基于粒子群优化的齿轮箱智能故障诊断研究
【学位授予单位】:中北大学
【学位级别】:博士
【学位授予年份】:2009
【分类号】:TH132.41;TP277
【图文】:
3 基于粒子群优化的核主元分析特征提取技术研究3.1 引言信号特征提取是机械设备状态监测与故障诊断的关键技术,如图3.1所示。特征提取方法有多种,如较常用的就是主元分析[74,75](principal component analysis ,简称PCA)方法,然而PCA是一种线性算法,只考虑二阶统计特性,只能提取数据中的线性关系。当机电设备信号特征存在着大量非线性关系时,已经不能满足要求[75]。图3.1 机械设备故障诊断关键技术核主元分析[66](kernel principal component analysis,简称KPCA)是一种非线性方法,它通过某种事先选择的非线性映射将原空间中的非线性问题转化为特征空间中的线性问题
图 3.3 基于粒子群优化的核函数参数优化流程图究建 Iris 仿真数据集证基于粒子群核主元分析特征选择方法的有效性和正确性析数据选用典型模式识别测试数据集之一 Iris 数据集。 Iris 花的四个属性:萼片长度、萼片宽度、花瓣长度和花,其中第一类花与后两类花是线性可分的,后两类花的花各有 50 组数据。将 150 组数据分为两个集合:训练据。训练和测试数据集样本分布由图 3.4 所示。
图 3.4 Iris 训练数据和测试数据分布图3.5.2 粒子群优化核参数的实现及核主元分析结果在仿真实验中,先用粒子群优化方法对径向基函数进行参数寻优,然后对原始特征向量进行核主元分析,以达到降维和提取原始特征向量蕴含的非线性特征的目的。为了与主元分析进行比较,还采用了主元分析方法进行原始特征向量特征选择。粒子群优化的适应度进化过程曲线如图3.5(a)所示,核函数随宽度 w随进化代数的曲线如图3.5(b)-50x 108(a)(w*=2.2637)2.352.4(b) 核函数宽度的进化过程
【参考文献】
相关期刊论文 前10条
1 王新峰,邱静,刘冠军;基于有监督核函数主元分析的故障状态识别[J];测试技术学报;2005年02期
2 潘明清;周晓军;吴瑞明;雷良育;;基于主元分析的支持向量数据描述机械故障诊断[J];传感技术学报;2006年01期
3 高渤;;粒子群优化算法的研究与展望[J];重庆工学院学报;2006年11期
4 潘宏侠,姚竹亭;齿轮传动系统状态检测与故障诊断[J];华北工学院学报;2001年04期
5 高海兵,高亮,周驰,喻道远;基于粒子群优化的神经网络训练算法研究[J];电子学报;2004年09期
6 李戈,秦权,董聪;用遗传算法选择悬索桥监测系统中传感器的最优布点[J];工程力学;2000年01期
7 柯晶,钱积新;应用粒子群优化的非线性系统辨识[J];电路与系统学报;2003年04期
8 赵艳丽,刘奇志,白士红;模糊关联方法在齿轮箱故障诊断中的应用[J];沈阳航空工业学院学报;2003年02期
9 刘淳安;陈一虎;;微粒群优化算法的研究现状与发展[J];海南大学学报(自然科学版);2006年03期
10 邱英;D-S证据推理在机械故障诊断中的应用[J];华东交通大学学报;2004年02期
相关博士学位论文 前1条
1 何学文;基于支持向量机的故障智能诊断理论与方法研究[D];中南大学;2004年
相关硕士学位论文 前2条
1 孙田甜;桥梁健康监测传感器的优化配置方法研究[D];大连理工大学;2008年
2 孟浩东;基于神经网络和灰色理论的传动箱故障诊断研究[D];中北大学;2005年
本文编号:2804811
本文链接:https://www.wllwen.com/kejilunwen/jixiegongcheng/2804811.html