發(fā)布時間：2018-06-14 13:42

  本文選題：支持向量機(jī) + 粒子群優(yōu)化算法　； 參考：《大連交通大學(xué)學(xué)報》2016年01期

【摘要】：為提高電機(jī)故障診斷的準(zhǔn)確率和有效性,提出了基于智能優(yōu)化算法的支持向量機(jī)電機(jī)故障診斷模型.首先采集交流電機(jī)不同位置上的振動加速度信號,使用小波包分析方法對所采集的振動加速度信號進(jìn)行特征提取,將得到的能量比向量作為支持向量機(jī)故障診斷模型的輸入,使用遺傳算法、粒子群優(yōu)化算法對支持向量機(jī)故障診斷模型進(jìn)行參數(shù)優(yōu)化并進(jìn)行模型訓(xùn)練,在使用測試樣本集對得到的兩種故障診斷模型進(jìn)行分析之后可以看出經(jīng)過參數(shù)優(yōu)化后的支持向量機(jī)模型提高了故障預(yù)測的準(zhǔn)確率,并且粒子群優(yōu)化方法具有比遺傳算法更高的預(yù)測準(zhǔn)確率,并極大地減小了優(yōu)化時間及優(yōu)化次數(shù).
[Abstract]:In order to improve the accuracy and effectiveness of motor fault diagnosis, a support vector electromechanical fault diagnosis model based on intelligent optimization algorithm is proposed. Firstly, the vibration acceleration signals at different positions of AC motor are collected, and the vibration acceleration signals are extracted by wavelet packet analysis method, and the energy ratio vector is used as the input of the fault diagnosis model of support vector machine. The genetic algorithm and particle swarm optimization algorithm are used to optimize the parameters and train the support vector machine fault diagnosis model. After analyzing the two kinds of fault diagnosis models obtained by using the test sample set, we can see that the support vector machine model after parameter optimization improves the accuracy of fault prediction. Particle swarm optimization has higher prediction accuracy than genetic algorithm and greatly reduces the optimization time and times.
【作者單位】： 大連交通大學(xué)軟件學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(51475065) 人工智能四川省重點(diǎn)實(shí)驗(yàn)室基金資助項(xiàng)目(2014RYJ01) 過程裝備與控制工程四川省高校重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目(2014RYJ01)
【分類號】：TP181;TM307.1

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 陳興輝;基于小波與支持向量機(jī)的滾動軸承故障診斷[D];太原理工大學(xué);2006年

【共引文獻(xiàn)】

相關(guān)期刊論文 前2條

1 王淑芳;于芙蓉;;LS-SVM在煙氣輪機(jī)振動故障診斷中的應(yīng)用研究[J];北京石油化工學(xué)院學(xué)報;2012年02期

2 王淑芳;;V參數(shù)SVM在煙氣輪機(jī)故障診斷中的應(yīng)用[J];現(xiàn)代電子技術(shù);2012年05期

相關(guān)博士學(xué)位論文 前1條

1 肖金壯;機(jī)器人故障探測診斷與容錯控制及實(shí)驗(yàn)研究[D];燕山大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 曾傳華;基于顏色和紋理特征的竹條分級方法研究[D];華中農(nóng)業(yè)大學(xué);2010年

2 李健寶;基于非平穩(wěn)信號處理的滾動軸承智能故障診斷方法研究[D];湖南工業(yè)大學(xué);2010年

3 王磊;航空發(fā)動機(jī)燃調(diào)系統(tǒng)故障診斷[D];上海交通大學(xué);2012年

4 田英;滾動軸承內(nèi)圈故障劣化狀態(tài)辨識的研究[D];太原理工大學(xué);2008年

5 孟東東;基于虛擬儀器的采煤機(jī)故障診斷系統(tǒng)的研究[D];安徽理工大學(xué);2009年

6 于芙蓉;基于支持向量機(jī)的煙氣輪機(jī)故障診斷研究[D];北京化工大學(xué);2009年

7 張?zhí)?基于基座多傳感器信息融合的轉(zhuǎn)子裂紋故障診斷[D];湖南科技大學(xué);2010年

8 李秋瑞;基于近鄰函數(shù)準(zhǔn)則與支持向量機(jī)的滾動軸承故障診斷研究[D];電子科技大學(xué);2010年

9 王剛;基于支持向量機(jī)的滾動軸承故障智能診斷研究[D];沈陽工業(yè)大學(xué);2013年

10 隆軍;1.5MW風(fēng)力發(fā)電機(jī)組傳動系統(tǒng)故障診斷[D];新疆大學(xué);2013年

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王悅;人工神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)效益綜合評價中的應(yīng)用[J];北京廣播電視大學(xué)學(xué)報;2002年03期

2 姜萬錄，孔祥東，，王益群;系統(tǒng)故障檢測與診斷技術(shù)的研究動態(tài)[J];燕山大學(xué)學(xué)報;1999年02期

3 周東華,席裕庚,張鐘俊;故障檢測與診斷技術(shù)[J];控制理論與應(yīng)用;1991年01期

4 張學(xué)工;關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J];自動化學(xué)報;2000年01期

5 李曉峰,劉光中;人工神經(jīng)網(wǎng)絡(luò)BP算法的改進(jìn)及其應(yīng)用[J];四川大學(xué)學(xué)報(工程科學(xué)版);2000年02期

