亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PSO-SVM模型的液壓系統(tǒng)故障診斷

        2021-07-15 08:24:22李明駿張國銀王海瑞
        電視技術(shù) 2021年5期
        關(guān)鍵詞:分類器故障診斷粒子

        李明駿,張國銀,王海瑞

        (昆明理工大學 信息工程與自動化學院,云南 昆明 650500)

        0 引 言

        液壓系統(tǒng)[1]廣泛應(yīng)用于工業(yè)機械生產(chǎn),其結(jié)構(gòu)復雜,氣密性強。因此,一旦發(fā)生故障,操作員很難觀察到故障跡象,也很難判斷故障的原因和故障損壞程度。這些因素嚴重影響了操作員快速準確地對故障進行識別,使處理故障過程變得復雜,容易造成損失,且容易發(fā)生人身安全事故。為了使液壓系統(tǒng)能夠順利正常地工作,及時發(fā)現(xiàn)和預警故障或者評估系統(tǒng)的綜合狀態(tài),具有非常重要的研究意義。

        目前,業(yè)界主要采用智能化診斷方法如神經(jīng)網(wǎng)絡(luò)、向量機及各種分類算法等來構(gòu)建分類模型,對信號提取特征以進行故障識別和分類。也有一些專家系統(tǒng)[2-3]仍在使用,但受限于特定領(lǐng)域,并且知識獲取有限,診斷結(jié)果準確度受到影響。文獻[4]和文獻[5]利用神經(jīng)網(wǎng)絡(luò)進行故障診斷,但其訓練要求樣本數(shù)量大,樣本質(zhì)量高,且訓練過程較長,收斂較慢。文獻[6]和文獻[7]利用支持向量機(Support Vector Machine,SVM)對液壓泵進行故障診斷,實驗驗證了其分類精度,表明該方法有效。相關(guān)研究和實踐證明[8],SVM結(jié)構(gòu)布局相對簡單,對于樣本量小、非線性以及數(shù)據(jù)特征量高的一些問題,支持向量機可以很好地處理,更好地發(fā)掘樣本的信息特征,從而解決上述方法的不足之處。

        然而,SVM分類模型依賴于懲罰系數(shù)C和核函數(shù)參數(shù)σ才能實現(xiàn)其分類性能。近年來群體智能優(yōu)化算法在算法改進以及參數(shù)尋優(yōu)方面的應(yīng)用和研究驗證了其在搜索方面的顯著優(yōu)勢,因此,本文采用基本粒子群算法,利用其優(yōu)秀的全局尋優(yōu)能力和收斂速度優(yōu)化SVM模型參數(shù)。首先,對數(shù)據(jù)信號預處理,采用自適應(yīng)噪聲完備集合經(jīng)驗模態(tài)分解(Complete EEMD with Adaptive Noise,CEEMDAN)結(jié)合模糊熵進行特征提取,構(gòu)建特征數(shù)據(jù)集;其次,將其作為輸入訓練SVM模型,同時利用PSO優(yōu)化SVM參數(shù),得到SVM最優(yōu)子分類器,進而構(gòu)建二叉樹結(jié)構(gòu)的多值分類故障診斷模型;最后進行實驗仿真,并與其他方法對比。實驗表明,本文采用的PSO-SVM故障診斷模型顯著提高了故障的分類效率和故障診斷準確率。

        1 PSO算法

        粒子群算法中,群體中的每個粒子通過不斷學習自己的知識以及社會群體知識來調(diào)整搜索位置和方向,從而反映出群體的智力[9]。由于PSO算法計算速度快,和其他的計算方法整合應(yīng)用簡單方便,因此成為研究者熱衷的研究課題。

        初始化粒子群體數(shù)目為M,參數(shù)搜索空間維度N,t為當前迭代次數(shù),搜索過程執(zhí)行如下步驟:

        第i個粒子的當前位置為Xi(t)=[Xi,1(t),Xi,2(t),…,Xi,N(t)],第i個粒子的當前速度為Vi(t)=[Vi,1(t),Vi,2(t),…,Vi,N(t)],第i個粒子的當前個體最好位置(pbest)為Pi(t)=[Pi,1(t),Pi,2(t),…,Pi,N(t)]。

        其更新計算公式如式(1)所示:

