基于S-PSO分类算法的故障诊断方法

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.

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

所属期刊栏目：36

分类号：V263.6;TP277(航空制造工艺)

资助基金：国家自然科学基金民航联合研究基金U1233202;中国民用航空飞行学院青年基金Q2013-049;Joint Fund for Civil Aviation Research of National Natural Science Foundation of ChinaU1233202;Youth Foundation of Civil Aviation Flight University of ChinaQ2013-049

在线出版日期：2016-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：3640-3651