收藏本站
《兰州交通大学》 2010年
收藏 | 手机打开
二维码
手机客户端打开本文

基于粒子群最小二乘支持向量机的故障诊断算法研究

雷烨  
【摘要】: For the problems of neural network for fault diagnosis, a method of fault diagnosis based on least squares support vector machines is researched. On the basis of this method, the least squares support vector machines fault diagnosis method based on particle swarm optimization is studied deeply.And then, this method is applied to the fault diagnosis of railway switch control circuit. The thesis focuses on the following aspects: First, a method of fault diagnosis based on neural network is researched. First of all,the neural network structure and learning algorithm are selected according to experience. And then the fault information date is used for training neural network. The neural network will achieve a certain degree of accuracy.The inputting fault date is classed by the trained neural network and the function of fault diagnosis can complete. Simulation result shows that the trained neural network can achieve high rate for fault diagnosis. But the inherent shortcomings of neural network make the fault diagnosis result unsatisfactory. Second, a method of fault diagnosis based on least squares support vector machines is researched. Least squares support vector machines is a machine learning method which based on structural risk minimization principle. It can solve the problem which emerged in neural network fault diagnosis better. By building the multi-class fault classifier, the least squares support vector machines can classify the inputting feature vector, determine the fault types and complete the function of fault diagnosis.The simulation result show that least squares support vector machines is better than neural network for fault diagnosis in fault recognition accuracy and anti-disturbance ability. Third, a method of fault diagnosis based on particle swarm optimization least squares support vector machines is researched. The two adjustable parameters of least squares support vector machines play an important role in fault diagnosis. The effects of finding optimal parameter combination through a lot of experiments are unsatisfied. On the basis of further analysis and many simulation studies for particle swarm optimization algorithm, the