基于粒子群优化lswsvm电机断条故障诊断.pptVIP

智能控制 基于粒子群优化LS-WSVM的电机断条故障诊断 1、电机故障诊断研究的目的和意义 电动机是进行电能与机械能转换的旋转机器。 继电保护装置是在电机出现异常之后的保护，并不能提前预知电机故障，而且继电保护装置动作后电机的停止运行也会给生产带来经济损失。 电机故障诊断技术对及时发现并排除电机的故障，保证电机正常运行，提高生产效率，减少维修费用，具有非常重要的意义。因此，研究电机的智能在线监测、故障诊断系统十分重要。 1、实验条件 实验所用的三相异步电动机型号为Y132M-4型，额定功率为7.5kW,额定电压为380V，电压额定频率为50Hz，额定电流为15.4A，额定转速为1440rpm（即额定转差率sN=0.04），三角形接法,完好转子共有32根导条。有完好、断1条、断3条3种定做的转子。负载为8kW的直流发电机，发电机给40个功率为200W的灯泡供电，有空载、半载和满载3种运行状态。 2、特征向量提取 2.1 电机定子电流频谱分析 小波变换是在傅里叶变换的基础上发展起来的。傅里叶变换是用正弦函数来逼近信号，小波变换是用小波函数来逼近信号。 小波变换可以对信号进行局部分析，其窗口函数的面积固定但是形状可以改变。在信号的低频部分，窗口函数在时域较宽，分辨率低，在频域较窄，分辨率高；在信号的高频部分，窗口函数在时域较窄，分辨率高，在频域较宽，分辨率低。这个优点正好符合我们对信号分析的要求，故小波变换被誉为“数学显微镜”。 2.2 小波变换 选择db6小波分别对正常电机、转子断1条满载电机、转子断3条满载电机的10个周期的定子电流信号即1000个数据进行三层分解，求出每个节点信号的能量，得到的特征向量如下表所示： 2.2 小波变换 选择db6小波分别对正常电机、转子断1条满载电机、转子断3条满载电机的10个周期的定子电流信号即1000个数据进行三层分解，求出每个节点信号的能量，得到的特征向量如下表所示： 2.2 小波变换 支持向量机是一种机器学习方法。相对于人工智能方法，支持向量机在模式识别上有许多优势。人工智能方法，例如人工神经网络，都是基于大样本学习理论的，实际上很难得到大量的数据，而且人工智能方法容易出现“欠训练”和“过训练”现象。支持向量机在小样本学习上具有很好的泛化能力，很大程度上解决了模型选择与过学习问题、局部收敛问题、非线性和维数灾难等问题，成为目前研究的热点。在模式识别与分类、函数回归与拟合等领域中得到了广泛的应用。 2.3 最小二乘小波支持向量机 支持向量机是一种机器学习方法。 2.3 最小二乘小波支持向量机 实际应用中训练集往往不是线性可分的 2.3 最小二乘小波支持向量机 引入适当的核函数 支持向量机是一种机器学习方法。 2.3 最小二乘小波支持向量机 最小二乘法基本原理 评价函数p(x)对于给定数据点集 的拟合程度的好坏，常用误差平方和 来表示。这种方法称为最小二乘法（The least square method）。 最小二乘法是一种优化算法，常被用于曲线的拟合。 2.3 最小二乘小波支持向量机 最小二乘支持向量机基本原理 最小二乘支持向量机（Least squares Support Vector Machines,LS-SVM）是将标准支持向量机的不等式约束用等式约束代替，即将式（3.10）中的≥用=代替。且将误差平方和损失函数作为训练集的经验损失，将优化问题简化成求方程组的问题，大大提高了求解的速度。 2.3 最小二乘小波支持向量机 最小二乘小波支持向量机（Least Squares Wavelet Support Vector Machines, LS-WSVM）与最小二乘支持向量机的基本原理相同，只是核函数用小波核函数代替。相对于最小二乘支持向量机，最小二乘小波支持向量机将小波分析和支持向量机的优势互补,具有强大的泛化能力和抗噪能力。下面将分别利用最小二乘小波支持向量机和最小二乘支持向量机（RBF核）来解决双螺旋分类问题。 2.3 最小二乘小波支持向量机 双螺旋的样本 2.3 最小二乘小波支持向量机 2.3 最小二乘小波支持向量机 2.3 最小二乘小波支持向量机 2.3 最小二乘小波支持向量机 2.3 最小二乘小波支持向量机 3、粒子群优化的LS-WSVM 3.1 标准的粒子群优化算法 粒子群优化算法（PSO）是由James Kennedy和Russell Eberhart博