        可得出全局最佳位置為G(t)=Pg(t)=[Pg,1(t),Pg,2(t),…,Pg,N(t)],1≤g≤M。也可將其用gbest(t)表示,。這樣就可按照公式(2)進行粒子速度的迭代更新,按照公式(3)進行粒子位置更新:

        式中:1≤i≤M,1≤j≤N;粒子進行搜索時的第t次參數(shù)尋優(yōu)表示為t;c1與c2兩個參數(shù)即是粒子群的學習因子,c1用于調(diào)整向自身學習的部分,依賴個體經(jīng)驗;而c2用于調(diào)整向群體學習,對整個粒子群進行學習;r1,i,j(t)和r2,i,j(t)是在(0,1)范圍內(nèi)產(chǎn)生的隨機數(shù)。為防止粒子在進行參數(shù)尋優(yōu)的過程中跳出空間范圍,對粒子速度范圍進行設(shè)置,即Vi,j(t)∈[-Vmax,Vmax],同樣地,對粒子的位置范圍進行設(shè)置,即Xi,j(t)∈[-Xmax,Xmax]。根據(jù)算法原理,粒子群不斷靠近當前全局最優(yōu)位置,且根據(jù)適應(yīng)度不斷更新全局最優(yōu)解,可令粒子群聚合集中在該新的最優(yōu)位置。

        2 SVM原理

        相比于神經(jīng)網(wǎng)絡(luò)等其他學習方法,SVM算法擁有更為高效的分類性能。其結(jié)構(gòu)布局相對簡單,對于樣本量小、非線性、數(shù)據(jù)特征量高的問題,SVM可以更好地處理,可以很好地發(fā)掘樣本的信息特征,并在一定程度上具有很強的泛化能力。SVM理論的目的是能夠獲取最優(yōu)分類超平面H,并實現(xiàn)樣本間間隔(margin)最大化,且能夠高效準確地分類識別數(shù)據(jù)樣本集。SVM的最優(yōu)分類超平面如圖1所示。

        圖1 SVM的最優(yōu)分類超平面

        圖1中,H1、H2為樣本邊界,當實施兩分類問題時,假設(shè)訓練集包括數(shù)據(jù)樣本n個D={(xi,yi)|i=1,2,…,n},xi∈Rn,yi∈{+1,-1}能夠正確地分開,某一超平面H:w·x+b=0,讓分界面上的支持向量和最優(yōu)分界的距離最大,也就是使||ω||2實現(xiàn)分類問題的最低值,并盡可能保證H1、H2之間沒有數(shù)據(jù)樣本,降低分類錯誤率。SVM基本模型為:

        式中:懲罰系數(shù)C(C>0)決定著SVM分類模型是否復雜。利用求解式(4)能夠確保VC維的上界的值最小,同時使得模型的經(jīng)驗風險最小。通過求解拉格朗日函數(shù)將相關(guān)問題進行轉(zhuǎn)化,進一步轉(zhuǎn)成求解二次規(guī)劃優(yōu)化的方式,如下所示:

        求解上述問題得到?jīng)Q策函數(shù)為:

        將SVM分類模型應(yīng)用于線性不可分的情形時,可采用核函數(shù),其具有的非線性映射功能可以把分類樣本V=[Fn1,Fn2,Fn3,Fn4]映射到高維度的空間Z,使得待分類樣本數(shù)據(jù)可以進行有效的劃分,即:φ:RN→Z;x→φ(x),將低維空間的樣本再映射到高維空間中,進而更好地確立最優(yōu)線性分類超平面。數(shù)據(jù)分類的原理如圖2所示。

        圖2 核函數(shù)高維映射

        最優(yōu)求解模型為:

        式中:核函數(shù)K(xi·xj)滿足Mercer條件,因此,其內(nèi)積問題φ(xi)·φ(xj)可以利用核函數(shù)K(xi·xj)來解決,可得分類決策函數(shù):

        本文SVM分類模型選用RBF核函數(shù)。

        3 PSO-SVM故障診斷模型

        3.1 適應(yīng)度函數(shù)的設(shè)計

        首先,粒子群算法對模型參數(shù)空間尋優(yōu)。

        其次,對于粒子適應(yīng)度函數(shù)[10]的取值進行優(yōu)化,采用交叉驗證策略,計算平均分類正確率作為適應(yīng)度值。懲罰系數(shù)C和核函數(shù)參數(shù)σ構(gòu)成粒子的二維參數(shù)尋優(yōu)空間,從中選擇一組向量,輸入SVM子分類器中。將數(shù)據(jù)樣本集分為N組,選取1組作為測試集,剩余N-1組作為訓練集。利用SVM子分類器進行分類處理后,進行分類器準確率的統(tǒng)計分析。將N組中的所有組均進行一次測試,即可計算得出總體測試的平均識別準確率。