6 戴悟僧,朱常青,吳小滔,洪曉歐;連續(xù)小波變換在機(jī)械故障定位檢測中的應(yīng)用[J];上海第二工業(yè)大學(xué)學(xué)報;1997年01期

7 高良麗,鐘建軍,邢怡文;電機(jī)機(jī)械故障特性和診斷方法研究[J];沈陽工業(yè)大學(xué)學(xué)報;2002年01期

8 劉剛,屈梁生;機(jī)械信號連續(xù)小波系數(shù)的統(tǒng)計(jì)特征研究[J];西安交通大學(xué)學(xué)報;2002年03期

9 趙紀(jì)元,何正嘉,孟慶豐,盧秉恒;小波包模糊聚類網(wǎng)絡(luò)研究及應(yīng)用[J];西安交通大學(xué)學(xué)報;1998年02期

10 吳勉,邵惠鶴;基于時頻分析與神經(jīng)網(wǎng)絡(luò)的實(shí)時智能故障診斷系統(tǒng)的軟件設(shè)計(jì)——總體構(gòu)架與實(shí)時數(shù)據(jù)采集功能的開發(fā)[J];系統(tǒng)仿真學(xué)報;2001年S1期

相關(guān)博士學(xué)位論文 前1條

1 魏云冰;小波變換在電機(jī)故障診斷與測試中的應(yīng)用研究[D];浙江大學(xué);2002年

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃允凱,梁國棟,王劉芳,李偉,馬宏忠,胡虔生;利用時頻信息進(jìn)行電機(jī)故障診斷[J];大電機(jī)技術(shù);2002年02期

2 王智堂;電機(jī)故障診斷探討[J];設(shè)備管理與維修;2005年07期

3 陳理淵,黃進(jìn);電機(jī)故障診斷的多傳感器數(shù)據(jù)融合方法[J];電力系統(tǒng)及其自動化學(xué)報;2005年01期

4 付茂生;;電機(jī)故障診斷探討[J];電站系統(tǒng)工程;2006年06期

5 葉銀忠;朱建山;;電機(jī)故障診斷實(shí)驗(yàn)系統(tǒng)的開發(fā)[J];控制工程;2007年S3期

6 周潯;任銳;;基于模糊理論的多傳感器信息融合技術(shù)在電機(jī)故障診斷中的應(yīng)用[J];車輛與動力技術(shù);2008年04期

7 孫向作;潘宏俠;;基于多傳感器數(shù)據(jù)融合的電機(jī)故障診斷[J];微計(jì)算機(jī)信息;2008年25期

8 魏偉;王琳;;電機(jī)故障診斷技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J];微電機(jī);2009年10期

9 王海銘;;狀態(tài)檢測與故障診斷技術(shù)在大型電機(jī)故障診斷中的應(yīng)用[J];機(jī)電信息;2011年18期

10 黃河;;電機(jī)故障診斷的仿真研究[J];計(jì)算機(jī)仿真;2011年09期

相關(guān)會議論文 前6條

1 張松濤;上官璇峰;田小濤;;基于證據(jù)理論的電機(jī)故障診斷研究[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（3）[C];2008年

2 曹建偉;;電流診斷法在電機(jī)故障診斷中的應(yīng)用[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)會議論文集[C];2000年

3 馮輔周;郭恒毅;江鵬程;;支持向量機(jī)及其在電機(jī)故障診斷中的應(yīng)用[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集[C];2007年

4 馮輔周;郭恒毅;江鵬程;;支持向量機(jī)及其在電機(jī)故障診斷中的應(yīng)用[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文摘要集[C];2007年

5 林秀全;;振動測量分析在電機(jī)故障診斷中應(yīng)用[A];第十屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集（2011）上冊[C];2011年

6 趙茜;武玉才;馮文宗;;基于變尺度混沌聚類和特征融合的發(fā)電機(jī)故障診斷[A];2013年中國電機(jī)工程學(xué)會年會論文集[C];2013年

相關(guān)博士學(xué)位論文 前1條

1 陳理淵;多傳感器數(shù)據(jù)融合及其在電機(jī)故障診斷中的應(yīng)用研究[D];浙江大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 高媛媛;多源信息融合技術(shù)在電機(jī)故障診斷中的應(yīng)用研究[D];沈陽工業(yè)大學(xué);2009年

2 李曉華;基于小波分析和支持向量機(jī)的電機(jī)故障診斷研究[D];中北大學(xué);2010年

3 朱文;基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的電機(jī)故障診斷研究[D];天津科技大學(xué);2002年

4 田慕玲;基于小波分析的異步電機(jī)故障診斷[D];太原理工大學(xué);2006年

5 張?jiān)?多傳感器信息融合技術(shù)在電機(jī)故障診斷中的應(yīng)用研究[D];蘭州理工大學(xué);2014年

6 劉亞軍;基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷研究[D];中北大學(xué);2009年

7 劉冬生;基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷系統(tǒng)研究[D];天津理工大學(xué);2009年

8 李海;基于EMD和特征融合的電機(jī)故障診斷[D];浙江大學(xué);2013年

9 梁國榮;基于噪聲源估計(jì)的電機(jī)故障診斷研究[D];廣東工業(yè)大學(xué);2013年

10 楊博;基于ARM的嵌入式電機(jī)故障診斷系統(tǒng)[D];東華大學(xué);2010年

本文編號：2017588