基于主成分分析和遗传支持向量机的发动机故障诊断.pdf

《基于主成分分析和遗传支持向量机的发动机故障诊断.pdf》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8期总第206期农业科技与装备NO．8TotalNo．2062011年8月AgriculturalScience&TechnologyandEquipmentAug．2011基于主成分分析和遗传支持向量机的发动机故障诊断官丹(成都农业科技职业学院，成都611130)摘要：为了实现发动机故障的快速实时诊断，提出一种基于主成分分析(PCA)和遗传支持向量机(GA—SVM)的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征，以减少信号的冗余。针对人为选择SVM参数的盲目性．应用

2、遗传算法优化其参数，并与BP神经网络(BPNN)比较。试验结果表明：GA—SVM比BPNN具有更强的分类识别能力．小样本故障诊断正确率达100％。关键词：能源与动力工程；发动机；故障诊断；主成分分析；支持向量机；遗传算法中图分类号：TK428文献标识码：A文章编号：1674—1161(2011)o8—0019—04发动机作为汽车动力源，结构复杂，工作条件差，4)利用台湾大学林智仁开发的Libsvm工具箱故障率较高，约占整车故障的40％。因此，提取故障建立发动机故障诊断模型，并用遗传算法优化其参特征

3、，建立与故障的映射关系，是及时准确监测发动数。机状态的有效方法。5)从不同故障状态中随机抽取部分数据训练模发动机故障特征提取技术较成熟．程利军等利用型，其余数据对模型进行检验和评价。小波技术提取柴油机缸盖信号的特征参数[。提取故2相关算法障特征之后，如何利用这些信息对故障类型做出准确2．1PCA算法识别是目前研究的重点。李增芳等提出利用主成分分PCA是一种数据压缩和特征提取的多变量统计析和神经网络对发动机故障进行诊断[，该方法较好分析方法．它可以找出数据中最“主要”的元素和结地拟合了声强信号和故障

4、状态之间的非线性关系，但构，将原有的复杂数据降维[引。神经网络易陷入局部最优。近年来，将支持向量机理设样本数据矩阵X∈R一。先将作如下标准化论(SVM)应用于发动机故障诊断。具有先进的统计学xs=[x一(11⋯1)TM]ding【，1，⋯，J(1)理论和小样本泛化能力强等优点。但SVM参数选择大多凭经验确定．不同参数对模型识别精度和泛化推式中：为变量的样本均值：．s为样本标准差。广有很大的影响[。为此，本研究采用PCA和GA—对进行主元分析可以得到SVM相结合的思路，建立发动机故障诊断模型。由于X

5、=lp1r+tao2⋯+(2)它同时具有降维、支持向量机识别、遗传优化参数的式中：t为得分向量，也称主元；p为负荷向量。特点，所以更适合对发动机故障进行实时诊断。一般取累计贡献率大于95％对应的前k个主元1设计原理(后

6、发动机缸盖信号，用小波包分解得到原SVM就是通过核函数，将输入空间映射到一个始特征向量。高维特征空间，然后在特征空间中通过最大化分类间2)数据归一化处理。隔来构造最优分类超平面[5]。3)PCA约简维数。取累计贡献率大于95％的主设样本集为{(yi)li=1，2，⋯，n}，∈R类别元构成新的特征向量。标号Y∈{+l，一1}，在高维特征空间建立的分类超平面为：收稿日期：2011—04—07W·x+b=0(4)作者简介：官丹(1981一)，女，硕士，从事机械控制技术方面的研究。式中：W为权向量；b为阈

7、值。20农业科技与装备2011年8月最优分类超平面在线性不可分的情况下，把原问K(xi"x~)=exp(-IIx-xiIl2／2cr2)(7)题转换为其对偶问题，即高斯核函数决定样本特征子空间分布的复杂程度。误差惩罚参数通过对错分率的控制来影响max(口)：i∑=1一厶i∑=l∑=1y,％a,alK(xi"巧)(5)SVM的推广能力。它们共同影响着测试样本的分类n效果和推广能力。s．t0≤≤c，a0"i=0，i=1，2，⋯，凡(6)2．3GA—SVM算法i=1通常采用经验或交叉试验法获得较优的SV

8、M参式中：C为误差惩罚系数；为Lagrange乘子；数．这种方法费时且不一定最优。利用遗传算法对K(x)为核函数。SVM参数进行优化是一种有效的手段[6]，具体步骤如常用的核函数包括线性、多项式、径向基和多层感知器等，本文采用高斯核函数，描述为：图l所示。对参数集进行编二二[初始化种群三二计算适应度函数港＼足停止规／．．I至三个基本算子：遗传算子操作1)选择2)交叉生成子代种群3)变异图1GA—SVM运行流程图Figure1GA-SVMoperationflowchart3故障诊断