基于PSO改进KPCA-SVM的故障监测和诊断方法研究

发布时间：2021-05-19 05:08

　　针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化（Particle Swarm Optimization,PSO）算法优化核主成分分析（Kernel Principal Component Analysis,KPCA）和支持向量机（Support Vector Machine,SVM）的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T²和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。 

【文章来源】：现代制造工程. 2020,(09)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 基于PSO改进KPCA的故障监测
    1.1 KPCA非线性特征提取
    1.2 基于KPCA的故障监测
    1.3 基于PSO改进KPCA核函数参数的故障监测
2 基于PSO优化KPCA-SVM的故障诊断
    2.1 SVM故障模式识别原理
    2.2 基于PSO改进KPCA-SVM的船舶燃油系统故障诊断试验
        1)传统单一SVM试验。
        2)KPCA-SVM试验。
        3)基于PSO改进KPCA-SVM及PCA-SVM的试验。
3 结语


【参考文献】：
期刊论文
[1]基于改进BP神经网络的风电功率超短期预测[J]. 刘增里,杨静,刘亚林,熊力.  船舶工程. 2019(S1)
[2]基于DPC-GMM算法的船舶燃油系统故障诊断[J]. 魏一,张跃文,李斌.  中国舰船研究. 2018(06)
[3]一种基于小波包与KPCA的发动机多信号融合故障诊断方法[J]. 么子云,朱丽娜,潘彪,薛继旭,张进杰.  现代制造工程. 2018(06)
[4]基于随机森林和支持向量机的船舶柴油机故障诊断[J]. 贺立敏,王岘昕,韩冰.  中国航海. 2017(02)
[5]优化支持向量机及其在智能故障诊断中的应用[J]. 王保建,张小丽,傅杨奥骁,陈雪峰.  振动.测试与诊断. 2017(03)
[6]基于K-L散度与PSO-SVM的齿轮故障诊断[J]. 秦波,刘永亮,王建国,杨云中.  现代制造工程. 2017(03)
[7]基于KPCA和PSOSVM的异步电机故障诊断[J]. 李平,李学军,蒋玲莉,曹宇翔.  振动.测试与诊断. 2014(04)
[8]基于KPCA和SVM的火箭发动机试验台故障诊断方法[J]. 朱宁,冯志刚,王祁.  哈尔滨工业大学学报. 2009(03)

博士论文
[1]支持向量技术及其应用研究[D]. 董宝玉.大连海事大学 2016
[2]基于核学习理论的船舶柴油机故障诊断研究[D]. 柴艳有.哈尔滨工程大学 2012

硕士论文
[1]基于改进KPCA与K近邻算法的柴油机故障检测研究[D]. 李宇.大连理工大学 2018
[2]基于PKPCA和逻辑回归模型的滚动轴承寿命预测研究[D]. 王萌.大连理工大学 2018



本文编号：3195176