基于量子粒子群优化的Volterra核辨识及故障诊断方法研究

发布时间：2020-04-12 16:18

【摘要】： 本论文在国家自然科学基金(50775208)资助下,将量子粒子群优化(Quantum Particle Swarm Optimization,简称QPSO)算法引入到非线性系统的Volterra级数模型辨识中,深入研究了基于QPSO的Volterra时域核辨识方法及在旋转机械故障诊断中的应用,取得了比较好的创新性成果。其主要内容包括以下几个方面： 第一章,论述了本课题的提出及其研究意义,综述了Volterra级数模型的国内外研究现状及在故障诊断中的应用,提出了本论文的主要内容及创新之处。 第二章,介绍了Volterra级数模型的基本理论、Volterra级数时域核(GIRF)和频域核(GFRF)的辨识方法,并给出了基于Volterra级数模型的故障诊断思路。本章内容是整篇论文的理论基础。 第三章,针对基于传统的最小均方算法的Volterra时域核(GIRF)辨识方法的不足,将量子粒子群优化引入到非线性系统的Volterra核辨识中,提出了一种基于量子粒子群优化的Volterra时域核辨识方法,并和传统的最小均方(Least Mean Squares,简记为LMS)算法进行了比较,仿真研究表明,在辨识精度、收敛性和抗干扰性方面,提出的方法都优于传统的LMS方法,而且,随着核记忆长度的增加,这种优势会更明显。之后,将提出的方法应用于旋转机械转子系统的故障诊断中,给出了转子裂纹故障和正常状态转子的Volterra时域核,对两者进行了比较分析,实验结果表明,提出的方法是有效的,转子裂纹状态的Volterra时域核很好地反映了此状态下转子系统的非线性特征。 第四章,提出了基于Volterra时域核(GIRF)的核主分量分析故障诊断方法。该方法首先利用量子粒子群优化(QPSO)算法辨识出Volterra时域核,然后将其作为原始空间数据进行核主分量分析(KPCA),利用主分量分布和投影图实现识别分类。实验中利用提出的方法对转子系统的正常、转子裂纹、转子碰摩、基座松动四种状态进行识别分类,结果表明,该方法是有效的,在只考虑一阶Volterra核不能很好地识别状态时,可以从二阶、三阶Volterra核上来区分,体现了基于Volterra级数的故障诊断方法特征信息丰富的优势。 第五章,论述了支持向量机基本原理和SVM多类分类问题算法,在此基础上,提出了基于Volterra时域核(GIRF)的支持向量机故障识别方法。该方法将利用量子粒子群优化(QPSO)算法辨识出的Volterra时域核作为特征向量输入到支持向量机(SVM)分类器中识别非线性系统的不同状态。实验结果表明,当故障样本较为丰富时,不论是只利用一阶核还是利用前三阶核作为特征向量都取得了理想的分类效果,但是当故障样本较少时,利用前三阶核作为特征向量时的识别结果明显优于只利用一阶核时的情况。这说明Volterra非线性核包含了Volterra线性核所不能反映的故障特征,良好的分类效果展现了提出的方法在小样本的故障诊断中的优越性。 第六章,将Volterra时域核(GIRF)和隐Markov模型(HMM)结合,提出了基于Volterra时域核和HMM的故障诊断方法。在提出的方法中,首先利用QPSO算法从已知状态的振动信号中提取出前三阶Volterra时域核,将其作为观测值序列训练出各种状态的HMM,再利用QPSO算法辨识出测试数据的前三阶Volterra时域核,输入到各种状态的HMM中,其中输出概率最大的HMM对应的状态即为设备的当前运行状态。实验中利用旋转机械升速过程中的振动信号,采用提出的方法对转子系统的四种状态进行识别分类,结果验证了该方法的有效性,仅利用一阶Volterra核训练HMM时各个状态迭代得到的对数概率值虽然互不相同,但是差异不大,利用前三阶Volterra核训练HMM时各个状态迭代得到的对数概率值的差异明显大于前种情况,分类效果得到了显著的改善。提出的方法为旋转机械非平稳过程的故障诊断提供了一种有效的解决方案,具有重要的理论意义和实际的应用价值。 第七章,对全文的工作进行了总结,并提出了值得进一步研究的问题。
【图文】：

，cZ，…，，c，)。知，只要已知初始概率分布矢量C和一ov链·不难发现，Markov链中的每个时的，也就是说Markov链中的状态就是观模型基本思想及定义v模型基本思想型(HiddenMarkovModels，简称HMM)arkov模型中，状态不能被直接观测到，以一定的概率分布相联系，这就是HMMHMM的拓扑结构大致反映。空心节点和测值x、，可以直接观测到的是观测值x*，以通过一个下面的缸一球模型实例形象说明
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TH165.3

