混合粒子群算法优化支持向量机电路故障诊断
发布时间：2021-03-10 02:37
电路故障诊断属于模式分类的一个研究领域,支持向量机因具有良好的泛化能力而广泛的应用于信息的分类中,但分类的准确性很大程度取决于支持向量机的核参数与惩罚参数。针对支持向量机中的核参数与惩罚参数组合最优问题,本文提出一种全新混合粒子群模拟退火优化算法去优化支持向量机的结构参数,从而获得更好的故障诊断正确率。本文的主要研究内容如下:（1）对选取的不同电路进行蒙特卡洛分析,获取故障原始信息,利用小波包分解来提取不同频段波形的能量信息,构造故障特征向量。（2）鉴于支持向量机的核参数与惩罚参数很大程度上影响着支持向量机的泛化能力,本文通过智能优化算法优化支持向量机的结构参数,而传统的粒子群算法容易陷入局部最优中,本文提出一种新的混合粒子群模拟退火算法,该算法以基本粒子群算法为框架,结合模拟退火算法与粒子自适应变异从而改善了算法的全局寻优能力与收敛的能力,因此将模拟退火机制与自适应粒子变异引入到基本粒子群算法中。混合粒子群模拟退火算法选用带压缩因子的PSO优化算法来保证算法的收敛性,采用轮盘赌输策略与粒子自适应变异来避免局部最优,且通过典型的测试函数来验证混合粒子群模拟退火算法的收敛性,并与改进前的...
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２．２?电压信号波形图??２．２．２
sI}能且谱
?故障类别??图２．４故障特征向量对比图??从图２．４与表２．２中可以看出将电路波形进行小波包分解后提取出来的能量??谱为八维的数据，己大大降低了原始故障特征数据的维度，且从表２．２中对比看??出，不同类型的能量谱的八维数据有较大区分度，可以作为电路故障诊断的特征??向量。??２．３本章小结??本章从小波分析的背景入手，详细介绍了小波基函数，多分辨率分析，小??波包的分解与重构以及小波能量谱的提取，并对小波分析进行了相关的理论算法??推导，本章内容在小波分析如何重构提取能量谱并作为故障诊断的特征向量进行??了理论研究并在电路故障特征提取上进行了实验仿真，并提取出不同频段的能量??系数的八维数据，达到了区分不同故
【参考文献】：
期刊论文
[1]因子分析和ELM在模拟电路故障诊断的应用[J]. 邓勇,于晨松. 电子测量与仪器学报. 2016(10)
[2]基于GMKL-SVM的模拟电路故障诊断方法[J]. 张朝龙,何怡刚,袁莉芬,李志刚,项胜. 仪器仪表学报. 2016(09)
[3]共空间模式和超限学习机的模拟电路故障诊断[J]. 高坤,何怡刚,薄祥雷,谭阳红,童耀南. 仪器仪表学报. 2015(01)
[4]基于小波包和PSO-SVM的柴油机故障诊断[J]. 金剑,潘宏侠,刘述文. 组合机床与自动化加工技术. 2014(08)
[5]基于优选小波包和ELM的模拟电路故障诊断[J]. 何星,王宏力,陆敬辉,姜伟. 仪器仪表学报. 2013(11)
[6]基于小波包能量谱和NPE的模拟电路故障诊断[J]. 孙健,王成华,杜庆波. 仪器仪表学报. 2013(09)
[7]基于改进PSO算法优化LSSVM的模拟电路软故障诊断方法[J]. 丁国君,王立德,申萍,刘彪. 中南大学学报(自然科学版). 2013(S1)
[8]基于偏置经验特征映射的电路故障诊断方法[J]. 杨智明,俞洋,乔立岩,王钢. 仪器仪表学报. 2013(07)
[9]基于双树复小波包变换的滚动轴承故障诊断[J]. 胥永刚,孟志鹏,陆明. 农业工程学报. 2013(10)
[10]基于GAPSO-SVM的航空发动机典型故障诊断[J]. 张俊红,刘昱,马文朋,马梁,李林洁. 天津大学学报. 2012(12)
博士论文
[1]基于时频分析和复数域的模拟电路故障诊断研究[D]. 熊建.电子科技大学 2017
[2]基于分形理论的非线性模拟电路软故障诊断方法研究[D]. 吕鑫淼.哈尔滨理工大学 2017
[3]模拟电路故障诊断神经智能果蝇算法研究[D]. 于文新.湖南大学 2015
[4]基于多核共空间模式的超限学习机聚类诊断方法研究[D]. 高坤.湖南大学 2015
[5]模拟电路测试诊断理论与关键技术研究[D]. 罗慧.南京航空航天大学 2012
[6]模拟电路故障诊断研究[D]. 黄亮.北京交通大学 2012
[7]基于脊波神经网络的模拟电路故障诊断研究[D]. 肖迎群.湖南大学 2011
[8]模拟电路故障诊断的特征提取及支持向量机集成方法研究[D]. 唐静远.电子科技大学 2010
