本文關鍵詞：基于人工蜂群算法和LSSVM的風機齒輪箱故障診斷

  更多相關文章： 風機齒輪箱 故障診斷 最小二乘支持向量機 人工蜂群算法 BTABC

【摘要】：隨著經濟的發(fā)展和人口的增加，能源危機正影響著人們的生活，風能是綠色能源，蘊藏量豐富，因此被廣泛的使用，其中最有利的形式就是風力發(fā)電。風力發(fā)電成本低，無污染，具有很好的發(fā)展前景。隨著風電機組的廣泛使用以及設備結構的逐步復雜，故障問題也逐漸引起了人們的關注。在風電機組中，齒輪箱是故障發(fā)生率最高的部件，，因此本文研究了風機齒輪箱的故障診斷方法。 風機齒輪箱發(fā)生故障的樣本數(shù)據(jù)較少，一般的故障診斷方法難以保證診斷的性能。支持向量機(Support Vector Machine，SVM)是一種小樣本的人工智能方法，適合對風機齒輪箱進行故障診斷。最小二乘支持向量機(Least Square Support VectorMachine，LSSVM)是對SVM方法的改進，無論是運行時間還是正確率，LSSVM算法都有了提高，因此本文選擇LSSVM作為故障診斷的理論基礎。 LSSVM的參數(shù)對其性能有著非常重要的作用，為了避免參數(shù)選擇的盲目性，需要對其參數(shù)進行優(yōu)化。本文對人工蜂群算法(Artificial Bee ColonyAlgorithm，ABC)進行了改進，引入了反向學習的方法和錦標賽的選擇策略，研究了基于錦標賽選擇策略的雙種群人工蜂群算法（Bi-Group Artificial Bee Colony Algorithm Based onTournament Selection，BTABC）。然后利用BTABC算法對LSSVM進行參數(shù)優(yōu)化，以BTABC-LSSVM方法對風機齒輪箱進行故障診斷。 最后，本文給出了基于BTABC-LSSVM的風機齒輪箱故障診斷模型，利用BTABC-LSSVM進行故障診斷。經過實驗分析對比，本文所用方法比交叉驗證參數(shù)的LSSVM和小波神經網絡方法具有更高的故障識別率，在風機齒輪箱故障診斷領域具有良好的實用性。
【關鍵詞】：風機齒輪箱 故障診斷 最小二乘支持向量機 人工蜂群算法 BTABC
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3;TP18
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-16
• 1.1 課題研究背景及意義9-11
• 1.2 風機齒輪箱故障診斷的研究現(xiàn)狀和發(fā)展趨勢11-14
• 1.2.1 風機齒輪箱故障診斷的研究現(xiàn)狀11-13
• 1.2.2 風機齒輪箱故障診斷的發(fā)展趨勢13-14
• 1.3 研究內容和論文組織結構14-16
• 1.3.1 課題主要的研究內容和意義14-15
• 1.3.2 論文的組織結構15-16
• 第2章 最小二乘支持向量機16-25
• 2.1 概述16
• 2.2 支持向量機理論16-20
• 2.2.1 最優(yōu)超平面16-17
• 2.2.2 支持向量機17-18
• 2.2.3 核函數(shù)18-19
• 2.2.4 支持向量機的多分類問題19-20
• 2.3 最小二乘支持向量機20-23
• 2.3.1 最小二乘支持向量機20-22
• 2.3.2 參數(shù)的選擇方法22-23
• 2.4 LSSVM 和 SVM 的區(qū)別23-24
• 2.5 本章小結24-25
• 第3章 基于人工蜂群算法優(yōu)化的 LSSVM25-34
• 3.1 概述25
• 3.2 人工蜂群算法25-28
• 3.2.1 人工蜂群算法的原理25-26
• 3.2.2 人工蜂群算法的流程26-27
• 3.2.3 人工蜂群算法的特點27-28
• 3.3 基于人工蜂群算法的 LSSVM 參數(shù)優(yōu)化28
• 3.4 基于錦標賽選擇策略的雙種群人工蜂群算法28-30
• 3.4.1 基于反向學習的群體初始化29
• 3.4.2 錦標賽選擇策略29
• 3.4.3 信息交互29-30
• 3.4.4 BTABC 算法30
• 3.5 基于 BTABC 算法的 LSSVM 參數(shù)優(yōu)化30-32
• 3.5.1 參數(shù)初始化30-31
• 3.5.2 LSSVM 參數(shù)優(yōu)化31-32
• 3.6 本章小結32-34
• 第4章 基于 BTABC-LSSVM 的風機齒輪箱故障診斷34-42
• 4.1 概述34
• 4.2 基于 BTABC-LSSVM 的風機齒輪箱故障診斷模型34-35
• 4.3 風機齒輪箱的常見故障和診斷方法35-37
• 4.3.1 風機齒輪箱的常見故障35-36
• 4.3.2 風機齒輪箱的診斷方法36-37
• 4.4 實驗結果與分析37-41
• 4.4.1 數(shù)據(jù)采集與特征提取37-38
• 4.4.2 參數(shù)設置38
• 4.4.3 實驗結果38-41
• 4.5 本章小結41-42
• 第5章 總結與展望42-44
• 5.1 本文總結42-43
• 5.2 展望43-44
• 參考文獻44-47
• 攻讀碩士學位期間發(fā)表的論文及其它成果47-48
• 致謝48

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 郭輝;劉賀平;王玲;;最小二乘支持向量機參數(shù)選擇方法及其應用研究[J];系統(tǒng)仿真學報;2006年07期

2 周輝仁;鄭丕諤;任仙玲;;最小二乘支持向量機的參數(shù)優(yōu)選方法及應用[J];系統(tǒng)工程學報;2009年02期

3 吳昱;李元香;徐星;;基于群智能的新型反向混合差分進化算法[J];小型微型計算機系統(tǒng);2009年05期

4 郭鵬;David Infield;楊錫運;;風電機組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法[J];中國電機工程學報;2011年32期

本文編號：722397