关键词:
质量计量仪器
故障诊断模型
莱维飞行
信号特征提取
信号特征降维
支持向量机
改进粒子群算法优化支持向量机
核主成分分析
摘要:
针对服役状态下,不易对轴重式动态汽车衡的灵敏度漂移等故障进行在线检测这一问题,提出了一种特征降维下结合莱维飞行改进粒子群算法优化支持向量机(IPSO-SVM)模型,以及信号特征提取与降维的动态汽车衡故障诊断方法。首先,提取了输出信号的时域与频域特征,利用核主成分分析(KPCA),将非线性映射函数输入空间变换到高维空间,实现对特征向量的降维与筛选目的;然后,利用了莱维飞行改进粒子群优化算法(PSO)的寻优能力,并采用改进后的算法对支持向量机(SVM)进行了优化,得到了最优的参数组合,以此构建了全局最优的IPSO-SVM诊断模型;最后,采用建立的诊断模型,对不同车重、不同车速、不同轴型载荷工况下的动态汽车衡进行了故障诊断验证。研究结果表明:采用该动态汽车衡故障诊断方法,其诊断准确率可达98%,证实了引入莱维飞行后的改进粒子群算法可显著改进优化的效率和效果。相比现有诊断方法,IPSO-SVM诊断模型可有效解决PSO算法易陷入局部最优解的问题,准确率得到了较大提升,可实现对汽车衡系统动态故障工况下的全类型高精度诊断。