        再次,從參數(shù)空間中選取1組參數(shù),繼續(xù)輸入到第一個子分類器中。

        重復執(zhí)行上述步驟,同時計算出每個C和σ組合而成的參數(shù)向量的平均識別準確率。采用其中存在最大平均分類識別率的一組C和σ,把它們作為模型的最優(yōu)參數(shù)。由式(9)計算粒子的適應(yīng)度值:

        式中:Mi為第i組測試樣本對應(yīng)的分類正確率。

        3.2 故障診斷步驟

        在診斷液壓系統(tǒng)故障時,本文通過應(yīng)用多值分類器的識別方法和粒子群算法來構(gòu)建SVM模型,最后進行故障診斷和分類識別。本文采用二叉樹結(jié)構(gòu)SVM診斷模型,它通過串聯(lián)多個SVM子分類器構(gòu)成,利用PSO對SVM模型參數(shù)進行優(yōu)化,進而構(gòu)建可進行多分類的二叉樹故障分類器。粒子群算法優(yōu)化SVM的故障診斷模型如圖3所示。

        圖3 粒子群算法優(yōu)化SVM故障診斷模型

        粒子群算法優(yōu)化SVM的故障診斷模型,具體步驟如下:

        (1)采用PSO對SVM模型懲罰系數(shù)C和核參數(shù)σ進行優(yōu)化;

        (2)初始化參數(shù),設(shè)置最大迭代次數(shù)為200,群體規(guī)模50,維度為2,構(gòu)造訓練數(shù)據(jù)樣本集,設(shè)定C和σ取 值 范 圍:C=[0.01,100],σ=[0.1,1000],C和σ構(gòu)建二維粒子,設(shè)置初始粒子的隨機位置和速度;

        (3)由SVM多類分類模型對測試樣本集進行分類和識別,計算各個粒子的適應(yīng)度值,根據(jù)第i個SVM子分類器是否可以對樣本故障類型進行判定,結(jié)果為能夠識別診斷,就會輸出正類,反之會輸出負類;

        (4)結(jié)合適應(yīng)度值,更新個體最佳位置與全局最佳位置;

        (5)更新權(quán)值和學習因子,并更新速度和位置;

        (6)對PSO算法是否為最大迭代次數(shù)進行判斷,是則終止,轉(zhuǎn)步驟(7);否即轉(zhuǎn)步驟(3);

        (7)采用最高適應(yīng)度的粒子,將其優(yōu)化參數(shù)即其參數(shù)空間位置定義為優(yōu)化后的粒子群算法改進后的最優(yōu)SVM模型參數(shù)C*和σ*;

        (8)將懲罰系數(shù)C*以及核參數(shù)σ*輸入SVM,構(gòu)建故障診斷的最優(yōu)SVM模型;

        (9)應(yīng)用該模型診斷系統(tǒng)故障。

        4 診斷實例

        溢流閥故障、減壓閥故障以及液壓泵故障這3種故障是液壓系統(tǒng)的主要故障。首先將采集到的這3種振動信號進行預處理;之后使用CEEMDAN結(jié)合模糊熵進行特征提取,并歸一化計算處理,建立數(shù)據(jù)樣本以便于訓練及測試。結(jié)合液壓系統(tǒng)不同的故障狀態(tài),每種狀態(tài)都設(shè)置特征向量50個,用它們組合成訓練樣本。即訓練數(shù)據(jù)包含4類故障狀態(tài)共200個特征向量。同時選取液壓系統(tǒng)4種故障狀態(tài),每種狀態(tài)構(gòu)建30個特征向量,作為測試數(shù)據(jù)集。即測試數(shù)據(jù)集包含4類故障狀態(tài)共120個特征向量。在訓練數(shù)據(jù)集中,針對4類液壓系統(tǒng)狀態(tài),分別選取其中3個模糊熵特征向量,如表1所示。

