基于粒子群优化算法的LS-SVM电动机断条故障诊断
许智颖1
许允之2
郑辞晏2
沈佳2
仝年2
1.大连市旅顺口区第57中学,辽宁大连,1160412.中国矿业大学动力与工程学院,江苏徐州,221116
摘要：支持向量机(Support Vector Machine,SVM)算法是基于统计学习理论的一种新的学习方法,应用于故障诊断技术中,具有训练所需样本少、诊断率高等优点.最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)算法是标准支持向量机的一种扩展,能在保证精度的同时大大降低计算机的复杂性,加快求解速度.该算法的超参数对支持向量机的性能有着重要的作用.因此,采用粒子群优化(Particle Swarm Optimization,PSO)算法对LS-SVM算法寻找最优超参数,进一步提高LS-SVM对电动机断条故障诊断的效率和准确率有着重要作用.实验结果表明,综合PSO与LS-SVM两种算法的优点,可有效减少故障诊断中误判、漏判的发生.
关键词：粒子群优化算法最小二乘支持向量机电动机故障诊断
分类号：TM343+.3(电机)TP206+.3(自动化技术及设备)
论文发表日期：2016-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 62-66 )
英文信息