基于.PSO__SVM模型的感应电机故障诊断研究.pptVIP

专 业: 控制工程 ; 感应电动机能够适应各种复杂的工作环境因而在工业、农业、科学技术现代化和国防中得到了广泛的应用。它是一种覆盖面最广、使用量最大的电动机。感应电动机的正常运行，可以保证生产过程中的高效，安全，快捷，电动机发生故障不仅会导致生产设备的毁坏，影响生产的进行，甚至停产，还会危及工人的人身安全，造成巨大的经济损失，因此对电动机进行故障检测，特别是早期故障检测，是很有必要的。 目前很多故障诊断技术的主观性较强，研究一种能以客观的方式进行故障诊断的技术势在必行；智能诊断技术十分符合现实的需要，其强大的自我学习能力能客观的发掘历史数据中的潜在故障规则，能更好的指导故障定位与检修。本文主要以智能诊断技术为研究方向，分析传统的智能诊断技术的研究现状以及存在缺陷，提出了基于支持向量机理论的故障诊断技术方法。支持向量机(Support Vector Machine, SVM)具有严谨的理论基础以及良好的泛化能力，在处理小样本事件中能保证很高的准确率，它在处理许多工程实际问题方面获得了成功的应用，本文试着将一种改进的支持向量机模型引入电机故障诊断中，主要内容如下： ;1. 分析了轴承和转子断条两种故障的特征机理，给出了两种故障特征频率的计算公式，并对目前常用的故障诊断方法进行了分析和总结。 2. 研究了统计分析方法、模糊系统以及神经网络等的故障诊断方法。这些传统的方法都是在样本数目足够大的前提下进行故障诊断的，模糊系统缺乏自学习能力，隶属度函数和模糊规则的选取带有一定的主观性且依赖于专家；神经网络易陷入局部极小值、学习能力差、隐含层节点数难以确定，严重影响了故障诊断的准确率。针对以上缺点，提出了基于PSO-SVM模型的故障诊断方法，此改进的支持向量机模型不仅克服了以上缺点，而且采用PSO算法对SVM模型的参数进行优化，使得故障诊断结果更加准确。 3. 结合强大的MATLAB语言系统与工具箱，运用故障样本数据对PSO-SVM模型进行训练，通过测试样本验证训练结果，并与传统神经网络相比证明其模型具有更高的准确性与实用性。;1 绪论 2 设备故障诊断理论 3 感应电动机故障机理分析 4 PSO-SVM模型理论知识 5 基于PSO-SVM模型的感应电机故障诊断 6 总结 ;1.1 选题背景及研究意义 1.2 智能故障诊断算法的研究状况 1.3 主要研究方法及研究内容 ; 在生产技术不断革新的社会大背景下，现代机械设备的技术水平与复杂程度都在不断提高，工业生产中的回转机械设备为满足社会生产的需要，必须朝高速化、大型化、精密化的方向发展，随着机械性能的不断提高，工业企业的生产效率及自动化程度也随之改善；同时，机械设备还朝一体化、集成化发展，使得企业机械设备整体结构趋于复杂，其中的某一部分出现了故障，会使企业产品的质量受到影响，可能使整个生产线瘫痪，也可能导致严重的生产安全事故，让企业蒙受巨大的经济损失。过去的几十年里，由于机械设备故障导致严重后果的屡见不鲜。1979年3月著名的美国三里岛核泄漏事件，由于错误的机械设备检测与诊断，导致核反应堆堆芯严重损坏，使得放射性物质泄漏，造成了不可估量的经济损失;1984年美国在印度的一家碳化物公司农药厂由于未及时发现故障，导致毒气泄漏造成30多万人3000多人死亡;1986年美国的挑战者号航天飞机在升空后不久突然爆炸，机毁人亡，正是由于没有准确的火箭故障检测系统，造成12亿美元的损失等，这样的例子还有很多。; 虽然近年来机械故障诊断技术得到了很大的发展，但如何提高诊断的准确率还是值得进一步研究的；比如大量的计算机智能诊断系统的出现，给工业企业机械故障诊断提供了新的解决途径，但是一些智能诊断由于自身的缺陷，无法保证较好的准确率。所谓机械故障诊断，是指通过各种各样的监测手段，从各种信息提取中判断机械设备的运行现状，发现故障、分析原因、进行维修；还有的诊断技术是在未发生故障之前，根据收集的机械设备信息预测可能发生的故障，让企业提前采取措施，从而达到避免事故发生的效果。设备故障诊断技术的目的及意义主要表现在有效保护机械设备以增加其运行时间，减少维修成本及维修时间，同时最大限度的降低机械故障事故的发生率。总体来说，不管从经济利益的角度出发，还是从防止安全隐患的角度出发，低成本、高准确率的故障诊断系统都具有非常重要的研究意义。; 随着电气设备的结构日趋复杂，其故障特征数据也呈现出复杂性，又由于传统的智能诊断技术存在着缺点；如专家系统缺乏自学习、自组织的能力，同时还存在着知识获取瓶颈问题，神经网络存在泛化能力弱，容易陷入局部极小值，网络拓扑结构难以确定等缺点。支持