基于粒子群优化算法的LS-SVM电动机断条故障诊断

• 作者: 仝年 沈佳 许允之 许智颖 郑辞晏
• 来源期刊: 煤矿机电
• 学科: 工学
• 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
• 年，卷（期）: 2016,（6）
• 所属期刊栏目: 问题探讨
• 页码范围: 62-66
• 页数: 5页
• 分类号: TM343+.3|TP206+.3
• 字数: 3701字
• 语种: 中文
• DOI: 10.16545/j.cnki.cmet.2016.06.018

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	许允之	中国矿业大学动力与工程学院	111	387	11.0	15.0
2	沈佳	中国矿业大学动力与工程学院	6	11	1.0	3.0
3	许智颖		2	2	1.0	1.0
4	郑辞晏	中国矿业大学动力与工程学院	1	1	1.0	1.0
5	仝年	中国矿业大学动力与工程学院	3	7	2.0	2.0