论文研究-基于最小二乘支持向量机的故障诊断方法.pdf-其它代码类资源-CSDN下载

论文研究-基于最小二乘支持向量机的故障诊断方法.pdf

所需积分/C币：10 2019-07-22 23:11:21 123KB .PDF
9

收藏
举报

提出了一种小波包分析与最小二乘支持向量机相结合的机械设备故障诊断模型。首先对故障信号功率谱进行小波分解，简化了故障特征向量的提取，然后采用最小二乘支持向量机进行故障诊断。在该模型中，用二次损失函数取代支持向量机中的不敏感损失函数，将不等式约束条件变为等式约束，从而将二次规划问题转换为线性方程组的求解，并提出对核函数的σ参数进行动态选取。仿真结果表明：该模型可以取得较高的故障诊断准确率。
第7期杨奎河等:基于最小二乘支持向量机的故障诊断方法 101· (3) Sigmoid核函数的影响,当样本数据中不包含噪声(α=0)或噪声较小(x= K(X,x)=tanh((x·x)+) (14)0.2)时,两种模型都可以达到很高的诊断准确率;当测量参数式(10)用最小二乘法即可解。在LSM算法中,将二次的噢声较大(=0.5、0.8)时,LSMM保持了9.3%和93.1% 规划问题转变为线性方程组的求解,简化了计算的复杂性。求的髙确率,而PNN只能达到$.7%和81.6%的诊断确解上述问题后得到的最优分类函数为率。虽然随着样本噪声的增加,两种模型的诊断准确率均岀现 yX/=&yK(x, +b (15 下降,但LssM模型的下降速度明显低于PNN模型,显小较强的鲁棒性 2.3 LSSVM中参数选取算法的改进表2 LSSVM及PNN模型诊断结果由于RBF函数计算简单,只有一个标准化参数o,本文采诊准确率(%) 声控制系数用RBF函数作为核函数。在 LSSVM算法中,规则化参数γ和 PNN模型 LSSM型 100 RBF核凼数的标准化参数σ一般都是根据经验选取一个固定 =0.2 98.6 的值,但是针对不同的样本集,最优的参数值是变化的;在一定 92.7 栏度上影晌∫枚障的诊断正确率。经试验发现,规则化参数γ 93.1 的取值对计算的结果影响不明昴,取γ=10;而随着σ的取值不同,计算的结果波动较大。 4结束语设诊断出错率y=f(×)是区间[a,b]上的下单峰函数,在 LSM是一种可用于模式分类的算法。与PNN相比较, 此区间上t处函数有唯一的极小点。若在此区间内取任意两LSM模型是专门针对小样本情的。其日标是得到现有信点a1和ba1<b,并计算函数值f(a1)和fb1),可能出现以息下的最优解而不仅仅是样本数趋于无穷大时凶最优值。下两种情况算法最终将转换成为一个二次型寻优问题。从理论上说,得到 (1)f(a1)<f(b1),这时t必在区间[ab]内。的将是仝局最优熹,解决了在神经网络方法中无法避免的局部 (2)fa1)≥f(b2)这时t必在区间[a1,b]内。板值问题。LSSM对SMM进行了改进,用二次损失函数取代这说明,只要在区间[a创内取两个不同点,算出它们的 SM中的不敏感损失函数,将不等式约束条件变为等式约束, 函数值并加以比较,就可以将搜索区间[a缩小成[ab]或将二次规划问题转变为线性方程组的求解,用最小二乘法实现 [a1b,缩小后的区间仍包含小点。如果要继续缩小搜索区 SMM算汯,简化∫计算的复杂性。仿真结果表明,LSSM a,b]或[ab;就需要在上述区间内再取出}·惠算出其在用于放障诊断时在抗十扰能力和枚障识别准确率方面有明两数值,并与fa1)或f()加以比较即可。区间的缩小率与函数的计算次数有关。本文在具体计算时取a=0.1,b=1,a1 显的优势。和h取在[ab的三等分处。参考文献 [1 ORTES C, VAPNIK V. support-vector netwark[]]. Machine 3仿真结果 Learning,1995;20(3):273-297 [2 HSU CW, LIN C J. A comparison of methods for multicl ass support 为了验证LSVM故障诊模型对改障的诊断准确率,木 vector suppart vector machines[J]. IEEE Transact ions on Neural 文分別用两种诊断模型进行仿真计算。模型一采用棫率神经 Networks,2002,13(2):415-425 网络( Probabilistic neural netwarks,pNN)模型。PN是由[3] CHUAH T C,9 SHARIF B S, HINTON O R. Robust adaptive spread 径向基函数网络发展而来的和前馈型神经网络,其理论依据 spectrum recever with neural-net prepocessing in non-Gaussian noise 是贝叶斯决策理论中的贝叶斯最小风险准则。PNN可用来解 [J].IEEE Transactions on Neural Networks, 2001,12(3): 546 决分关和故障诊断问题,当训练样本足够多时,其收敛」一个叭叶斯分夫器。模型二采用 LSSVM枚障诊断模型。首先用训[4] CHEN S, SA MINGANA K,HANz。OL. Support vector machine mul 练样本对两种诊断模型分別进行训练,然后利用训练后的馍型 tiuser receiver for DS-CDMA signals in mul tipath channels J]. IEEE 对仿真故障进行诊断。 Trans actions on Neural Networks, 2001, 12(3): 604-611 设D1为加入噪声前的仿真样本数据矩阵,D2为加入噪声[5] SEBALDD], BUCKLEW]A. Support vector machine techniques 后的仿真样本数据矩阵,仿真需要的含有噪声的样本数据矩阵 or nonlinear equalization[ ]]. lEEE Transactions on Signal Pro 元素通过下式获得 cessing,2000,48(11):3217-3226 [6 ENGEL Y, MANNoR S, meir R. the kemel recursive le D2(i,))=D1(i,×1+xand(1) quares algorithm[]. IEEE Trans actions on Signal Process ing 其中,α为噪声控制系数;分別取α=0、0.2、0.5、0.8; rands(1) 200452(8):2275-285 为随机函数,可生成个-11的随机函数 [刁]虞和济,陈长征;张省,等.基于神经网络的智能诊断[M].北京: 利用式(16)对每种故障情况分別产生80组带噪声的测台金工业出版社,2002 量参数,共480组样,用300组作为训练集,用180组作为测[8]叶志锋,孙健国基于概率神经网络的发动机故障诊断[骯空试集,在未经任何预处理的情况下直接供PNN及LSM进行学报,2002,23(2):155-15 诊断。诊断结果如表2所示。 [9]李冬辉,刘浩.基于概率神经网络的故障诊断方法及应用[].系诊断结果表明,网络的诊断准确率受到噪声控制系数∝ 统工程与电子技术,2004,26(7):997-999

...展开详情

小波包分析,故障诊断,特征向量,最小二乘支持向量机,核函数

试读 3P 论文研究-基于最小二乘支持向量机的故障诊断方法.pdf