improved particle swarm optimization algorithm are applied to optimize the parameter combination of least squares support vector machines.The optimal parameter combination will be found by particle swarm optimization algorithm which makes the least squares support vector machines to achieve higher classification accuracy. A large number of simulations show that the classification accuracy rate of fault diagnosis based on particle swarm optimization least squares support vector machines algorithm has improved significantly. Four, particle swarm optimization least squares support vector machines is applied to the fault diagnosis of railway switch, control circuit. Based on the introduction of working principle of switch control circuit, take the fault diagnosis of five-wire high speed switch control circuit as an example.The attractive and repulsive particle swarm optimization is used for optimizing the parameter of least squares support vector machines and diagnosing the fault of railway switch control circuit. The result is satisfactory. The theoretical study and a large number of simulations prove that the method of the least squares support vector machines based on particle swarm optimization algorithm show a higher fault recognition accuracy in fault diagnose than other methods. It proves the effectiveness and superiority of this method.
【学位授予单位】:兰州交通大学
【学位级别】:硕士
【学位授予年份】:2010
【分类号】:TP18

【引证文献】
中国期刊全文数据库 前2条
1 徐甜丽;;基于粒子群算法的轨道电路补偿电容故障诊断方法[J];软件;2014年01期
2 罗建华;邹渝;王远立;周泽云;;战时装备调配保障需求预测方法研究[J];装备学院学报;2012年06期
中国硕士学位论文全文数据库 前6条
1 程贵良;便携式直流四/六线制转辙机智能测试仪的研究[D];兰州交通大学;2017年
2 李明浩;长距离输油管道泄漏检测与定位方法研究[D];大连理工大学;2017年
3 陈欣;基于改进PSO-SVM的无绝缘轨道电路故障诊断研究[D];西南交通大学;2016年
4 徐甜丽;基于改进粒子群算法的轨道电路故障诊断方法研究[D];兰州交通大学;2014年
5 蔡蕊;基于人工蜂群算法和LSSVM的风机齿轮箱故障诊断[D];华北电力大学;2014年
6 高凯;基于支持向量机的煤自燃预测方法研究[D];西安科技大学;2012年
【参考文献】
中国期刊全文数据库 前10条
1 雷烨;姜子运;;基于最小二乘支持向量机的机车轴承故障诊断[J];电气传动自动化;2009年06期
2 吴震宇;袁惠群;;蚁群支持向量机在内燃机故障诊断中的应用研究[J];振动与冲击;2009年03期
3 魏晓宾;马小平;李亚朋;;故障诊断技术综述[J];煤矿机电;2009年01期
4 王玉雷;潘宏侠;赵宝利;;RBF网络在发动机故障诊断中的应用[J];微计算机信息;2009年01期
5 刘昌平;范明钰;王光卫;马素丽;;基于梯度算法的支持向量机参数优化方法[J];控制与决策;2008年11期
6 刘秀芝;张开如;;神经网络BP算法在电机故障诊断中的应用[J];微计算机信息;2008年13期
7 王维博;林川;郑永康;;粒子群算法中参数的实验与分析[J];西华大学学报(自然科学版);2008年01期
8 王东;吴湘滨;;利用粒子群算法优化SVM分类器的超参数[J];计算机应用;2008年01期
9 郭大庆;李晓;赵永进;;基于改进PSO算法的PID参数自整定[J];计算机工程;2007年18期
