基于云計(jì)算的組合方法在電機(jī)故障診斷中的研究.pdf

1、當(dāng)前隨著社會(huì)經(jīng)濟(jì)和科學(xué)技術(shù)的不斷發(fā)展，各類電機(jī)出現(xiàn)在工業(yè)生產(chǎn)和人們的日常工作中并且它所起到的作用也越來越大。而電機(jī)的故障一旦發(fā)生，輕則會(huì)影響人們的生產(chǎn)生活，重則會(huì)危害人的生命安全以及造成嚴(yán)重的經(jīng)濟(jì)損失。因此，為了滿足工業(yè)自動(dòng)化對(duì)電機(jī)的高品質(zhì)需求，研究應(yīng)用于診斷電機(jī)故障的方法在現(xiàn)代生活中具有重大意義。隨著科技的不斷發(fā)展，電機(jī)診斷更需要準(zhǔn)確性和快速性，也就導(dǎo)致在電機(jī)故障診斷領(lǐng)域存在一些技術(shù)難題。例如高維故障數(shù)據(jù)的特征提取不精確導(dǎo)致診斷精度低

2、的難題、單一診斷方法的局限性、較低的運(yùn)算效率等問題。基于上述情況，本文主要研究了等譜流形學(xué)習(xí)算法、狼群算法、組合診斷模型以及云計(jì)算來解決問題，并最后通過美國凱斯西儲(chǔ)大學(xué)的數(shù)據(jù)作為實(shí)例進(jìn)行仿真驗(yàn)證。具體內(nèi)容概況如下：
　　本文首先針對(duì)電機(jī)故障的高維數(shù)據(jù)在提取特征集時(shí)不精確導(dǎo)致其診斷精度低的問題，引入了等譜流形學(xué)習(xí)算法進(jìn)行降維處理，即采用此算法對(duì)經(jīng)過主成分分析降維處理后的數(shù)據(jù)進(jìn)行二次降維，此算法通過其修正后的稀疏重構(gòu)權(quán)矩陣構(gòu)建鄰接圖，

3、使得經(jīng)降維后同類樣本更聚集，不同類樣本更疏散，有效實(shí)現(xiàn)了高維數(shù)據(jù)的去冗降維，最后將其和主成分分析進(jìn)行比較分析，其效果顯著。
　　然后針對(duì)診斷精度易受其等譜流形學(xué)習(xí)算法、最小二乘支持向量機(jī)參數(shù)影響的問題，通過狼群算法對(duì)其中參數(shù)進(jìn)行優(yōu)化。在優(yōu)化最小二乘支持向量機(jī)的參數(shù)組合時(shí)使用Fisher準(zhǔn)則函數(shù)作為所選參數(shù)的優(yōu)劣標(biāo)準(zhǔn)，而在優(yōu)化等譜流形學(xué)習(xí)算法的參數(shù)時(shí)使用的適應(yīng)度函數(shù)為最近鄰分類法的識(shí)別率，利用優(yōu)化的參數(shù)建立最優(yōu)的診斷模型。仿真實(shí)驗(yàn)表

4、明該模型有很好的診斷結(jié)果，并在優(yōu)化參數(shù)時(shí)將狼群算法和粒子群優(yōu)化算法進(jìn)行了比較分析，其診斷效果顯著。
　　最后針對(duì)電機(jī)故障征兆的多樣性和單一診斷方法的局限性等問題，本文通過采用組合診斷模型進(jìn)行解決。本文將最小二乘支持向量機(jī)、模糊神經(jīng)網(wǎng)絡(luò)以及RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合并按照最小化診斷誤差平方和來形成最優(yōu)的組合模型，通過實(shí)驗(yàn)得到的結(jié)果可以看出組合診斷模型能夠?qū)我环椒◣淼娜毕葸M(jìn)行彌補(bǔ)，并與這三種單一診斷方法相比，具有更高的故障識(shí)別率，魯棒性