基于主元分析与支持向量机的制冷系统故障诊断方法

被引：21

作者：

韩华 ^{[1
]}

谷波 ^{[1
]}

任能 ^{[2
]}

机构：

[1] 上海交通大学制冷与低温工程研究所

[2] 江森自控楼宇设备科技(无锡)有限公司

来源：

上海交通大学学报 | 2011年 / 45卷 / 09期

关键词：

制冷系统; 故障诊断; 主元分析; 支持向量机;

D O I：

10.16183/j.cnki.jsjtu.2011.09.020

中图分类号：

TH165.3 [];

学科分类号：

摘要：

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于"一对其他(Onevsothers)"多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA-SVM故障诊断模型,同时,利用实验数据加以验证.结果表明:PCA-SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA-SVM模型的训练速度比SVM模型快约130～350倍;PCA-SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少(约1/240).

引用

页码：1355 / 1361+1373 +1373

页数：8

共 4 条

[1] 基于主元分析的故障可检测性的统计指标比较
邱天
丁艳军
吴占松
[J]. 清华大学学报(自然科学版), 2006, (08) : 1447 - 1450
[2] 统计学习理论[M]. - 电子工业出版社 , (美)瓦普尼克(VladimirN.Vapnik)著, 2004
[3] 人工神经网络原理及仿真实例[M]. - 机械工业出版社 , 高隽编著, 2003
[4] A novel and quick SVM-based multi-class classifier
Liu, Yiguang
You, Zhisheng
Cao, Liping
[J]. PATTERN RECOGNITION, 2006, 39 (11) : 2258 - 2264

← 1 →