西南科技大学学报
西南科技大學學報
서남과기대학학보
JOURNAL OF SOUTHWEST CHINA INSTITUTE OF TECHNOLOGY
2011年
2期
44-48
,共5页
何俊强%李建勇%姜涛涛%代勤芳%唐超
何俊彊%李建勇%薑濤濤%代勤芳%唐超
하준강%리건용%강도도%대근방%당초
遗传退火算法(GASA)%支持向量机(SVM)%供油系统%故障诊断
遺傳退火算法(GASA)%支持嚮量機(SVM)%供油繫統%故障診斷
유전퇴화산법(GASA)%지지향량궤(SVM)%공유계통%고장진단
针对目前支持向量机(SVM)参数选择的盲目性，结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性，提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据，归一化处理后作为诊断模型的特征值，建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明：应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型，能够有效进行柴油机供油系统的故障诊断。
針對目前支持嚮量機(SVM)參數選擇的盲目性，結閤遺傳算法GA的併行搜索和模擬退火算法SA的概率突跳特性，提齣一種改進的基于遺傳退火算法(GASA)混閤策略優化支持嚮量機懲罰函數和覈函數參數的GASA-SVM算法。利用柴油機供油繫統油壓波形的實測數據，歸一化處理後作為診斷模型的特徵值，建立瞭基于GASA-SVM的柴油機供油繫統故障診斷模型。通過與BP神經網絡、RBF神經網絡、SVM和GA-SVM故障診斷模型比較錶明：應用GASA-SVM建立的故障診斷模型在故障識彆準確性上優于其它網絡模型，能夠有效進行柴油機供油繫統的故障診斷。
침대목전지지향량궤(SVM)삼수선택적맹목성，결합유전산법GA적병행수색화모의퇴화산법SA적개솔돌도특성，제출일충개진적기우유전퇴화산법(GASA)혼합책략우화지지향량궤징벌함수화핵함수삼수적GASA-SVM산법。이용시유궤공유계통유압파형적실측수거，귀일화처리후작위진단모형적특정치，건립료기우GASA-SVM적시유궤공유계통고장진단모형。통과여BP신경망락、RBF신경망락、SVM화GA-SVM고장진단모형비교표명：응용GASA-SVM건립적고장진단모형재고장식별준학성상우우기타망락모형，능구유효진행시유궤공유계통적고장진단。
