陈 义，郭香蓉，王世峰

（1.湖南工业职业技术学院汽车工程学院，湖南长沙 410208；2.长沙理工大学电气与信息工程学院，湖南长沙 410004）

0 引言

电机故障可能由多种故障机制引起，其中电机结构与运行状态等参数对其诊断有显著影响。传统电机故障诊断基于单一参数、单一特征，并且由于环境等因素，存在很大不确定性，难以满足灵敏度和准确度的要求［1-4］。

近年来，人工神经网络、模糊数学、聚类原理和灰色系统理论被用于电机故障诊断［5-6］。Vapnik 在1995 年基于统计学理论中的VC 维理论与结构风险最小原理，提出支持向量机（SVM）理论，该理论已成为机器学习领域研究重点，且应用广泛［7-8］；Suykens 等［9-10］提出的最小二乘支持向量机（LS-SVM）训练简单且收敛快，但在实际应用过程中，矩阵需要进行求逆运算，很难将其应用于高维问题。可采用粒子群优化算法求解高维线性方程组，从而避免矩阵求逆。

本文在粒子群优化算法、LS-SVM 基础上，提出一种基于改进粒子群优化算法的多类LS-SVM 电机故障识别算法，利用该算法对800 组数据进行处理，并与采用标准粒子群优化算法的LS-SVM 进行比较，证明该算法有效性。

1 算法改进

1.1 改进粒子群算法

Kennedy 等［11］对自然界鸟群捕食行为进行研究，提出粒子群优化算法（Particle Swarm Optimization，PSO），即基于当前最优粒子在解空间中搜索粒子，种群中的个体以合作和信息共享的方式搜索最优解，粒子位置表示问题空间的1 个基本解。算法描述如下：

在N维空间中有m个粒子，设xi=(xi1,xi2,…,xin)表示第i个粒子的位置，vi=(vi1,vi2,…,vin)表示第i个粒子的当前速度；……