文档介绍：指导老师:
SVM在潜油电泵偏磨故障诊断中的应用分析
班级:
学生:
学号:
论文主要研究内容
本文采用粒子群-支持向量机模型来实现对潜油电泵故障诊断的研究。所做的主要工作如下。
一:样本采集
二:特征参数提取
三:支持向量机分类识别计算
四:粒子群优化算法计算
五:结果分析
样本采集以及特征参数的提取
根据论文条件,给定80组采集的样本加速度信号。其中50组偏磨样本和30组正常样本。
由已知样本数据分别对潜油电泵正常井和偏磨井进行参数提取,本设计中针对Y轴进行加速度提取。
运用小波参数分解法对y轴的加速度信号分解,得到加速度信号的分解系数。
使用改进的协方差法提取每层系数功率谱的最大幅值作为特征参数。功率谱使用matlab软件中自带函数pmcov求取。
支持向量机
常见的支持向量机模型:
(1)回归支持向量机
(2)分类支持向量机
本文是故障模式识别的研究,采用分类支持向量机。
分类支持向量机又存在线性可分和不可分情况。
支持向量机方法最初是在线性可分情况下的提出的。而实际的分类问题往往都是非线性的,因此对于支持向量机来说,解决非线性问题的能力是至关重要的。支持向量机通过引入核函数,将样本空间通过核函数映射到高维空间,使其其线性可分。
最优分类超平面
支持向量机方法考虑寻找一个满足分类条件的分类平面,并使训练集中的点距离该分类平面尽可能远,这样的分类平面称为最优分类超平面。
SVM参数
对于svm的基本想法是一个低维的非线性可分映射到一个高维的线性可风。而在空间维数过大的情况下,难以实现直接计算最佳超平面。
通过定义核函数,将这一问题转化输入空间进行计算。解决了上面的问题。
本文中分类实验选择径向基核函数。
实验中可调试的参数是惩罚系数C和径向基宽度σ。
C的作用是在确定的数据子空间中调节学习机器置信区间范围,不同数据子空间中最优化的 , 也就决定了线性分类达到最小误差.
支持向量机介绍
对于支持向量机算法,由于其分类能力受惩罚参数C和径向基宽度σ的参数组合影响。因此,选择最优的惩罚参数和径向基宽度能够使得支持向量机达到最优的故障诊断的准确率和效率。
考虑到粒子群优化算法原理简单明朗,易于实现,本文引入粒子群优化算法,对惩罚参数以及径向基宽度同时寻优,通过matlab软件的程序计算,得到最优的识别率。
粒子群优化算法
PSO算法的理论基础
PSO算法是一种启发式的优化计算方法,其最大的优点:
(1)其理论易于描述与理解;
(2)在处理优化问题中对于定义的连续性没有特殊的要求;
(3)在寻优过程中需要调整的参数很少;
(4)算法实现简单,易操作,速度快,实用性强;
(5)与其它优化算法相比,需要较小的目标群体就能达到满意的效果;
(6)与其它优化算法相比,其算法收敛性强;
(7)具备很强的鲁棒性,在寻优过程中不会因为某个个体的故障而影响整个群体优化问题的求解。
粒子群优化算法流程
流程图
开始
初始化每个粒子的速度和位置
计算每个粒子的适应值
求出每个粒子的个体最优
求出粒子群的全局最优
更新粒子的速度
是否满足结束条件
输出结果
否
是
优化粒子的速度
程序设计
使用matlab软件的程序计算来实现课题研究的目的
一:偏磨故障的小波功率谱特征参数值提取
二:支持向量机分类识别率的计算
三:粒子群优化算法对支持向量机参数寻优,以达到更佳的分类识别率的计算