资源描述：
《基于OCSVMCPSO的自适应故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、23!""#!$%"!#!"#$%&’()*+,*’’(,*+-*./$$0,1-&,"*2计算机工程与应用基于!"#$%&"’#!的自适应故障诊断"!/"钟清流!蔡自兴"!/"01&2345(*+56!’7805*95(:";中南大学信息科学与工程学院智能系统与智能软件研究所!长沙<"==!>/(湖南大学计算机与通信学院!长沙<"==!/";’)(?)@AB8(?)++5:)(?#C-?)D,(E#AB?F,@)!#GHAA+AB8(BA@D,?5A(#G5)(G),(EI(:5())@5(:!’)(?@,+#A6?HJ(5K)@-5?C!’H,(:-H,
2、<"==!>!’H5(,/(#GHAA+AB’ADL6?)@,(E’ADD6(5G,?5A(!16(,(J(5K)@-5?C!’H,(:)H,<"==!/!*+,-.I*D,5+(12JM04NO"P>;GAD()!*+,-.&/-0!"12(-&3-.45#6/789:9;<-=6!90/<&"-94.>?6?#9?6:8>.!"#$%8"’#!5$%&’()*+,-./-**+/-.0-"1’’2/30@)/%-4!5667!89"A’(BA8CD5EF?3、E*A(&’#$%*’.#&H,-Q))(L6?BA@F,@E!FH5GH?,R)-&’#$%,-Q,-5GE)?)G?5(:DAE6+),(E’.#&,--),@GH5(:DAE6+)BA@AL?5D5S5(:L,@,D)?)@!,(E-?,@?6L’.#&?A-),@GH()FL,@,D)?)@-FH)(?H),GG6@,GCE)?)G?)EH,-Q))(6(E)@,,--6@)E?H@)-HA+E!Q6?D,5(?,5(-E)?)G?5(:L@AG)--QC()FL,@,D)?)@-FH)(H),GTG6@,GCE)?)G?)EH,-Q))(,QAK)
4、?H),--6@)E?H@)-HA+E(UH)-5D6+,?5A(*)9L)@5D)(?-H,K)-HAF(!5?G,(Q))BB)G?5K)+C6-)EBA@A(T+5()E)?)G?5(:?,-R-F5?HH5:H)@,GG6@,GC(I6JK>G:?(&()*’+,--#$%&’H,A-.,@?5G+)#F,@D&L?5D5S,?5A(&))+B*.E,L?5K)&/,6+?*05,:(A-)-摘要!提出了一种基于&’#$%*’.#&自适应故障诊断模型!它用&’#$%作为基本检测模块!而用’.#&作为最优参数的搜索模块;当在线运行的检测准确率低于某确定
5、的阈值时!启动’.#&搜索新的参数"而准确率达标时!用新参数继续后续检测过程"实验表明#此方法能够有效地实现高准确率在线检测任务"关健词#一类支持向量机$混沌粒子群优化$自适应$故障诊断文章编号!"==/*!>>""/==V’=!1=="!*=>文献标识码!7中图分类号!U."!"面临问题及解决思路用于变化过复杂的动态时序数据!尤其是来自在复杂环境中移对移动机器人的故障检测!通常需要利用来自传感器的动动机器人传感器的数据%解决&’#$%模型稳定性问题的基本态时序数据!用于检测的典型算法有神经网络预测器的故障诊方法是!根据不同的工作流数据采用不同的参数%在#$
6、%参数断理论和方法$基于#$%的算法$基于人工免疫理论$基于粒选择方面!已有一些学者作了有益的尝试!取得一些成果%最常子滤波!等%其中!神经网络的算法有计算代价大!且易陷入局用且可靠的参数选择方法是在判定参数范围基础上对整个参部极小的缺点&而属于进化演算类型的人工免疫和粒子滤波尽数空间进行网格式搜索!从中找出最佳值%然而其运算代价太管能够克服局部极值问题!达到较高的精度!但计算代价大!运大而不适合在线实时运用%其它算法如(基于实验设计的方法$行缓慢!仍是限制其在实时检测中广泛应用的主要原因%相比模拟淬火法$基于在线高斯过程的搜索法$梯度下降法$混沌优之下!基
7、于基结构风险最小化原则的#$%算法!因其有很好的化方法$最小最大化方法!在一定条件或范围内都能够解决一非线性处理能力和泛化能力!且无局部极小问题&通过采用核些特定问题%但都有计算代价大!费时长难以用于在线实时情函数方法!向高维空间映射时并不增加计算的复杂性!又有效况%为此!本文提出了一种基于&’#$%)一类支持向量机’和地克服了维数灾难问题%同时还具有计算代价小!运算快的特’.#&"混沌粒子群优化’组合式自适应故障诊断模型%其基本思路是(采用&’#$%作为基本的检测模型学习器&"’!用’.#&点%这使它成为在线故障检测的重要候选方案%尤其是用采用正常工作流数
8、据的&’#$%"&()*’+,--#$%!一类支持向
