基于PSO改进KPCA-SVM的故障监测和诊断方法研究

作者：张志政; 王冬捷^*; 张勇亮

来源：现代制造工程, 2020, (09): 101-107.

DOI：10.16731/j.cnki.1671-3133.2020.09.015

• 核主成分分析
• 粒子群优化算法
• 支持向量机
• 模式识别
• 故障监测和诊断

针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)算法优化核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T2和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。

• 单位
  大连海事大学