每位专家的主观权重由遗传算法进行确定,并以此作为专家的初始权重,专家的客观权重根据专家个体决策结果与群体决策结果的偏差来计算,并通过客观权重对专家权重进行动态调整.具体算法步骤如下:步骤1.根据上述假设,首先利用遗传算法给定3位专家的初始权重,并给出相关参数;步骤2.利用三种单一故障诊断方法分别对新故障样本进行诊断,得到3组结果,对应式(7)中的U k;步骤3.利用式(6)综合计算出群体决策结果G,对应道岔控制电路故障的最终诊断结果;步骤4.依据此次故障诊断结果G及每组故障诊断结果U k,通过式(10)∼(12)更新专家权重,供下次使用;步骤5.剩余待诊断数是否为0,是则结束,否则跳转到步骤2.4仿真实验为验证本文方法的可行性,选取基于Simulink 仿真的ZDJ9道岔控制电路的实验数据1100个,每100个为一组,共11组,记为Y0,Y1,Y2,···,Y10进行实验.1)分别运用基于模糊字典法、BP神经网络、支持向量机三种单一的诊断模型进行训练,最后用55组数据作为测试集对该故障诊断模型进行测试.2)将三种单一诊断方法的评价结果输入到基于群决策的故障诊断的模型中进行训练.最后将与前面相同的55组独立数据作为测试集对故障诊断模型进行测试.试验方法中用到的参数设定如下:遗传算法中设定种群个数为20,迭代次数为15,交叉概率为0.4,变异概率为0.03.利用三种单一诊断方法确定的诊断结果如图5∼7所示.从图5可以看出,对于单一的诊断方法,模糊字典法中对第5种和第6种故障出现了错误的故障分类;BP神经网络将正常的2个样本诊断为了故障,误报率较高;支持向量机在第9种故障的诊断中出现错误分类.此三种诊断方法均在一定程度上出现了错分和误分的情况,为道岔控制电路的诊断带来了一定的风险性和不确定性.图5基于模糊字典法的故障诊断测试结果Fig.5Fault diagnosis test results based on fuzzydictionarymethod图6基于BP神经网络的故障诊断测试结果Fig.6Fault diagnosis test results based on BPneuralnetwork图7基于支持向量机的故障诊断测试结果Fig.7Fault diagnosis test results based on SVM。

基于PLSA和SVM的道岔故障特征提取与诊断方法研究

(1.北京交通大学电子信息工程学院,北京 100044;2.北京交通大学轨道交通控制与安全国家重点实验室,北京 100044)
摘要:铁路局和电务段长期以来保留的道岔故障记录是非常宝贵的数据,对道岔故障类型统计、故障特征分析、故障诊断和故障预测有非常好的参考作用,但这些数据往往保存格式多样,难以直接利用。本文提出基于主题模型 PLSA 和支持向量机 SVM 的道岔设备故障特征提取与诊断方法。通过分词算法将故障文档表达在词项特征空间中;采用主题模型算法提取主题特征,并将故障文档表达在主题特征空间上;以 SVM 算法构造诊断器实现道岔设备的故障诊断。利用中国铁路广州局集团有限公司道岔故障记录的真实数据,对提出的算法有效性进行验证。实验表明 ,提出的算法能有效实现道岔设备故障诊断 ,对现场维护有一定的指导意义。关键词 :主题模型 ;支持向量机 ;道岔故障 ;特征提取 ;故障诊断中图分类号:U216.42 文献标志码:A doi:10.3969/ji.ssn.1001-8360.2018.07.012
铁路道岔是铁路系统重要的线路连接设备,包括道岔和道岔转换设备。道岔转换装置,一是根据行车需要,按照联锁技术条件将分叉线路开通在需要的位
收稿日期 :2017-10-30;修回日期 :2017-11-14 基金项目:中国铁路广州局集团有限公司科技研究开发项目计划

基于LS-SVM的电路故障预测方法(开题报告样板)

毕业论文﹙设计﹚开题报告题目基于LS-SVM的电力电子电路故障预测分析学生姓名学号所在院(系) 电气工程学院专业班级指导教师2012年月日题目基于LS-SVM的电力电子电路故障预测分析一、选题的目的及研究意义针对现有电力电子电路故障预测技术的不足，提出将电路特征性能参数和最小二乘支持向量机( least squares support vector machine，LS-SVM) 预测算法结合，对电力电子电路进行故障预测。

以Buck电路为例，选择电路输出电压作为监测信号，提取输出电压平均值及纹波值作为电路特征性能参数，并利用LS-SVM 回归算法实现故障预测，实现电力电子电路的故障预测。

