核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究.docVIP

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究 2010年第32卷电气传动自动化Vo1.32,No.6 第6期第1页ELECTRICDRIVEAUTOMATION2010,32(6J:1-5 文章编号:l005—7277(2010)O6—000l—O5 核主成分分析和粒子群优化算法 术 在牵引电机故障诊断中的应用研究 李全林,何忠韬,刘军军 (兰州交通大学机电工程学院,甘肃兰州730070) 摘要:提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方 法.先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训 练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行 了优化,最后实现对笼型异步牵引电机的故障诊断.该方法既发挥了核主成分分析的特征提取能力,又充分 利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要 求.实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断. 关键词:故障诊断;笼型异步牵引电机;核主成分分析;粒子群优化;支持向量机 中图分类号:TM922.71文献标识码:A ResearchonapplicationofKPCAandPSO—SVM infaultdiagnosisoftractionmotors? L/Quan-lin,HEZhong-tao,LIUJun--iun (SchoolofMechanical-ElectronicsEngineering,LanzhouJiaotongUniversity,La~hou730070,China) Abstract:Afaultdiagnosismethodofcageasynchronoustractionmotoronelectriclocomotiveusingkernelprincipal componentanalysis(KPCA),particleswarmoptimization(PSO)andsupportvectormachine(SVM)isproposed.The kernelprincipalcomponentanalysisisfirstlyemployedtoextractmainfeaturefromfaultdatainordertoobtainthefault featuresubsetwhichisusedastrainingsampleofSVMfaultclassifier,andthendesigningandbuildingthemuh—fault diagnosissystemofSVM,theSVMparameterofwhichisoptimizedbyPSOalgorithm.Thismethodnotonlybringsinto playfeatureextractioncapabilityofKPCA,butalsotakesfulladvantageofgoodclassificationperformanceand generalizationabilityofSVMaswellassatisfiesreal-timedemandsofonlinefaultdiagnosisowingtoitssimple algorithm.Finally,thefaultdiagnososofcageasynchronoustractionmotorsisachieved.Theexperimentalresultsshow thatthemethodcanbeeffectivelyusedinfaultdiagnosisofcageasynchronoustractionmotorsofelectriclocomotives. Keywords:faultdiagnosis;cageasynchronoustractionmotor;kernelprincipalcomponentanalysis;particleswarm optimization;supportvectormachine 1引言 电力机车是我国铁路交通货运和客运的牵引 动力源之一,在整个铁路运输过程中有着举足轻 重的地位.其中,三相交流笼型异步牵引电机作为 交流传动电机机车的最重要部件之一,在电能与 机械能能量转换方面起着关键性的作用,其工作 状态良好与否,直接影响到机车车辆的安全运行 和铁路交通运输的正常运营.因此研究电力机车 笼型异步牵引电机故障的监测,识别和诊断具有 极为重要的现实意义. 目前,关于笼型异步牵引电机故障诊断方法 基金项目:甘肃省自然科