基于智能优化方法的SVM电机故障诊断模型研究
2016-05-09赵慧敏房才华邓武聂冰大连交通大学软件学院辽宁大连116028
大连交通大学学报 2016年1期
赵慧敏,房才华,邓武,聂冰(大连交通大学软件学院,辽宁大连116028)*
基于智能优化方法的SVM电机故障诊断模型研究
赵慧敏,房才华,邓武,聂冰
(大连交通大学软件学院,辽宁大连116028)*
为提高电机故障诊断的准确率和有效性,提出了基于智能优化算法的支持向量机电机故障诊断模型.首先采集交流电机不同位置上的振动加速度信号,使用小波包分析方法对所采集的振动加速度信号进行特征提取,将得到的能量比向量作为支持向量机故障诊断模型的输入,使用遗传算法、粒子群优化算法对支持向量机故障诊断模型进行参数优化并进行模型训练,在使用测试样本集对得到的两种故障诊断模型进行分析之后可以看出经过参数优化后的支持向量机模型提高了故障预测的准确率,并且粒子群优化方法具有比遗传算法更高的预测准确率,并极大地减小了优化时间及优化次数.
支持向量机;粒子群优化算法;遗传算法;电机故障诊断
0 引言
随着现代测试技术、信号处理技术、人工智能技术、特别是知识工程、专家系统等的飞速发展,电机故障诊断技术取得了很大的进展,出现了以模糊推理[1]、神经网络[2]、灰色预测[3]、遗传算法[4]、小波分析[5]、支持向量机( Support Vector Machine,SVM)[6]等为基础的智能故障诊断技术.在这些方法中,支持向量机因其在解决小样本、非线性问题上的优越性,近年来在故障诊断领域得到了较为广泛的应用.但在实际应用中发现,支持向量机模型……
登录APP查看全文