随着新型飞机的研制开发及其安全性、可靠性要求的不断提高，作为提高飞机安全性的有效手段，以及促进现有飞机维修保障技术的智能化发展，飞机健康预报与管理技术已经得到国内外越来越多的重视关注[1-2]。

飞机电源系统故障预测[3]是飞机健康管理系统的重要组成部分，而飞机电源系统故障预测的关键在于对电力电子电路的故障预测，因此对电力电子电路故障预测关键技术研究具有十分重要的理论意义和应用前景。

由此，面向电力电子电路级故障预测，本文提出了基于最小二乘支持向量机( least squares support vector machine，LS-SVM) 的电力电子电路故障预测新方法，其基本思想为: 优选电路级故障特征性能参数，利用LS-SVM回归算法预测所选特征性能参数，实现电力电子电路的故障预测。

二、综述与本课题相关领域的研究现状、发展趋势、研究方法及应用领域等1、电力电子电路故障诊断特点：电力电子电路的实际运行表明，大多数故障表现为功率开器件的损坏，即晶闸管的损坏，其中以功率开关器件的开路和直通最为常见，属于硬故障。

但是，电力电子电路的故障诊断与一般的模拟电路、数字电路的故障诊断还有一个重要的差别：故障信息仅存在于发生故障到停电之前的数毫秒到数十毫秒之间，因此，需要实时监视、在线诊断。

基于IPSO-LS-SVM的异步电动机转子故障诊断

基于IPSO-LS-SVM的异步电动机转子故障诊断
王强;王莉;李伟伟
【期刊名称】《测控技术》
【年(卷),期】2017(036)005
【摘要】针对异步电动机转子的故障诊断问题,为了提高诊断精度和诊断效率,提出基于混合核函数的最小二乘支持向量机与改进的粒子群算法相结合(IPSO-LS-SVM)的故障诊断方法.首先对PSO的惯性权值策略进行研究,给出一种非线性递减惯性权值策略,然后利用改进后的PSO优化基于混合核函数的LS-SVM,最后,应用改进算法完成转子的故障诊断.结果表明,改进算法通过较少的迭代次数即寻找到最优参数,克服了陷入局部极小值的缺陷,诊断效率和诊断精度都得到了提升.
【总页数】5页(P37-41)
【作者】王强;王莉;李伟伟
【作者单位】空军工程大学防空反导学院,陕西西安710051;空军工程大学防空反导学院,陕西西安710051;空军工程大学防空反导学院,陕西西安710051
【正文语种】中文
【中图分类】TM935
【相关文献】
1.基于数学形态学的笼型异步电动机转子断条故障诊断 [J], 许允之;张晓春;高翔;王香婷;徐书杰
2.基于随机森林的异步电动机转子断条故障诊断 [J], 史干东;吴文军;张玉鸿;史丽
萍
3.基于高频信号注入的异步电动机转子故障诊断方法研究 [J], 孟凡宇;姚奇
4.基于定子电流信号和噪声信号的异步电动机转子断条故障诊断∗ [J], 魏闻达;陈德智;侯新贵;胡苏筠;胡文明;张栋
5.基于小波分析的异步电动机转子断条故障诊断研究 [J], 王昌吉;许允之
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)。

