基于粒子群优化LSWSVM电机断条故障诊断课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,基于粒子群优化LS-WSVM的电机断条故障诊断,基于粒子群优化LS-WSVM的电机断条故障诊断,1,1、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、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,2,1、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。,1、实验条件实验所用的三相异步电动机型号为Y132M-4型，,3,2、特征向量提取,2.1 电机定子电流频谱分析,2、特征向量提取2.1 电机定子电流频谱分析,4,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,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,5,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,6,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,7,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。相对于人工智能方法，支,8,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,支持向量机是一种机器学习方法。2.3 最小二乘小波支,9,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,实际应用中训练集往往不是线性可分的2.3 最小二乘小,10,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,支持向量机是一种机器学习方法。2.3 最小二乘小波支,11,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,最小二乘法基本原理2.3 最小二乘小波支持向量机,12,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,最小二乘支持向量机基本原理2.3 最小二乘小波支持向,13,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,最小二乘小波支持向量机（Least Squares,14,双螺旋的样本,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,15,2.,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,16,2.,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,17,2.,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,18,2.,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,19,3,、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博士于1995年提出的。它的提出是从“鸟群觅食”活动中得到启发。PSO算法把每个鸟的位置对应优化问题的一个解，把最优解比作食物，鸟群寻找食物的过程就是寻找最优解的过程。在PSO算法中，每只鸟或者说每个粒子，都有自己的速度和位置，速度对应其运动的距离和方向，位置对应一个解。,3、粒子群优化的LS-WSVM3.1 标准的粒子群优化算法,20,3,、粒子群优化的LS-WSVM,3,.1 标准的粒子群优化算法,3、粒子群优化的LS-WSVM3.1 标准的粒子群优化算法,21,3,、粒子群优化的LS-WSVM,3,.,2,改进的粒子群优化算法,3、粒子群优化的LS-WSVM3.2 改进的粒子群优化算法,22,3,、粒子群优化的LS-WSVM,3,.,3,粒子群优化的,LS-WSVM,的构建,粒子群算法优化LS-WSVM是将向量机的正则化因子和小波核函数的参数作为粒子的位置，利用粒子群来寻找使支持向量机分类器性能达到最好时的正则化因子和核函数参数。如何判断支持向量机分类器性能的好坏将使用适用度函数。,3、粒子群优化的LS-WSVM3.3 粒子群优化的LS-WS,23,3,、粒子群优化的LS-WSVM,3,.,3,粒子群优化的,LS-WSVM,的构建,（1）导入训练数据和测试数据；,（2）初始化粒子群，包括粒子数和最大迭代次数、粒子 速度的范围、粒子群参数等；,（3）更新粒子速度和位置；,（4）计算初始适应度；,（5）更新个体极值和全局极值；,（6）判断是否满足终止条件，即适应度值为,1,或满足最大迭代次数。若满足，则结束；若不满足，则返回步骤,(,3,),继续搜索。,（7）用最优化参数训练好的最小二乘小波支持向量机对测试集进行分类。,3、粒子群优化的LS-WSVM3.3 粒子群优化的LS-WS,24,3,、粒子群优化的LS-WSVM,3,.,3,粒子群优化的,LS-WSVM,的构建,粒子群优化LS-WSVM电机故障诊断流程图,3、粒子群优化的LS-WSVM3.3 粒子群优化的LS-WS,25,3,、粒子群优化的LS-WSVM,3,.,4,粒子群优化的,LS-WSVM,的双螺旋模拟,3、粒子群优化的LS-WSVM3.4 粒子群优化的LS-WS,26,3,、粒子群优化的LS-WSVM,3,.,4,粒子群优化的,LS-WSVM,的比较,与PSO-LS-SVM相比，PSO-LS-WSVM训练时间短且正确率高，说明小波核函数的支持向量机更适合处理非线性分类问题。,3、粒子群优化的LS-WSVM3.4 粒子群优化的LS-WS,27,