如需要完整文档点击下方 "点击下载文档" 按钮

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO）算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法。首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互信息方法对故障特征进行了筛选,结合某电厂实测数据,利用改进的算法对支持向量机核函数参数和惩罚因子进行了优化;最后,分别使用天牛群算法优化支持向量机模型(BSO-SVM）、粒子群算法优化支持向量机模型(PSO-SVM）、遗传算法优化支持向量机(GA-SVM）模型和支持向量机模型对磨煤机进行了故障诊断,并将其与实际故障类型进行了对比;对4个模型分别添加了不同级别的噪声干扰,并测试了模型的稳定性。研究结果表明:BSO-SVM模型的分类准确率最高,达到了96.88%;在5个级别的噪声干扰下,BSO-SVM模型的评价指标F1ave均能够保持最高水平;与SVM、PSO-SVM、GA-SVM模型相比,BSO-SVM可以更稳定、更准确地识别故障,为磨煤机故障诊断提供实际参考。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于天牛群算法优化SVM的磨煤机故障诊断》

将 完整文档 下载到本地，方便收藏和查阅

文件号：210845

点击下载文档