基于粒子群算法和支持向量机的故障诊断研究.pdfVIP

自动化测试 计算机测量与控制. 2 00 8 . 16 ( 1 1) 　 　 Computer Measurement Control 　 ·1573 · ( ) 文章编号 :167 14598 2008 　　　　　　中图分类号 : TP277 文献标识码 :A 基于粒子群算法和支持向量机的故障诊断研究 张树团 , 张晓斌 , 雷 　涛 , 邸亚洲 (西北工业大学 自动化学院 , 陕西 西安 7 10072) 摘要 : 支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法 , 具有出 色的学习分类能力和推广能力 , 广泛地应用于模式识别和函数拟合中; 支持向量机中核函数的参数选择非常重要 , 它决定着故障诊断的 精确度 ; 为了提高电气设备故障诊断的精度和效率 , 将粒子群优化算法和最小二乘支持向量机相结合 , 提出了一种基于粒子群支持向量 σ 机的故障诊断方法 , 能够实现对核函数的 参数进行快速动态选取 , 提高故障诊断的准确率和效率 ; 实验表明, 该方法能够有效地找出 合适的核参数 , 并能取得较好的分类效果 。 关键词 : 最小二乘支持向量机 ; 粒子群算法 ; 故障诊断; 全局最优 Research on Fault Diagnosis Based on PSO and SVM Zhang Shut uan , Zhang Xiaobin , L ei Tao , Di Yazhou (College of Automation , Nort hwest ern Polyt echnical U niver sit y , Xi ’an 7 10072 , China) Abstract : Support Vector Machine ( SV M) have excellent learning , cla ssification abilit y and generalization abilit y , which u se st ruct ural ri sk minimization in st ead of t raditional empirical ri sk minimization ba sed on lar ge sample . SV M i s widely u sed in p at t ern recognition and func tion fit ting . Kernel p aramet er selection i s very import ant and decide t he fault diagno si s p reci sion . In or der to enhance fault diagno si s p reci