基于PSOSVM模型的感应电机故障诊断研究(审批后)修改().docVIP

学 位 论 文 基于PSO-SVM模型的感应电机故障诊断应用 申专业名称：控制工程 论文题目： PSO-SVM模型在感应电机故障诊断中的应用 摘 要 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。 关键词： 感应电机 故障诊断 支持向量机 粒子群 ABSTRACT Induction motor can adapt to all kinds of complicated work environment. Therefore, they have been widely used in industry, agriculture, science, technology and national defense modernization. It is a kind of coverage broadest and usage of the biggest motor. Induction motor can guarantee the normal operation of the process of production efficiency, safety, promptness. Motor failure will not only lead to the destruction of production facilities, affecting the conduct of production, or even stop production, but also endanger the safety of workers, resulting in huge economic losses. So the motor fault detection, especially in early fault detection, it is very necessary. Currently, there are very strong subjective on some fault diagnosis technology, it is necessary to study a way can be an objective fault diagnosis; Intelligent diagnosis technology is in line with real needs, it can objectively identify the potential failure of historical data rules by powerful self-learning ability, to better guide the fau