《机电工程》杂志社科技期刊核心期刊论文投稿机电一体化机械、仪表电工自动化、计算机浙江大学主办

《机电工程》杂志，月刊( 详细... )

中国标准连续出版物号： ISSN 1001-4551 CN 33-1088/TH
主办单位：浙江省机电集团有限公司
浙江大学
主编：陈晓
副主编：唐任仲、罗向阳(执行主编)
总经理：罗向阳
出版：浙江《机电工程》杂志社有限公司
地址：杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
国外发行：中国国际图书贸易总公司
订阅：全国各地邮局 国外代号：M3135
国内发行：浙江省报刊发行局
邮发代号：32-68
广告发布登记证：杭上市管广发G-001号

在线杂志	当前位置：机电工程 >>在线杂志

基于天牛群算法优化SVM的磨煤机故障诊断

作者：张烨,黄伟. 日期：2022-05-19/span> 浏览：1454 查看PDF文档

基于天牛群算法优化SVM的磨煤机故障诊断*

张烨,黄伟*

(上海电力大学自动化工程学院,上海 200090）

摘要:在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO）算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法。首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互信息方法对故障特征进行了筛选,结合某电厂实测数据,利用改进的算法对支持向量机核函数参数和惩罚因子进行了优化;最后,分别使用天牛群算法优化支持向量机模型(BSO-SVM）、粒子群算法优化支持向量机模型(PSO-SVM）、遗传算法优化支持向量机(GA-SVM）模型和支持向量机模型对磨煤机进行了故障诊断,并将其与实际故障类型进行了对比;对4个模型分别添加了不同级别的噪声干扰,并测试了模型的稳定性。研究结果表明:BSO-SVM模型的分类准确率最高,达到了96.88%;在5个级别的噪声干扰下,BSO-SVM模型的评价指标F1ave均能够保持最高水平;与SVM、PSO-SVM、GA-SVM模型相比,BSO-SVM可以更稳定、更准确地识别故障,为磨煤机故障诊断提供实际参考。

关键词:故障诊断;天牛群算法;支持向量机;磨煤机;参数优化

本文引用格式:

张烨,黄伟.基于天牛群算法优化SVM的磨煤机故障诊断［J］.机电工程,2022,39(3):411-418.

ZHANG Ye, HUANG Wei. Fault diagnosis of coal mill based on BSO-SVM［J］.Journal of Mechanical & Electrical Engineering, 2022,39(3):411-418.