        表1 數(shù)據(jù)樣本特征向量

        設(shè)置改進的算法模型最大迭代次數(shù)為200、群體 規(guī) 模50,C=[0.01,100]、σ=[0.1,1000],實 驗迭代達到最大代數(shù),則算法終止,并保存搜索到的最優(yōu)參數(shù)。為驗證本文所用改進算法的優(yōu)越性,分別采用粒子群算法優(yōu)化SVM多值分類模型、基本SVM模型以及遺傳算法優(yōu)化SVM模型對液壓系統(tǒng)進行訓練測試,對診斷精度進行比較,以驗證本文提出的粒子群算法優(yōu)化SVM模型的分類性能。

        3種模型的分類性能比較結(jié)果如表2所示, 3種算法預測分類和測試集實際分類情況如圖4 所示。

        圖4 測試集的實際分類和這3種算法預測分類

        表2 3種算法分類性能比較

        從表2和圖4可以看出,應(yīng)用優(yōu)化后的PSO-SVM模型進行故障診斷,準確率提高到97.5%,GA-SVM準確率為91.7%,單個SVM準確率為81.7%。優(yōu)化后的PSO-SVM模型準確率最高,GA-SVM其次,SVM最低。分析實驗結(jié)果可知,優(yōu)化后的PSO-SVM故障診斷模型具有更強的分類性能,對液壓系統(tǒng)故障的識別準確率有著顯著的提升。

        5 結(jié) 語

        本文利用CEEMDAN結(jié)合模糊熵進行特征提取,更好地反應(yīng)故障特征。故障識別采用支持向量機分類器,以二分類SVM為基礎(chǔ),構(gòu)建二叉樹結(jié)構(gòu)的多分類模型,有效提升分類效果,避免劃分盲區(qū)。應(yīng)用粒子群算法,利用其較好的收斂速度和全局尋優(yōu)能力優(yōu)化支持向量機模型參數(shù),并與基本SVM和GA-SVM進行對比分析。實驗表明,本文采用的粒子群算法(PSO)優(yōu)化SVM顯著提高了SVM故障診斷模型的故障診斷準確率,提升了分類性能,該模型對于液壓系統(tǒng)的故障識別具有很強的適用性。

        猜你喜歡
        分類器故障診斷粒子
        基于粒子群優(yōu)化的橋式起重機模糊PID控制
        BP-GA光照分類器在車道線識別中的應(yīng)用
        電子測試(2018年1期)2018-04-18 11:52:35
        基于粒子群優(yōu)化極點配置的空燃比輸出反饋控制
        加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
        結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別
        基于LCD和排列熵的滾動軸承故障診斷
        基于WPD-HHT的滾動軸承故障診斷
        機械與電子(2014年1期)2014-02-28 02:07:31
        高速泵的故障診斷
        河南科技(2014年3期)2014-02-27 14:05:48
        日本大片在线一区二区三区| 国产精品美女久久久久久久久| 精品国产乱码久久久软件下载 | 青青草大香蕉视频在线观看| 无码少妇精品一区二区免费动态| 日本色噜噜| 国产91精品丝袜美腿在线| 亚洲视频免费在线观看| 久久久久99精品成人片直播| 亚洲另类激情综合偷自拍图| 亚洲不卡av不卡一区二区| 亚洲毛片免费观看视频| 国产精品中文久久久久久久 | 国产老熟女狂叫对白| 亚洲欧洲一区二区三区波多野| 亚洲中文乱码在线视频| 国产老熟妇精品观看| 日韩人妻无码一区二区三区久久99 | 欧美日韩国产综合aⅴ| 亚洲处破女av一区二区| 亚洲精品国产第一综合色吧| 国产亚洲精品bt天堂精选| 乱中年女人伦av三区| 国产麻豆极品高清另类| 亚洲av成人无码一二三在线观看| 欧美疯狂性xxxxxbbbbb| 国产av无码专区亚洲aⅴ| 亚洲国产综合精品中久| 亚洲国产成人片在线观看| 国产99re在线观看只有精品| 亚洲一区二区三区一区| 色欲av永久无码精品无码蜜桃| 日日碰狠狠躁久久躁| 亚洲AV永久无码精品一区二国| 女同恋性吃奶舌吻完整版| 各种少妇正面着bbw撒尿视频| 国产jk在线观看| 国产主播一区二区三区在线观看| 亚洲一区二区三区四区五区黄| 宝贝把腿张开我要添你下边动态图 | 毛片内射久久久一区|