10 苏旷宇;陈洪云;欧阳宏志;;提速道岔故障的人工智能诊断实现[J];微计算机信息;2007年22期
中国博士学位论文全文数据库 前2条
1 王德军;故障诊断与容错控制方法研究[D];吉林大学;2004年
2 覃光华;人工神经网络技术及其应用[D];四川大学;2003年
中国硕士学位论文全文数据库 前4条
1 黄鲁江;基于逆系统方法的非线性预测控制的研究[D];兰州交通大学;2009年
2 苏旷宇;基于神经网络和信息融合的模拟电路故障诊断方法研究[D];湖南大学;2007年
3 崔丽娜;铁路信号设备故障诊断专家系统知识获取与知识表示的研究[D];北京交通大学;2007年
4 冯爱伟;基于人工智能理论的异步电动机故障诊断研究[D];辽宁工程技术大学;2005年
【共引文献】
中国期刊全文数据库 前10条
1 王宁;孙丽萍;;改进PSO算法在中密度纤维板热压机压力PID控制优化中的应用[J];木材加工机械;2015年06期
2 胡俊;吴士力;;基于RBF神经网络的发动机怠速抖动故障诊断[J];交通节能与环保;2015年06期
3 魏峻;;一种有效的支持向量机参数优化算法[J];计算机技术与发展;2015年12期
4 杨凡;黄永青;宋洪儒;;改进的菌群趋药性算法优化PID控制参数[J];佳木斯大学学报(自然科学版);2015年06期
5 李璇;杨志刚;高静;李启良;;基于多岛遗传算法的汽车车身气动优化[J];计算机辅助工程;2015年04期
6 蔡超;周武能;;人工蜂群算法整定PID控制器参数[J];自动化仪表;2015年08期
7 何学明;苗燕楠;罗再磊;;基于教与学优化算法的PID控制器参数寻优[J];计算机工程;2015年08期
8 胡甜甜;;星载伞状可展开天线设计、仿真及优化[J];航空计算技术;2015年04期
9 陈二恒;贺德强;刘建仁;向伟彬;周继续;;基于小波包和贝叶斯分类的机车走行部滚动轴承故障诊断研究[J];铁道科学与工程学报;2015年03期
10 王石磊;陆慧娟;关伟;余翠;;一种粒子群RELM的基因表达数据分类方法[J];中国计量学院学报;2015年02期
中国博士学位论文全文数据库 前10条
1 陈怀成;干湿循环—盐结晶转化为应力的海洋环境混凝土强度预测[D];东南大学;2018年
2 陈小威;光电系统选址中的关键大气光学参数测量与分析[D];中国科学技术大学;2018年
3 杨勇;基于重复学习的下肢外骨骼控制研究[D];西南交通大学;2017年
4 李焕哲;两阶段搜索的多峰优化算法研究[D];武汉大学;2017年
5 张学广;基于损伤理论的铝合金板料成形极限研究[D];吉林大学;2016年
6 王慧明;丁腈橡胶在原油介质中的溶胀老化及耐磨损性能研究[D];沈阳工业大学;2015年
7 黄峰;基于模板匹配的硬笔汉字书写质量评价方法研究[D];南京师范大学;2015年
8 韩玲;无级变速器电液控制系统关键技术研究[D];吉林大学;2015年
9 龙海辉;复杂航天器高精度容错姿态控制研究[D];上海交通大学;2015年
10 李乐尧;高超声速飞行器的故障诊断与容错控制技术研究[D];西北工业大学;2015年
中国硕士学位论文全文数据库 前10条
1 王刚;基于贝叶斯网络的计算机联锁系统故障诊断算法的研究[D];兰州交通大学;2018年
2 刘浩;基于关联规则的高铁列控车载设备故障诊断方法研究[D];北京交通大学;2018年
3 张晓;基于复模型的模拟滤波电路故障诊断[D];电子科技大学;2018年
4 马得银;基于决策树算法的电气集中电路故障诊断分析与研究[D];兰州交通大学;2017年
5 韩莉;基于LM-BP神经网络股票预测研究[D];东北农业大学;2016年
6 张旋;基于遗传算法优化BP神经网络的电机生产线故障诊断[D];合肥工业大学;2016年
7 田睿;基于信息融合的电厂设备故障诊断系统设计与实现[D];吉林大学;2015年
8 程楠;基于人工神经网络的电力SCADA系统的故障诊断[D];沈阳理工大学;2016年
9 张克峰;基于神经网络的微机监测系统故障诊断研究[D];兰州交通大学;2015年
10 李文伟;25MN快锻机液压故障诊断专家系统研究[D];西安建筑科技大学;2015年
【同被引文献】
中国期刊全文数据库 前7条
1 文琪琪;文福安;;虚拟实验指导系统的交互设计研究[J];软件;2013年08期
2 唐国纯;符传谊;;基于工作过程导向的网络开放式教育教学资源建设研究[J];软件;2013年06期
3 张天刚;张景安;康苏明;;基于模糊隶属度的人脸图像性别识别[J];软件;2012年08期
4 周克雄;王莉;鲁五一;;铁路轨道电路补偿电容故障定位的仿真研究[J];计算机仿真;2011年12期
5 张玮;;铁路电务检测车的开发及应用[J];铁路计算机应用;2009年03期
6 陈庆华;;战时装备损耗预测方法研究[J];装备指挥技术学院学报;2006年02期
7 张野鹏,孙卫东,李庆金,李晓齐;兵力损耗的二维随机游走模型[J];军事系统工程;1995年Z1期
中国硕士学位论文全文数据库 前10条
1 王福源;普速道岔控制设备智能故障诊断仪的研究[D];兰州交通大学;2016年
2 程宇佳;基于核方法的高速铁路道岔故障诊断[D];北京交通大学;2016年
