DIWO-SVM在除尘风机故障诊断中的应用.pdfVIP

DIWO-SVM在除尘风机故障诊断中的应用蔡鑫,等

DIWO-SVM在除尘风机故障诊断中的应用

ApplicationofDlWO-SVMApproachinFaultDiagnosisofDustRemovalAirBlower

蔡鑫南新元孔军111,2

(新疆大学电气工程学院,新疆乌鲁木齐830047;江南大学物联网工程学院,江苏无锡214122)12

摘要:冶金除尘风机广泛应用于冶金工业中,如果能及时检测诊断出除尘风机的故障,就能够很好地提高风机的安全性。针对除

尘风机故障,提出一种基于差分入侵杂草算法优化支持向量机(DIWO-SVM)的模型。差分入侵杂草算法(DIWO)是一种具有较强鲁

棒性、自适应性和随机性等特点的数值优化算法,用于支持向量机(SVM)的参数优化,能有效提高SVM分类准确率,以准确地识别除

尘风机常见的故障。通过比较,验证了这种算法是可行的,并且具有很好的诊断能力。

关键词:除尘风机支持向量机差分进化故障诊断数值优化

中图分类号:TF181;TP277文献标志码:A

Abstract:Themetallurgicaldustremovalairblowersarewidelyappliedinmetallurgicalindustry.Toensuretheoperationsecurityofair

blower,itisnecessarytodetectanddiagnosethefaultsoftheairblowertimely.Aimingatthefaultsoftheairblower,themodelbasedon

differentialinvasiveweedoptimizationsupportvectormachine(DIWO-SVM)isproposed.TheDIWOalgorithmisanumericaloptimization

algorithmwhichfeaturesstrongrobustness,goodadaptabilityandstochasticperformance;itisusedtooptimizetheparametersofSVM,thusthe

classificationaccuracyofSVMcanbeeffectivelyenhanced,topreciselyidentifythecommonfaultsofthedustremovalairblower.The

comparisonverifiesthefeasibilityandperfectdiagnosiscapabilityofthisalgorithm.

Keywords:DustremovalfanSupportvectormachine(SVM)DifferentialevolutionFaultdiagnosisNumericaloptimization

本条件下的非线性映射具有优势,又能限制过学习,特

0引言

别适合于小样本集的数据处理,在故障诊断方面显示

冶金除尘风机是冶金生产系统的关键设备,长了其优越性。朱新才、邓星等提出的二叉树支持向量

期工作于高温、高湿、高粉尘环境,工作强度大,易产机实现了训练样本完全可分[4];吕蓬提出的改进最小

生磨损等各类故障。为了了解风机状况和故障类二乘支持向量机,提高了故障分类的精度[5]。但是,因

别,对设备故障提前预警并作出诊断,需对风机进行为支持向量机参数选择的合理性直接决定分类精度,

监测。一般情况下采集旋转机械的振动信号作为原所以,SVM分类模型参