電機(jī)作為當(dāng)代主要?jiǎng)恿敵鲈O(shè)備,廣泛應(yīng)用于工農(nóng)業(yè)、航空航天、醫(yī)療和軍事等領(lǐng)域。隨著科技的振興和發(fā)展,電力設(shè)備逐漸趨于大型化、復(fù)雜化和智能化,其中,驅(qū)動(dòng)系統(tǒng)作為電機(jī)系統(tǒng)的關(guān)鍵部分,一旦發(fā)生故障,就會(huì)對(duì)整個(gè)設(shè)備的安全平穩(wěn)運(yùn)行造成影響,甚至?xí)斐删薮蟮慕?jīng)濟(jì)損失、環(huán)境破壞和人員傷員等社會(huì)問(wèn)題。為提高電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷準(zhǔn)確率,本文利用引力搜索算法(Gravitational search algorithm,GSA)對(duì)兩個(gè)分類器,支持向量機(jī)(Support Vector Machine,SVM)和BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN),進(jìn)行參數(shù)優(yōu)化處理。在此基礎(chǔ)上,將GSA與粒子群算法(Partical Swarm Optimization,PSO)結(jié)合來(lái)解決GSA易陷入局部最優(yōu)的問(wèn)題,同時(shí)引入混沌映射和自適應(yīng)衰減因子來(lái)平衡GSA的全局探索能力和局部開(kāi)發(fā)能力。最后,為了進(jìn)一步提高診斷精度,綜合SVM和BPNN的性能優(yōu)勢(shì),用D-S(Dempster-Shafer)證據(jù)理論將這兩種分類器的預(yù)診斷結(jié)果在決策級(jí)進(jìn)行融合,從而得出最終的診斷結(jié)果。論文的主要...

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 電機(jī)故障診斷技術(shù)研究現(xiàn)狀
        1.2.2 基于人工智能的故障診斷研究現(xiàn)狀
        1.2.3 信息融合研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
第二章 交流電機(jī)系統(tǒng)故障類型和機(jī)理
    2.1 引言
    2.2 交流電機(jī)系統(tǒng)故障類型
        2.2.1 定子故障
        2.2.2 轉(zhuǎn)子故障
        2.2.3 偏心故障
        2.2.4 軸承故障
        2.2.5 逆變器故障
    2.3 本章小結(jié)
第三章 基于GSA優(yōu)化分類器的電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷
    3.1 引言
    3.2 SVM基本原理
        3.2.1 二分類支持向量機(jī)
        3.2.2 多分類SVM
    3.3 BP神經(jīng)網(wǎng)絡(luò)基本原理
    3.4 GSA基本原理
    3.5 基于GSA優(yōu)化分類器的電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷方法
        3.5.1 GSA-SVM診斷模型
        3.5.2 GSA-BPNN診斷模型
        3.5.3 仿真分析
        3.5.4 實(shí)驗(yàn)驗(yàn)證
    3.6 本章小結(jié)
第四章 基于混沌自適應(yīng)GSAPSO優(yōu)化分類器的電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷
    4.1 引言
    4.2 GSA算法的改進(jìn)
        4.2.1 PSO原理
        4.2.2 混合算法GSAPSO
    4.3 混合算法GSAPSO的改進(jìn)
        4.3.1 自適應(yīng)GSA
        4.3.2 混沌GSA
        4.3.3 混沌自適應(yīng)GSAPSO
    4.4 優(yōu)化后的分類器在電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷中的應(yīng)用
        4.4.1 GSAPSO優(yōu)化分類器
        4.4.2 混沌自適應(yīng)GSAPSO優(yōu)化分類器
        4.4.3 實(shí)驗(yàn)驗(yàn)證
    4.5 本章小結(jié)
第五章 基于多分類器融合的電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷
    5.1 引言
    5.2 信息融合的類型
        5.2.1 數(shù)據(jù)級(jí)融合
        5.2.2 特征級(jí)融合
        5.2.3 決策級(jí)融合
    5.3 D-S證據(jù)理論
    5.4 基于D-S證據(jù)理論的多分類器融合
        5.4.1 基于D-S證據(jù)理論與SVM的電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷
        5.4.2 基于D-S證據(jù)理論與BP神經(jīng)網(wǎng)絡(luò)的電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷
        5.4.3 多分類器融合電機(jī)驅(qū)動(dòng)系統(tǒng)故障診斷
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間參與的科研項(xiàng)目和取得的學(xué)術(shù)成果
致謝



本文編號(hào)：3752590