3 陶玉凤;有轨电车信号系统轨旁控制器单相交流转辙机控制模块的研究[D];兰州交通大学;2015年
4 张锐;有轨电车信号系统轨旁控制器三相交流转辙机控制模块的研究[D];兰州交通大学;2015年
5 陆桥;基于灰关联的道岔故障诊断方法研究[D];北京交通大学;2015年
6 单振;基于嵌入式系统的便携式转辙机测试仪的研制[D];西安工程大学;2015年
7 张梦琪;基于车—地关联的轨道电路分路不良预测方法研究[D];北京交通大学;2015年
8 陈东;新型道岔控制电路研究及其可靠性安全性分析[D];兰州交通大学;2014年
9 徐甜丽;基于改进粒子群算法的轨道电路故障诊断方法研究[D];兰州交通大学;2014年
10 张菊;轨道电路系统的安全分析与安全预警研究[D];北京交通大学;2014年
【二级引证文献】
中国期刊全文数据库 前5条
1 唐汉香;刘宇畅;唐一超;;基于局部搜索的Memetic差分演化算法[J];软件;2015年10期
2 赵乃刚;;一种新的基于模拟退火的粒子群算法[J];软件;2015年07期
3 徐桓;孙瑜;;基于改进QPSO的单任务Agent联盟生成[J];软件;2015年02期
4 陈骁睿;;基于改进粒子群算法的机位分配问题研究[J];软件;2015年01期
5 洪蕾;;粒子群及人工鱼群算法优化研究[J];软件;2014年08期
中国硕士学位论文全文数据库 前10条
1 陶荣杰;基于NSGA2算法的ZPW2000A轨道电路维修策略优化研究[D];兰州交通大学;2018年
2 石彦刚;道岔控制电路智能分析仪[D];兰州交通大学;2018年
3 李云峰;混合粒子群算法优化支持向量机电路故障诊断[D];湖南大学;2018年
4 赵梦瑶;基于分布式全电子联锁的智能转辙机研究[D];中国铁道科学研究院;2018年
5 顾明亮;基于表面肌电信号的仿生机械手动作识别研究[D];上海电机学院;2018年
6 齐景峰;采空区遗煤自燃危险程度自动预测系统研究[D];西安科技大学;2017年
7 李群星;基于小波变换和支持向量机的齿轮箱故障诊断研究[D];吉林大学;2017年
8 孙茹雪;蚀变中基性火山岩储层ABC-CM最优化测井解释方法研究[D];吉林大学;2017年
9 魏嘉;大数据下风电机组齿轮箱故障诊断方法研究[D];华北电力大学;2017年
10 胡纯直;风机齿轮箱多故障诊断问题研究[D];浙江大学;2017年
【二级参考文献】
中国期刊全文数据库 前10条
1 饶泓;虞国全;胡倩如;;基于SVM的径向基网络故障诊断方法[J];微计算机信息;2008年04期
2 陈强;郑德玲;李湘萍;;基于人工免疫的故障诊断模型及其应用[J];北京科技大学学报;2007年10期
3 张伟;胡昌华;焦李成;薄列峰;;克隆规划-交叉验证参数优化的LSSVM及惯性器件预测[J];西安电子科技大学学报;2007年03期
4 周辉仁;郑丕谔;赵春秀;;基于遗传算法的LS-SVM参数优选及其在经济预测中的应用[J];计算机应用;2007年06期
5 陈果;;基于遗传算法的支持向量机分类器模型参数优化[J];机械科学与技术;2007年03期
6 丁福焰;张生玉;邵军;;基于神经网络的车辆轴承故障诊断技术[J];铁道车辆;2006年12期
7 杜京义;侯媛彬;;基于遗传算法的支持向量回归机参数选取[J];系统工程与电子技术;2006年09期
8 王晶;;蚁群算法优化前向神经网络的一种方法[J];计算机工程与应用;2006年25期
9 周红刚;杨春德;;基于免疫算法与支持向量机的异常检测方法[J];计算机应用;2006年09期
10 郭辉;刘贺平;王玲;;最小二乘支持向量机参数选择方法及其应用研究[J];系统仿真学报;2006年07期
中国博士学位论文全文数据库 前1条
1 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年
中国硕士学位论文全文数据库 前2条
1 赵群;非线性系统的模糊广义预测控制算法研究[D];兰州理工大学;2007年
2 贾小勐;基于神经网络的PH中和过程辨识及控制器设计[D];大连理工大学;2003年
【相似文献】
中国期刊全文数据库 前10条
1 李佳;马光文;杨忠伟;贺玉彬;陶春华;;基于粒子群最小二乘支持向量机的径流预测[J];人民长江;2012年S2期
2 张儒;叶向荣;王可;刘定平;;基于最小二乘支持向量机和粒子群法的水煤浆性能优化[J];洁净煤技术;2008年02期
3 项斌;;基于最小二乘支持向量机的轴承故障诊断研究[J];黑龙江科技信息;2010年32期
4 吴宗亮;窦衡;;一种广义最小二乘支持向量机算法及其应用[J];计算机应用;2009年03期
5 洪丽华;阎军显;;基于最小二乘支持向量机的生物质热值预测[J];可再生能源;2010年02期
6 顾燕萍;赵文杰;吴占松;;最小二乘支持向量机的算法研究[J];清华大学学报(自然科学版);2010年07期
7 韩立炜;李宗坤;王建有;;最小二乘支持向量机参数反演方法及其应用[J];水利水电科技进展;2009年01期
8 吴建;;基于最小二乘支持向量机的土壤含水量检测的研究与分析[J];电脑知识与技术;2008年27期
9 徐勇;张广辉;钱锋;;基于改进克隆选择算法的最小二乘支持向量机[J];华东理工大学学报(自然科学版);2008年05期
