基于改进鲸鱼算法优化支持向量机的故障诊断的研究与应用

摘要：

故障诊断在工业生产过程中具有很重要的作用,尤其是对于要求比较高的分子蒸馏来说,微小的故障都会造成其提纯率,因此提出一种基于改进鲸鱼算法优化支持向量机的故障分类方法(improved whale optimization algorithm-support vector machine,IWOA-SVM),加入反向学习策略和对数权重因子到普通鲸鱼算法中.首先,用反向学习策略(opposition-based learn-ing,OBL)代替随机初始种群,用反向学习策略选取出反向种群,对种群进行择优选择,一方面OBL能够高效地提高群智能算法的全局搜索能力,另一方面提高鲸鱼算法在重复迭代中的多样性,使其跳出局部最优解;其次,引入自适应权重因子并将其加入到鲸鱼优化算法中,利用权重因子的动态变化,很大程度上增强了全局搜索能力;最后,采用改进之后的鲸鱼算法对SVM的参数进行寻优,并利用优化之后的支持向量机对刮膜蒸发过程获得的故障数据进行诊断识别,将IWOA-SVM的结果与其他3种做对比.结果表明,IWOA-SVM算法分类准确率提升了2％,且其准确率保持在98％以上,在分类结果的准确性以及算法的鲁棒性方面优于其他算法.

关键词：鲸鱼优化算法(WOA)、支持向量机(SVM)、故障分类、反向学习(OBL)、自适应权重因子

所属期刊栏目：22

分类号：TP183(自动化基础理论)

资助基金：吉林省重点科技研发项目20180201014YY

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：5284-5290