[9]模拟电路软故障的智能优化诊断方法研究[D]. 周龙甫.电子科技大学 2010
硕士论文
[1]基于改进决策树的轨道电路故障诊断方法研究[D]. 朱文博.西南交通大学 2017
[2]基于深度特征学习的电子电路故障诊断[D]. 罗帅.合肥工业大学 2017
[3]基于改进PSO-SVM的无绝缘轨道电路故障诊断研究[D]. 陈欣.西南交通大学 2016
[4]电力电子电路故障诊断与预测技术研究[D]. 盛艳燕.南京航空航天大学 2014
本文编号：3073909
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２．２?电压信号波形图??２．２．２
sI}能且谱
?故障类别??图２．４故障特征向量对比图??从图２．４与表２．２中可以看出将电路波形进行小波包分解后提取出来的能量??谱为八维的数据，己大大降低了原始故障特征数据的维度，且从表２．２中对比看??出，不同类型的能量谱的八维数据有较大区分度，可以作为电路故障诊断的特征??向量。??２．３本章小结??本章从小波分析的背景入手，详细介绍了小波基函数，多分辨率分析，小??波包的分解与重构以及小波能量谱的提取，并对小波分析进行了相关的理论算法??推导，本章内容在小波分析如何重构提取能量谱并作为故障诊断的特征向量进行??了理论研究并在电路故障特征提取上进行了实验仿真，并提取出不同频段的能量??系数的八维数据，达到了区分不同故
【参考文献】：
期刊论文
[1]因子分析和ELM在模拟电路故障诊断的应用[J]. 邓勇,于晨松. 电子测量与仪器学报. 2016(10)
[2]基于GMKL-SVM的模拟电路故障诊断方法[J]. 张朝龙,何怡刚,袁莉芬,李志刚,项胜. 仪器仪表学报. 2016(09)
[3]共空间模式和超限学习机的模拟电路故障诊断[J]. 高坤,何怡刚,薄祥雷,谭阳红,童耀南. 仪器仪表学报. 2015(01)
[4]基于小波包和PSO-SVM的柴油机故障诊断[J]. 金剑,潘宏侠,刘述文. 组合机床与自动化加工技术. 2014(08)
[5]基于优选小波包和ELM的模拟电路故障诊断[J]. 何星,王宏力,陆敬辉,姜伟. 仪器仪表学报. 2013(11)
[6]基于小波包能量谱和NPE的模拟电路故障诊断[J]. 孙健,王成华,杜庆波. 仪器仪表学报. 2013(09)
[7]基于改进PSO算法优化LSSVM的模拟电路软故障诊断方法[J]. 丁国君,王立德,申萍,刘彪. 中南大学学报(自然科学版). 2013(S1)
[8]基于偏置经验特征映射的电路故障诊断方法[J]. 杨智明,俞洋,乔立岩,王钢. 仪器仪表学报. 2013(07)
[9]基于双树复小波包变换的滚动轴承故障诊断[J]. 胥永刚,孟志鹏,陆明. 农业工程学报. 2013(10)
[10]基于GAPSO-SVM的航空发动机典型故障诊断[J]. 张俊红,刘昱,马文朋,马梁,李林洁. 天津大学学报. 2012(12)
博士论文
[1]基于时频分析和复数域的模拟电路故障诊断研究[D]. 熊建.电子科技大学 2017
[2]基于分形理论的非线性模拟电路软故障诊断方法研究[D]. 吕鑫淼.哈尔滨理工大学 2017
[3]模拟电路故障诊断神经智能果蝇算法研究[D]. 于文新.湖南大学 2015
[4]基于多核共空间模式的超限学习机聚类诊断方法研究[D]. 高坤.湖南大学 2015
[5]模拟电路测试诊断理论与关键技术研究[D]. 罗慧.南京航空航天大学 2012
[6]模拟电路故障诊断研究[D]. 黄亮.北京交通大学 2012
[7]基于脊波神经网络的模拟电路故障诊断研究[D]. 肖迎群.湖南大学 2011
[8]模拟电路故障诊断的特征提取及支持向量机集成方法研究[D]. 唐静远.电子科技大学 2010
[9]模拟电路软故障的智能优化诊断方法研究[D]. 周龙甫.电子科技大学 2010
硕士论文
[1]基于改进决策树的轨道电路故障诊断方法研究[D]. 朱文博.西南交通大学 2017
[2]基于深度特征学习的电子电路故障诊断[D]. 罗帅.合肥工业大学 2017
[3]基于改进PSO-SVM的无绝缘轨道电路故障诊断研究[D]. 陈欣.西南交通大学 2016
[4]电力电子电路故障诊断与预测技术研究[D]. 盛艳燕.南京航空航天大学 2014
本文编号：3073909
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3073909.html
