收藏本站
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.


知网文化
【相似文献】
中国期刊全文数据库 前20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
11 张娜;张永平;;最小二乘支持向量机的理论及应用研究[J];大庆师范学院学报;2014年06期
12 王安义;郭世坤;;最小二乘支持向量机在信道均衡中的应用[J];西安科技大学学报;2014年05期
13 谢春利;邵诚;赵丹丹;;基于最小二乘支持向量机的一类非自治系统自适应控制[J];信息与控制;2012年01期
14 管小清;陈渌漪;;最小二乘支持向量机在焊缝跟踪中的应用[J];现代制造工程;2011年09期
15 闵洁;李潇;;基于最小二乘支持向量机的网络流量预测[J];科技创新导报;2010年03期
16 闵洁;李潇;;基于最小二乘支持向量机的网络流量预测[J];九江学院学报(自然科学版);2010年01期
17 武素华;;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];安徽农业科学;2009年09期
18 宋志宇;李俊杰;;和声搜索最小二乘支持向量机预测模型及其应用[J];哈尔滨工业大学学报;2009年08期
19 马波;王正群;侯艳平;邹军;;基于边界近邻的最小二乘支持向量机实现[J];计算机技术与发展;2008年05期
20 罗伟;习华勇;;基于最小二乘支持向量机的降雨量预测[J];人民长江;2008年19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
  • 010-62982499
  • 010-62783978