【相似文献】

相关期刊论文 前10条

1 苏国韶;张克实;吕海波;;位移反分析的粒子群优化-高斯过程协同优化方法[J];岩土力学;2011年02期

2 冯林,张名举,贺明峰,戚正君;用改进的粒子群算法实现多模态刚性医学图像的配准[J];计算机辅助设计与图形学学报;2004年09期

3 刘宏达;李殿璞;马忠丽;;一种新型的智能船舶自动舵设计[J];仪器仪表学报;2006年S1期

4 刘淳安,何广平,雍龙泉;解多目标优化问题的新粒子群存档算法[J];陕西理工学院学报(自然科学版);2005年03期

5 陈建桥;葛锐;魏俊红;;基于PSO算法的复合材料层合板可靠性优化设计[J];华中科技大学学报(自然科学版);2006年04期

6 姜凡;;贴面式永磁同步电机无传感器控制技术[J];电工技术;2006年03期

7 孔力;程晶晶;宋胜利;苏日建;;基于改进粒子群优化技术的拜耳法物料平衡计算[J];华中科技大学学报(自然科学版);2008年01期

8 薛贵生;丁维明;程力;;基于支持向量机的煤灰结渣特性判别[J];能源研究与利用;2008年06期

9 成伟明;唐振民;赵春霞;陈得宝;;利用改进粒子群求解TSP问题的一种新方法[J];中国工程科学;2008年07期

10 吕福祥;黄磊;;基于粒子群优化的支持向量机在地表沉降预测中的应用[J];测绘信息与工程;2010年02期

相关会议论文 前10条

1 ;Existence Theory for Single and Multiple Positive Periodic Solutions to Volterra Integro-Differential Equations[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

2 赵建玉;贾磊;陈月辉;张勇;;基于粒子群优化的信号交叉口交通流预测模型[A];第二十六届中国控制会议论文集[C];2007年

3 刘中华;耿建华;朱位秋;;时滞Lotka-Volterra生态系统随机分析[A];The 5th 全国动力学与控制青年学者研讨会论文摘要集[C];2011年

4 王晓燕;王东风;韩璞;;一种分数阶系统的粒子群优化辨识方法[A];全国第三届信号和智能信息处理与应用学术交流会专刊[C];2009年

5 范业坤;梁新荣;;基于粒子群优化的高速公路匝道PI控制器[A];第二十七届中国控制会议论文集[C];2008年

6 唐高松;李志农;曾宇冬;员险锋;;基于Volterra级数核的转子碰摩故障研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

7 薛艳红;胡立坤;;基于粒子群优化的配电网静止同步补偿器PI控制器整定[A];中南六省（区）自动化学会第二十九届学术年会论文集[C];2011年

8 冯yN;李霞;;一种K最近邻分类的改进算法及应用[A];2011年全国通信安全学术会议论文集[C];2011年

9 徐俊杰;忻展红;;粒子群优化在0/1背包问题中的应用[A];中国运筹学会第七届学术交流会论文集（上卷）[C];2004年

10 彭志科;;Volterra级数及其在非线性振动研究中的应用[A];第四届全国动力学与控制青年学者研讨会论文摘要集[C];2010年

相关博士学位论文 前10条

1 窦全胜;求解优化问题的演化计算方法研究[D];吉林大学;2005年

2 刘丽;人工免疫网络研究及应用[D];江南大学;2008年

3 李磊;六自由度并联平台位置正解及控制方法研究[D];哈尔滨工程大学;2008年

4 马瑞新;基于粒子群的网络社区动态角色挖掘研究[D];大连理工大学;2012年

5 陶霞;求解Volterra积分微分方程的高阶方法[D];湖南师范大学;2012年

6 陈虹;分离流动的电磁力主动控制[D];华中科技大学;2011年

7 吕文;由Levy过程驱动的反射倒向随机微分方程与倒向随机Volterra积分方程[D];山东大学;2011年

8 邓勇;非线性模拟电路故障诊断的Volterra模型及特征提取研究[D];电子科技大学;2012年

9 林川;粒子群优化与差分进化算法研究及其应用[D];西南交通大学;2009年

10 陈建华;抽象空间中的Volterra方程与线性系统[D];中国科学技术大学;2010年

相关硕士学位论文 前10条

1 蒋静;基于量子粒子群优化的Volterra核辨识及故障诊断方法研究[D];郑州大学;2010年

2 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

3 马培培;基于粒子群的图像阈值化分割的研究及应用[D];合肥工业大学;2010年

4 姚杰;基于PSO混沌神经网络电力系统负荷预测[D];大庆石油学院;2009年

5 刘杨;粒子群优化算法在电力系统无功优化中的应用[D];天津大学;2005年

6 任晓娜;DNA计算中的编码设计优化算法[D];湖南大学;2010年

7 王琳;基于粒子群优化的数据流挖掘的聚类算法分析[D];长沙理工大学;2010年

8 李涛;基于SVM和PSO的非线性模型预测控制及应用研究[D];上海交通大学;2008年

9 孙巍;供热管网的建模分析及水力平衡调节[D];北京化工大学;2008年

10 李峰;大规模场景绘制中的纹理合成技术研究[D];哈尔滨理工大学;2008年

本文编号：2624923