基于S-PSO分类算法的故障诊断方法

• 作者: 郑波 高峰
• 来源期刊: 航空学报
• 学科: 工学
• 关键词: 监督的粒子群优化分类算法 动态邻域 自适应探测更新 适应度函数 故障诊断
• 年，卷（期）: 2015,（11）
• 所属期刊栏目: 电子与控制
• 页码范围: 3640-3651
• 页数: 12页
• 分类号: V263.6|TP277
• 字数: 7795字
• 语种: 中文
• DOI: 10.7527/S1000-6893.2015.0020

摘要

将监控数据的已知状态作为先验类别标签,构造出新的有监督的粒子群优化(S-PSO)分类算法,并对设备进行故障诊断.为提高故障诊断的准确率,降低随机性对分类算法的影响,提出了新的基于动态邻域的自适应探测更新(ADU-DN)的干预更新策略来拓展粒子搜索整个解空间的能力,引导粒子自适应地跳出局部最优区域,确保获得全局最优解;同时设计出基于最小类内距离、最大类间距离和训练样本最大分类精度的适应度函数,使得输出的最优类别中心兼顾了这3个因素,增强了分类算法在故障诊断中的通用性和容错性,提高了测试样本的分类精度.S-PSO分类算法有效克服了聚类算法只考虑数据间相似性特征、不考虑数据蕴含的物理意义以及不能很好指导样本分类的缺陷.对GE90发动机孔探图像纹理特征分类进行了对比研究,研究数据表明:S-PSO分类算法表现出了较强的鲁棒性,在故障诊断中的分类精度高于支持向量机(SVM)和常用神经网络模型.