州
交
通
大
学
学
报
Ｖｏ．９Ｎｏ４Ｉ２．Ａｕ．００ｇ２１
２１００年８月文章编号：０１４７（０００－０１０１０ —３３２１）４００ —５
ＪｕｎｌｆａｚｏｉｏｏｇＵｎｖｒｉｏｒａｎｈｕｊａｔｎｉｅｓｔｏＬｙ
假设训练样本集为（，１，ｘ，２，，，Ｙ）（２Ｙ）… （Ｙ）其中： ∈ １，五，ｉ一１２ … ，对于两类的分类，，．问题，｛１１，一１２ … ，．Ｙ ∈ 一，）ｉ，，ｚ支持向量机分类
把式（）Ｗｂ毫和ａ求偏导数，３对，，并令它们等
ｍｉＪ（一百Ｔｎｗ，１
十
是由ＶＮＶｐｉ于９年代为解决模式识别问题．．ａｎｋＯ提出的一种机器学习方法［，重研究小样本情况１着］
下的统计学习规律．小二乘支持向量机（ｅｓ最Ｌａｔ
不等式约束，且将误差的二范数作为优化目标的损失函数，标准Ｓ把ＶＭ中解二次规划问题转化为求解线性方程组问题［－］ｎｌ．ｚ
ｍｉｎ，一１Ｔ
情况进行了统计分析，可见，道岔故障及提速道岔故
障在铁路设备正常运行中起着决定性的作用．因此，快速准确的故障诊断成为亟待解决的问题［。１．。ｓｔ弘［Ｔ（＋一１．．ｗ五）＋￡一０ｉ１２…，Ｊ，一，，ｚ．本文提出了基于ＡＲＳＡｔａｔｅａｄＲｅＰＯ（ｔｃｉｎ — ｒｖ
ＳｕｒｓＳｐｏｔＶｅｔｒＭａｈｎ，ＳｑａｅｕｐｒｃｏｃｉｅＬ ⅥⅥ）在支是
１ ∑毫ｃ
（）１
ＳｔＹ［（＋一１．．ｚ）＋毫≥ Ｏｉ１２ …，，一，，ｚ
其中：ｗ为两向量之间的内积；误差；毒为Ｃ为可调
且消除Ｗ，毛后，（）化为式４简
Ｌ —Ｉ［Ｑ（ｊ］Ｌｙ＋ＪＪＪＬａ６
‘ 为单位矩阵；＝［１口，］； ’ ＝ａ，２…，＝
一
种基于Ｌ —ＶＭ的道岔控制电路故障诊断ＳＳ
王思明，雷烨
７０７）３００
（兰州交通大学自动化与电气工程学院，甘肃兰州
摘
要：对最小二乘支持向量机最优参数难以寻找的问题，出了用ＡＰＯ算法优化最小二乘支持向量机可调针提ＲＳ
参数的方法，并将该方法应用于道岔控制电路的故障诊断中．ＲＰＯ算法在保证种群多样性的同时，免了基本ＡＳ避ＰＯ算法过早收敛的问题，Ｓ能更高的提高算法效率．真证明ＡＲＳ算法比基本ＰＯ算法具有更高的收敛速度仿ＰＯＳ和效率，于ＡＲＳ基ＰＯ最小二乘支持向量机的分类方法比最小二乘支持向量机分类方法具有更高的分类准确度．
（）２
ｗ丢耋；＋ｃｇ
ｐｌｉｅａｔｌＳｒＯｐｉｚｒＡＲＳ最小二ｕｓｒｉｅｗａｍｔｅ，ＰＯ）ｖＰｃｍｉ
乘支持向量机的道岔控制电路的故障诊断方法，并将该方法应用于道岔控制电路的故障诊断中．
为求解这个问题优化问题，引人拉格朗日函数：
持向量机基础上针对两分类问题提出的分类方
法［，２被广泛应用于模式识别［、］引函数拟合［等领］域．随着优化算法的研究，大量学者将优化算法应用到ＩＳＩＶ参数的优化中，包括遗传算法［、５蚁群］算法Ｌ、６粒子群算法［］］７等．－８
于零，得
收稿日期：０９０ —８２０ —７０
作者简介：王思明（９４）男，１６一，山东鱼台人，教授
２
兰
州交
通
大
学
学
报
第２９卷
一
。一ｗ一
ｙ
蔫。耋一一一。
８Ｌ
．
（）４
：＝＝
０一口 —
ｅｉ
８Ｌ
—
Ｏ－ｗ￣ｚ）３－ｙＶＴ（＋ｂ一ｌ￣＋毫一０
关键词：最小二乘支持向量机；ＰＯ；ＡＲＳ故障诊断；道岔控制电路中图分类号：２６３ＴＰ０＋．文献标志码：Ａ
支持向量机（ｕｐｒＶｅｔｒＭａｈｎ，ＶＭ）ＳｐｏｔｃｏｃｉｅＳ
算法的原始形式可归结为下列二次规划问题：
Ｌｗ６，一Ｊｗ０一∑ （ＥＴ（）（，ｅ）（，，口ｗ￣＋ｏ＝
一
１最小二乘支持向量机故障分类器
１１最小二乘支持向量机．
１￡：１Ｔ＋ｃ一∑ ＋），告 ∑ｇ．，（［
（）３
（＋５ —１））３＋￡
其中： ≥ ０ｉ１２… ，为Ｉｇａｇ，一，，ｚ．ｒｎｅ乘子．ａ
文献Ｅ－京广线株洲至衡阳段间ＺＪ钩９］对Ｙ７型式外锁型提速道岔在２００２年至２０出现的故障０４年
参数，它控制对超出误差样本的惩罚程度；，为决＇ｂＨ．，函数）（）中的权向量和阈值．一ｚ＋６与标准ＳＶＭ相比，Ｓ— ＶＭ用等式约束代替ＬＳ