10 向小东;;最小二乘支持向量机的扩展及其在时间序列预测中的应用[J];中国工程科学;2008年11期
中国重要会议论文全文数据库 前10条
1 康传会;汪晓东;汪轲;常健丽;;基于最小二乘支持向量机的迟滞建模方法[A];第二十九届中国控制会议论文集[C];2010年
2 苏高利;秦钟;于强;;基于最小二乘支持向量机的农田水汽通量建模[A];首届长三角科技论坛——气象科技发展论坛论文集[C];2004年
3 宋海鹰;桂卫华;阳春华;;基于核偏最小二乘的简约最小二乘支持向量机及其应用研究[A];第二十六届中国控制会议论文集[C];2007年
4 苏高利;秦钟;于强;;基于最小二乘支持向量机的农田水汽通量建模[A];首届长三角气象科技论坛论文集[C];2004年
5 徐达;武新星;胡俊彪;郭磊;李华;;最小二乘支持向量机回归预测模型研究与实现[A];全国先进制造技术高层论坛暨第八届制造业自动化与信息化技术研讨会论文集[C];2009年
6 柳玉;曾德良;;基于最小二乘支持向量机和小波包变换的短期风速预测研究[A];2012电站自动化信息化学术和技术交流会议论文集[C];2012年
7 戴林超;吴琳丽;赵海娜;李训铭;;基于最小二乘支持向量机的故障预测法[A];2009年中国智能自动化会议论文集(第六分册)[中南大学学报(增刊)][C];2009年
8 虞俊;王冰;王平;陈星莺;;基于交叉验证最小二乘支持向量机的风速预测[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集(下册)[C];2008年
9 刘丹军;胡邦辉;袁野;张辉;;最小二乘支持向量机在能见度预报中的应用[A];第26届中国气象学会年会灾害天气事件的预警、预报及防灾减灾分会场论文集[C];2009年
10 黄贤源;翟国君;隋立芬;黄谟涛;黄辰虎;;最小二乘支持向量机在海洋测深异常值探测中的应用[A];中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会论文集[C];2009年
中国重要报纸全文数据库 前10条
1 本报记者 王梦婕;一个农民工作家眼中的农民工“精神诉求”[N];中国青年报;2011年
2 本报记者 刘圣蓉;精准定位亲子群,这家企业冻虾很抢手[N];中国食品报;2017年
3 记者 岳冉冉;太阳表面出现大型黑子群AR2529[N];科技日报;2016年
4 记者 周润健;太阳表面突现较大黑子群,影响几何?[N];新华每日电讯;2013年
5 虢铭;一次可喜的艺术实践[N];中国文化报;2002年
6 记者 张静;太阳表面现7年来最大黑子群[N];中国气象报;2011年
7 实习生 曹方超;王子群:追逐心灵的“城镇化”[N];中国经济时报;2014年
8 本报记者 周晖;农民工作家王子群: “文化小工”写出农民工心中的纠结[N];中国劳动保障报;2012年
9 记者 蒋志臻;把发展旅游业作为灾后重建重要规划[N];人民政协报;2008年
10 本报记者 夏训武 通讯员 胡守军 易建波;利群村走出学子群[N];益阳日报;2006年
中国博士学位论文全文数据库 前10条
1 刘京礼;鲁棒最小二乘支持向量机研究与应用[D];中国科学技术大学;2010年
2 阎纲;基于最小二乘支持向量机的铝电解过程建模与控制研究[D];中南大学;2012年
3 邢永忠;最小二乘支持向量机的若干问题与应用研究[D];南京理工大学;2009年
4 杨滨;智能计算及应用研究[D];吉林大学;2010年
5 李庆洋;复杂介质地震波正演模拟与最小二乘偏移研究[D];中国石油大学(华东);2017年
6 袁从贵;最小二乘支持向量回归及其在水质预测中的应用研究[D];广东工业大学;2012年
7 陶叶青;总体最小二乘模型及其在矿区测量数据处理中的应用研究[D];中国矿业大学;2015年
8 胡庆辉;非稀疏多核支持向量机学习方法研究[D];武汉大学;2015年
9 孙宗海;支持向量机及其在控制中的应用研究[D];浙江大学;2003年
10 徐芳;航空影像分割的支持向量机方法[D];武汉大学;2004年
中国硕士学位论文全文数据库 前10条
1 雷烨;基于粒子群最小二乘支持向量机的故障诊断算法研究[D];兰州交通大学;2010年
2 黄戈;基于最小二乘支持向量机的水轮发电机组振动故障诊断方法研究[D];西安理工大学;2009年
3 康传会;基于最小二乘支持向量机的磁滞建模[D];浙江师范大学;2010年
4 田如娜;结构化最小二乘支持向量机[D];河北大学;2014年
5 陈立勇;改进最小二乘支持向量机及其应用[D];华东交通大学;2014年
6 刘翔宇;灰色最小二乘支持向量机研究及应用[D];辽宁工程技术大学;2014年
7 朱杰;基于最小二乘支持向量机的传染病预测与研究[D];苏州大学;2009年
8 李晓航;最小二乘支持向量机的稀疏性与泛化性研究[D];大连理工大学;2014年
9 崔庆;最小二乘支持向量机模型的改进及其在径流预报中的应用[D];西北农林科技大学;2013年
10 王欣冉;基于小波包与最小二乘支持向量机的时间序列预测研究[D];中国地质大学(北京);2011年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026