基于多分类器融合的电机驱动系统故障诊断研究

发布时间：2023-03-02 20:41

　　电机作为当代主要动力输出设备,广泛应用于工农业、航空航天、医疗和军事等领域。随着科技的振兴和发展,电力设备逐渐趋于大型化、复杂化和智能化,其中,驱动系统作为电机系统的关键部分,一旦发生故障,就会对整个设备的安全平稳运行造成影响,甚至会造成巨大的经济损失、环境破坏和人员伤员等社会问题。为提高电机驱动系统故障诊断准确率,本文利用引力搜索算法(Gravitational search algorithm,GSA)对两个分类器,支持向量机(Support Vector Machine,SVM)和BP神经网络(Back Propagation Neural Network,BPNN),进行参数优化处理。在此基础上,将GSA与粒子群算法(Partical Swarm Optimization,PSO)结合来解决GSA易陷入局部最优的问题,同时引入混沌映射和自适应衰减因子来平衡GSA的全局探索能力和局部开发能力。最后,为了进一步提高诊断精度,综合SVM和BPNN的性能优势,用D-S(Dempster-Shafer)证据理论将这两种分类器的预诊断结果在决策级进行融合,从而得出最终的诊断结果。论文的主要...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 电机故障诊断技术研究现状
        1.2.2 基于人工智能的故障诊断研究现状
        1.2.3 信息融合研究现状
    1.3 本文研究内容
第二章 交流电机系统故障类型和机理
    2.1 引言
    2.2 交流电机系统故障类型
        2.2.1 定子故障
        2.2.2 转子故障
        2.2.3 偏心故障
        2.2.4 轴承故障
        2.2.5 逆变器故障
    2.3 本章小结
第三章 基于GSA优化分类器的电机驱动系统故障诊断
    3.1 引言
    3.2 SVM基本原理
        3.2.1 二分类支持向量机
        3.2.2 多分类SVM
    3.3 BP神经网络基本原理
    3.4 GSA基本原理
    3.5 基于GSA优化分类器的电机驱动系统故障诊断方法
        3.5.1 GSA-SVM诊断模型
        3.5.2 GSA-BPNN诊断模型
        3.5.3 仿真分析
        3.5.4 实验验证
    3.6 本章小结
第四章 基于混沌自适应GSAPSO优化分类器的电机驱动系统故障诊断
    4.1 引言
    4.2 GSA算法的改进
        4.2.1 PSO原理
        4.2.2 混合算法GSAPSO
    4.3 混合算法GSAPSO的改进
        4.3.1 自适应GSA
        4.3.2 混沌GSA
        4.3.3 混沌自适应GSAPSO
    4.4 优化后的分类器在电机驱动系统故障诊断中的应用
        4.4.1 GSAPSO优化分类器
        4.4.2 混沌自适应GSAPSO优化分类器
        4.4.3 实验验证
    4.5 本章小结
第五章 基于多分类器融合的电机驱动系统故障诊断
    5.1 引言
    5.2 信息融合的类型
        5.2.1 数据级融合
        5.2.2 特征级融合
        5.2.3 决策级融合
    5.3 D-S证据理论
    5.4 基于D-S证据理论的多分类器融合
        5.4.1 基于D-S证据理论与SVM的电机驱动系统故障诊断
        5.4.2 基于D-S证据理论与BP神经网络的电机驱动系统故障诊断
        5.4.3 多分类器融合电机驱动系统故障诊断
    5.5 本章小结
总结与展望
参考文献
攻读硕士学位期间参与的科研项目和取得的学术成果
致谢



本文编号：3752590