基于PCA与LS-SVM的电动执行器故障诊断研究

论文摘要

执行器是工业自动控制系统中的一个重要环节,无论多么复杂的自动控制系统,最后都归结到对执行器的控制上来。执行器故障往往对控制性能产生直接的影响,因此及时发现其运行过程中存在的故障,是保障控制过程的稳定经济运行的基本要求。本文在详细分析电动执行器的工作特性及原理的基础上,深入的研究了电动执行器的常见故障机理以及故障表现,最后设计了以PIC18F485单片机为核心的电动执行机构的控制器,针对故障的机理选取故障采集点进行故障特征量的数据采集。因为主元分析算法在处理线性相关数据时可对其降维的作用,所以对于采集的电动执行器故障数据,采用了主元分析方法处理多变量数据集。由于传统主元分析采用标准化作为数据预处理方法,会导致部分信息的丢失。针对这个问题,本文用均值化代替标准化作为主元分析数据预处理方法。本文以主元分析降维后数据为基础,使用基于最小二乘法支持向量机进行电动执行器故障诊断建模研究。本文分别选取了多项式核函数,径向基函数核函数,Sigmoid核函数为故障诊断建模核函数,每种核函数对应的一对多算法,一对一算法,DAG-SVM算法,基于二叉树的多分类算法这四种多分类算法建立故障诊断模型,在LS-SVM中的参数选择问题上,本文采用二步网格搜索法和交叉验证法相结合的方法来选择合理的模型参数,通过诊断效果比较,表明在选取径向基函数为建模核函数情况下,基于二叉树的多分类算法的分类模型具有较高的的正确判断率。最后基于PCA与LS-SVM故障诊断模型与BP神经网络故障诊断模型进行识别精度上的对比,体现了基于PCA与LS-SVM故障诊断模型在小样本学习问题上的优势。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 选题目的和意义
• 1.2 故障诊断的主要方法及现状
• 1.2.1 基于解析模型的方法
• 1.2.2 基于数据驱动的方法
• 1.2.3 基于知识的方法
• 1.3 电动执行器的故障诊断
• 1.4 本文的主要内容
• 第2章 电动执行器硬件设计及故障分析
• 2.1 引言
• 2.2 电动执行器基本原理
• 2.2.1 电动执行器工作原理
• 2.2.2 电动执行器系统原理
• 2.3 电动执行器硬件设计
• 2.3.1 微处理器
• 2.3.2 外围电路设计
• 2.4 电动执行器故障分析
• 2.4.1 电动执行器增益故障的描述
• 2.4.2 单片机控制器故障误差
• 2.4.3 电动执行器典型故障分析
• 2.5 电动执行器故障数据采集
• 2.6 本章小结
• 第3章 基于PCA的电动执行器故障特征提取方法研究
• 3.1 主元分析法概述
• 3.2 主元分析法降维
• 3.2.1 基本思想几何意义
• 3.2.2 主元计算推导过程
• 3.2.3 数据重构与降维
• 3.2.4 主元个数的确定
• 3.3 改进主元分析的方法及理论依据
• 3.4 电动执行器故障数据的特征提取
• 3.5 本章小结
• 第4章 基于LS-SVM的故障分类器设计及结果分析
• 4.1 支持向量机理论
• 4.1.1 支持向量机分类
• 4.1.2 核函数
• 4.1.3 多分类的支持向量机
• 4.2 最小二乘支持向量机
• 4.2.1 最小二乘支持向量机分类
• 4.2.2 最小二乘支持向量机的特性
• 4.3 基于LS-SVM的电动执行器故障分类方法研究
• 4.3.1 故障模式的确定及核参数的选择
• 4.3.2 模型参数优化
• 4.3.3 基于LS-SVM的最优故障诊断模型
• 4.4 电动执行器故障诊断结果及对比分析
• 4.4.1 基于PCA与LS-SVM的最优故障诊断模型建立
• 4.4.2 基于BP神经网络的故障诊断模型建立
• 4.4.3 故障诊断模型的比较
• 4.5 本章小结
• 第5章 结论
• 5.1 文章总结
• 5.2 研究展望
• 参考文献
• 致谢