svm的地铁车辆牵引控制单元故障诊断

svm的地铁车辆牵引控制单元故障诊断

ID:35187855

大小:1.18 MB

页数:6页

时间:2019-03-21

svm的地铁车辆牵引控制单元故障诊断_第1页
svm的地铁车辆牵引控制单元故障诊断_第2页
svm的地铁车辆牵引控制单元故障诊断_第3页
svm的地铁车辆牵引控制单元故障诊断_第4页
svm的地铁车辆牵引控制单元故障诊断_第5页
资源描述:

《svm的地铁车辆牵引控制单元故障诊断》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第55卷第1期大连理工大学学报Vol.55,No.12015年1月JournalofDalianUniversityofTechnologyJan.2015??????????????????电?子?与?信?息?工?程?、?管?理?工?程???文章编号:1000-8608(2015)01-0067-06基于IPSO-SVM的地铁车辆牵引控制单元故障诊断徐晓璐1,吴涛1,2,顾宏*1(1.大连理工大学控制科学与工程学院,辽宁大连116024;2.北车大连电力牵引研发中心有限公司,辽宁大连116045)摘要:地铁车辆牵引

2、控制单元(TCU)是地铁系统的核心单元之一,准确诊断其故障状态对整个地铁车辆安全运行至关重要.基于数据的故障诊断方法是当前热点方法之一.针对牵引控制单元故障诊断中检测参数多、故障类别多的特点,提出了改进的粒子群优化支持向量机(IPSO-SVM)方法,克服了传统方法存在过拟合、收敛速度慢、易陷入局部最优的缺点.使用UCI机器学习数据库中的5个数据集进行仿真实验,结果表明:IPSO-SVM分类精度高于ICPSO-SVM、PSO-SVM、GA-SVM.进一步将此方法应用于地铁车辆实际数据,同样得到了较好的分类结果,验证了所

3、提方法的有效性.关键词:牵引控制单元;故障诊断;支持向量机(SVM);改进粒子群优化(IPSO)算法中图分类号:U269.9文献标识码:Adoi:10.7511/dllgxb2015010100引言诊断.但在实际应用中SVM方法还存在怎样选取参数能使其诊断性能达到最优的问题.众学者地铁是人员密集的公共交通系统,设施的自已经提出了一些解决办法,例如遗传算法、粒子群动化程度高,为保证地铁车辆安全稳定运行,高[6]算法等.但是这些方法涉及太多人为因素,并且效、快速排查地铁车辆出现的故障并根据故障诊优化过程中容易陷入局部最优

4、.断结果给出相应的维修建议十分重要.牵引控制为了克服这些缺点,本文采用改进粒子群优单元(TCU)是地铁车辆控制的重要组成部分,列化(IPSO)算法优化SVM参数的方法.改进粒子车通过向牵引控制单元传输指令信息,实现对整群优化算法利用混沌运动的规律性、遍历性、内部车牵引系统的控制.因此必须始终保持牵引控制随机性来搜索最优参数,并且在优化过程中加入单元安全平稳的工作状态.了识别过早停滞的方法,一旦发生了过早停滞,就[1-4]近几年随着人工智能诊断方法的不断发重置个体最优位置和全局最优位置.最后通过实展,神经网络被广泛用于

5、地铁车辆的故障诊断.但验验证这种方法的可行性.神经网络存在过拟合、收敛速度慢、易陷入局部最优的缺点.而支持向量机(SVM)模型结构简单,1SVM分类器克服了维数灾难和易陷入局部最优的缺点,且对SVM是一种基于结构风险最小化原则的机小样本和非线性问题有很好的分类效果和泛化能器学习算法,最早应用于模式识别[7].设计一个非[5-6]力,已经得到了广泛关注,并逐渐应用于故障线性SVM模型的基本思想是:通过预先选好的诊断中.由于地铁牵引控制单元故障诊断的复杂非线性映射函数把输入向量x∈Rn映射到高维性和小样本特性,SVM方法

6、更适用于地铁的故障特征空间F中,在此高维特征空间F中创建最优收稿日期:2014-06-09;修回日期:2014-10-09.基金项目:国家自然科学基金资助项目(61305034);高等学校博士学科点专项科研基金资助项目(20120041110008).作者简介:徐晓璐(1989-),女,硕士生,E-mail:xuxiaolu19891111@126.com;顾宏*(1961-),男,教授,博士生导师,E-mail:guhong@dlut.edu.cn.68大连理工大学学报第55卷分类超平面.数:最优分类超平面的决策函

7、数如下:2x-xiK(xi,x)=exp{-2}(10)σy=sgn[(w·x)+b](1)式中:σ是核函数宽度.式中:sgn(·)是符号函数,w是权重向量,x是输研究表明C和核函数参数是影响SVM性能入向量,b是常数.通过非线性映射函数φ(x)将数[8-10]据映射到高维特征空间后,分类决策函数为的主要因素.因此为了获得SVM更好的泛化能力,要选择合适的C和核函数参数.本文用改y=sgn[(w·φ(x))+b](2)进粒子群优化算法来优化C和核函数参数.约束条件为yi[(w·φ(xi))+b]-1≥0;i=1,2,

8、…,n2改进粒子群优化(IPSO)算法(3)2.1标准粒子群优化算法xi是指第i个训练数据,yi=±1.粒子群优化算法是一种由鸟群觅食演化而来根据VC维理论,在上述约束条件下使结构的全局搜索算法,它通过分享群体间的历史信息风险最小化,数学过程可表达为如下的二次规划问题:和社会信息来搜索最优值.由于它的概念简单、收[11-12]minϕ(w)=w

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。