基于人工蜂群算法和LSSVM的风机齿轮箱故障诊断

发布时间：2017-08-23 02:14

  本文关键词：基于人工蜂群算法和LSSVM的风机齿轮箱故障诊断

  更多相关文章： 风机齿轮箱 故障诊断 最小二乘支持向量机 人工蜂群算法 BTABC

【摘要】：随着经济的发展和人口的增加，能源危机正影响着人们的生活，风能是绿色能源，蕴藏量丰富，因此被广泛的使用，其中最有利的形式就是风力发电。风力发电成本低，无污染，具有很好的发展前景。随着风电机组的广泛使用以及设备结构的逐步复杂，故障问题也逐渐引起了人们的关注。在风电机组中，齿轮箱是故障发生率最高的部件，，因此本文研究了风机齿轮箱的故障诊断方法。 风机齿轮箱发生故障的样本数据较少，一般的故障诊断方法难以保证诊断的性能。支持向量机(Support Vector Machine，SVM)是一种小样本的人工智能方法，适合对风机齿轮箱进行故障诊断。最小二乘支持向量机(Least Square Support VectorMachine，LSSVM)是对SVM方法的改进，无论是运行时间还是正确率，LSSVM算法都有了提高，因此本文选择LSSVM作为故障诊断的理论基础。 LSSVM的参数对其性能有着非常重要的作用，为了避免参数选择的盲目性，需要对其参数进行优化。本文对人工蜂群算法(Artificial Bee ColonyAlgorithm，ABC)进行了改进，引入了反向学习的方法和锦标赛的选择策略，研究了基于锦标赛选择策略的双种群人工蜂群算法（Bi-Group Artificial Bee Colony Algorithm Based onTournament Selection，BTABC）。然后利用BTABC算法对LSSVM进行参数优化，以BTABC-LSSVM方法对风机齿轮箱进行故障诊断。 最后，本文给出了基于BTABC-LSSVM的风机齿轮箱故障诊断模型，利用BTABC-LSSVM进行故障诊断。经过实验分析对比，本文所用方法比交叉验证参数的LSSVM和小波神经网络方法具有更高的故障识别率，在风机齿轮箱故障诊断领域具有良好的实用性。
【关键词】：风机齿轮箱 故障诊断 最小二乘支持向量机 人工蜂群算法 BTABC
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3;TP18
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-16
• 1.1 课题研究背景及意义9-11
• 1.2 风机齿轮箱故障诊断的研究现状和发展趋势11-14
• 1.2.1 风机齿轮箱故障诊断的研究现状11-13
• 1.2.2 风机齿轮箱故障诊断的发展趋势13-14
• 1.3 研究内容和论文组织结构14-16
• 1.3.1 课题主要的研究内容和意义14-15
• 1.3.2 论文的组织结构15-16
• 第2章 最小二乘支持向量机16-25
• 2.1 概述16
• 2.2 支持向量机理论16-20
• 2.2.1 最优超平面16-17
• 2.2.2 支持向量机17-18
• 2.2.3 核函数18-19
• 2.2.4 支持向量机的多分类问题19-20
• 2.3 最小二乘支持向量机20-23
• 2.3.1 最小二乘支持向量机20-22
• 2.3.2 参数的选择方法22-23
• 2.4 LSSVM 和 SVM 的区别23-24
• 2.5 本章小结24-25
• 第3章 基于人工蜂群算法优化的 LSSVM25-34
• 3.1 概述25
• 3.2 人工蜂群算法25-28
• 3.2.1 人工蜂群算法的原理25-26
• 3.2.2 人工蜂群算法的流程26-27
• 3.2.3 人工蜂群算法的特点27-28
• 3.3 基于人工蜂群算法的 LSSVM 参数优化28
• 3.4 基于锦标赛选择策略的双种群人工蜂群算法28-30
• 3.4.1 基于反向学习的群体初始化29
• 3.4.2 锦标赛选择策略29
• 3.4.3 信息交互29-30
• 3.4.4 BTABC 算法30
• 3.5 基于 BTABC 算法的 LSSVM 参数优化30-32
• 3.5.1 参数初始化30-31
• 3.5.2 LSSVM 参数优化31-32
• 3.6 本章小结32-34
• 第4章 基于 BTABC-LSSVM 的风机齿轮箱故障诊断34-42
• 4.1 概述34
• 4.2 基于 BTABC-LSSVM 的风机齿轮箱故障诊断模型34-35
• 4.3 风机齿轮箱的常见故障和诊断方法35-37
• 4.3.1 风机齿轮箱的常见故障35-36
• 4.3.2 风机齿轮箱的诊断方法36-37
• 4.4 实验结果与分析37-41
• 4.4.1 数据采集与特征提取37-38
• 4.4.2 参数设置38
• 4.4.3 实验结果38-41
• 4.5 本章小结41-42
• 第5章 总结与展望42-44
• 5.1 本文总结42-43
• 5.2 展望43-44
• 参考文献44-47
• 攻读硕士学位期间发表的论文及其它成果47-48
• 致谢48

【参考文献】

中国期刊全文数据库 前4条

1 郭辉;刘贺平;王玲;;最小二乘支持向量机参数选择方法及其应用研究[J];系统仿真学报;2006年07期

2 周辉仁;郑丕谔;任仙玲;;最小二乘支持向量机的参数优选方法及应用[J];系统工程学报;2009年02期

3 吴昱;李元香;徐星;;基于群智能的新型反向混合差分进化算法[J];小型微型计算机系统;2009年05期

4 郭鹏;David Infield;杨锡运;;风电机组齿轮箱温度趋势状态监测及分析方法[J];中国电机工程学报;2011年32期

本文编号：722397