發(fā)布時間：2021-05-19 05:08

　　針對傳統(tǒng)故障監(jiān)測與診斷算法在船舶柴油發(fā)動機燃油系統(tǒng)應用中精度較低的問題,提出一種基于粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法優(yōu)化核主成分分析（Kernel Principal Component Analysis,KPCA）和支持向量機（Support Vector Machine,SVM）的故障監(jiān)測和診斷新方法。首先采用KPCA提取樣本數(shù)據(jù)中的非線性特征,獲取其高維信息,同時在特征空間中構建T²和SPE統(tǒng)計量,實時監(jiān)測故障的發(fā)生;對于監(jiān)測到的故障樣本,通過KPCA提取其非線性主成分,作為多分類SVM的輸入樣本進行故障模式識別,采用PSO算法分別對KPCA與多分類SVM的核函數(shù)參數(shù)、多分類SVM的懲罰因子進行優(yōu)化,以提高故障監(jiān)測和診斷模型的精度。船舶燃油系統(tǒng)故障監(jiān)測和診斷試驗結果表明,經(jīng)過PSO優(yōu)化后的KPCA-SVM故障監(jiān)測和診斷模型的精度明顯提高,驗證了所提方法的優(yōu)勢和有效性。 

【文章來源】：現(xiàn)代制造工程. 2020,(09)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 基于PSO改進KPCA的故障監(jiān)測
    1.1 KPCA非線性特征提取
    1.2 基于KPCA的故障監(jiān)測
    1.3 基于PSO改進KPCA核函數(shù)參數(shù)的故障監(jiān)測
2 基于PSO優(yōu)化KPCA-SVM的故障診斷
    2.1 SVM故障模式識別原理
    2.2 基于PSO改進KPCA-SVM的船舶燃油系統(tǒng)故障診斷試驗
        1)傳統(tǒng)單一SVM試驗。
        2)KPCA-SVM試驗。
        3)基于PSO改進KPCA-SVM及PCA-SVM的試驗。
3 結語


【參考文獻】：
期刊論文
[1]基于改進BP神經(jīng)網(wǎng)絡的風電功率超短期預測[J]. 劉增里,楊靜,劉亞林,熊力.  船舶工程. 2019(S1)
[2]基于DPC-GMM算法的船舶燃油系統(tǒng)故障診斷[J]. 魏一,張躍文,李斌.  中國艦船研究. 2018(06)
[3]一種基于小波包與KPCA的發(fā)動機多信號融合故障診斷方法[J]. 么子云,朱麗娜,潘彪,薛繼旭,張進杰.  現(xiàn)代制造工程. 2018(06)
[4]基于隨機森林和支持向量機的船舶柴油機故障診斷[J]. 賀立敏,王峴昕,韓冰.  中國航海. 2017(02)
[5]優(yōu)化支持向量機及其在智能故障診斷中的應用[J]. 王保建,張小麗,傅楊奧驍,陳雪峰.  振動.測試與診斷. 2017(03)
[6]基于K-L散度與PSO-SVM的齒輪故障診斷[J]. 秦波,劉永亮,王建國,楊云中.  現(xiàn)代制造工程. 2017(03)
[7]基于KPCA和PSOSVM的異步電機故障診斷[J]. 李平,李學軍,蔣玲莉,曹宇翔.  振動.測試與診斷. 2014(04)
[8]基于KPCA和SVM的火箭發(fā)動機試驗臺故障診斷方法[J]. 朱寧,馮志剛,王祁.  哈爾濱工業(yè)大學學報. 2009(03)

博士論文
[1]支持向量技術及其應用研究[D]. 董寶玉.大連海事大學 2016
[2]基于核學習理論的船舶柴油機故障診斷研究[D]. 柴艷有.哈爾濱工程大學 2012

碩士論文
[1]基于改進KPCA與K近鄰算法的柴油機故障檢測研究[D]. 李宇.大連理工大學 2018
[2]基于PKPCA和邏輯回歸模型的滾動軸承壽命預測研究[D]. 王萌.大連理工大學 2018



本文編號：3195176