APP下载

量子粒子群优化算法在异步电机转子机械故障诊断中的应用*

2016-05-12段志梅程加堂红河学院工学院云南蒙自661199

电机与控制应用 2016年3期
关键词:故障诊断

段志梅,程加堂(红河学院工学院,云南蒙自 661199)



量子粒子群优化算法在异步电机转子机械故障诊断中的应用*

段志梅,程加堂
(红河学院工学院,云南蒙自661199)

摘要:为了提高异步电机转子机械故障诊断的准确性,引入了一种基于量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。以转子机械故障为研究对象,利用量子粒子群算法(QPSO)来优化BP网络的权、阈值参数,并最终实现了转子机械故障诊断模型的构建。仿真实例表明,基于QPSO-BP的故障诊断方法,能有效识别异步电机的转子机械故障类型,较粒子群优化BP网络算法(PSO-BP)具有更高的诊断准确率。

关键词:量子粒子群优化算法;神经网络;异步电机;故障诊断

程加堂(1976—),男,硕士,副教授,研究方向为复杂系统建模、信息融合技术。

0 引言

异步电机是一种广泛使用的动力设备,对其进行可靠的故障诊断,可以保证生产过程的安全高效[1]。然而,鉴于异步电机在发生转子机械故障时,所采集的振动信号具有较强的非线性[2],因此,采用传统的故障诊断方法无法获得较满意的诊断效果。

人工神经网络具有强大的非线性映射能力,已广泛应用于故障诊断等领域[3-4],但其往往存在易陷入局部极小等缺陷。粒子群优化算法(Particle Swarm Optimization,PSO)简单易行、易于实现,并成功用于神经网络的参数优化中[5],只是仍易遭受早熟收敛的困扰[6]。近年来,将量子计算(Quantum Computation,QC)与PSO算法结合起来,组成一种量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)[7],已成为一个崭新的研究方向,并在城市电动汽车充电站优化布局以及风电功率预测等领域[8-9]获得了应用。……

登录APP查看全文

猜你喜欢

故障诊断
基于包络解调原理的低转速滚动轴承故障诊断
ILWT-EEMD数据处理的ELM滚动轴承故障诊断
冻干机常见故障诊断与维修
基于EWT-SVDP的旋转机械故障诊断
数控机床电气系统的故障诊断与维修
基于改进的G-SVS LMS 与冗余提升小波的滚动轴承故障诊断
改进的奇异值分解在轴承故障诊断中的应用
基于LCD和排列熵的滚动轴承故障诊断
基于KPCA和PSOSVM的异步电机故障诊断
基于WPD-HHT的滚动轴承故障诊断