改进粒子群算法优化的支持向量机在滚动轴承故障诊断中的应用

论文摘要

针对惩罚因子C和核参数g选择不当造成支持向量机（SVM）分类效果不理想的问题,在基本粒子群（PSO）算法基础上引入动态惯性权重、全局邻域搜索、种群收缩因子、粒子变异概率等操作,提出了一种新的改进型粒子群（IPSO）算法优化SVM参数的分类器。采用Libsvm工具箱中的公共数据集BreastTissue,Heart和Wine来测试其分类效果,结果表明IPSO-SVM分类器在预测精度和分类时间上明显优于SVM和PSO-SVM分类器。然后将其应用于滚动轴承的二分类问题和多分类问题的故障诊断中,仿真实验证明IPSOSVM分类器能显著提高全局收敛能力和收敛速度,可得到理想的分类结果。最后,用IPSO-SVM分类器对实际轴承进行故障诊断,结果验证了其拥有良好的分类稳定性,值得进一步在工程领域内推广。

论文目录

• 0 引言
• 1 采用改进粒子群算法 （IPSO） 优化SVM相关参数
•   1.1 SVM基本理论
•   1.2 IPSO算法思路
•     1.2.1 引入一种动态速度惯性权重
•     1.2.2 在全局最优解和局部最优解中加入一个小扰动
•     1.2.3 引入种群收缩因子χ
•     1.2.4 拓宽搜索空间
•   1.3 算法验证
• 2 IPSO-SVM分类器在滚动轴承故障诊断中的应用
•   2.1 第1个FUT验证
•     2.1.1 二分类故障数据采集和特征提取
•     2.1.2 故障诊断结果分析
•   2.2 第2个FUT验证
•     2.2.1 多分类故障数据采集和特征提取
•     2.2.2 故障诊断结果分析
• 3 实际轴承故障诊断
• 4 结束语

文章来源

类型: 期刊论文

作者: 吕明珠,苏晓明,陈长征,刘世勋

关键词: 支持向量机,参数优化,改进粒子群算法,滚动轴承,故障诊断

来源: 机械与电子 2019年01期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 沈阳工业大学机械工程学院,辽宁装备制造职业技术学院自控学院,中认(沈阳)北方实验室有限公司

基金: 国家自然科学基金资助项目(51675350),高校应用性研究专项课题(2018YYYJ-3),高校重点课题(2018XB01-4)

分类号: TH133.33;TP18

页码: 42-48

总页数: 7

文件大小: 2896K

下载量: 528