CN107688820A - 一种基于bcsa优化支持向量机的电梯故障诊断方法 - Google Patents
一种基于bcsa优化支持向量机的电梯故障诊断方法 Download PDFInfo
- Publication number
- CN107688820A CN107688820A CN201710559561.9A CN201710559561A CN107688820A CN 107688820 A CN107688820 A CN 107688820A CN 201710559561 A CN201710559561 A CN 201710559561A CN 107688820 A CN107688820 A CN 107688820A
- Authority
- CN
- China
- Prior art keywords
- support vector
- bcsa
- elevator
- vector machine
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明提供一种基于BCSA优化支持向量机的电梯故障诊断方法,包括:小波包分析及信号特征提取;时域分析及特征提取;利用支持向量机对样本进行分类并定义故障类别;利用BCSA算法对支持向量机的参数选择进行优化,并最终得到诊断结果。本发明在现有电梯管理系统的基础上,加入基于BCSA优化支持向量机的电梯故障诊断方法,使电梯管理部门可以及早的发现电梯存在的隐患,尽量减少故障的发生,减少电梯事故的发生,继而减少电梯故障给人们精神上、身体上所带来的伤害。
Description
技术领域
本发明涉及电梯安全技术领域,着重涉及一种基于BCSA优化支持向量机的电梯故障诊断方法。
背景技术
电梯轿厢的振动、温度、噪声、电梯启动特性、电梯制动特性等是乘客搭载电梯舒适性与安全性的主要衡量标准,电梯轿厢的振动是其中最为重要的指标,即当电梯的振动幅度与频率达到甚至超过人体的敏感范围,就会影响乘客的安全,所以,找出振源,预报故障并及时修复,可以极大的提高电梯的舒适性和安全性。
至今为止,并没有一种可以较为准确的预知出确切故障类型的电梯故障诊断方法。现有的电梯管理系统大多只是对出现故障的电梯进行报警,并不能提前预知电梯会发生故障,更不会预知出电梯发生的故障类型。
发明内容
本发明所要解决的技术问题是提供一种基于BCSA优化支持向量机的电梯故障诊断方法,包括以下步骤:
(1)小波包分析及信号特征提取:以小波包分析为基础提取电梯故障的信号特征,并建立故障特征向量;
(2)时域分析及特征提取:提取电梯故障时,轿厢在垂直方向和水平方向上的加速度信号峰峰值以及Z方向的振动加速度信号的峭度系数作为时域参数特征量;
(3)根据步骤(1)和步骤(2)所提取的特征利用支持向量机对样本进行分类并定义故障类别;
(4)利用BCSA算法对支持向量机的参数选择进行优化,并最终得到诊断结果。
进一步地,小波包分析及信号特征提取具体包括以下步骤:
(1)用db6小波对电梯振动加速度信号进行四层小波分解,根据Shannon熵标准得到最优小波包树,
(2)选取最优小波包树上的节点(4,0)、(4,1)、(3,1)、(2,1)、(1,1)对应的小波包构成信号的最优小波包基,进行信号重构,如S40表示(4,0)节点的重构信号,同理得到其他节点的重构信号,继而得到总的重构信号:
S=S40+S41+S31+S21+S11 (1),
(3)计算重构信号的能量,如S40:
公式中Xk(k=0,1…,n)为重构信号S40离散点的幅值,并同理得到其他节点的能量。
(4)根据信号能量构造故障特征向量:
其中
进一步地,在步骤(2)时域分析及特征提取中,对于一组离散的振动信号数据,其峭度系数为:
其中,xi为信号值;为信号均值;N为采样长度;σi为标准差。
进一步地,利用支持向量机对样本进行分类并识别故障类别,具体包括以下步骤:
(1)设置训练集为{(x1,y1),…..(xn,yn)},n表示样本总数,xi∈Rn表示第i个样本输入,R为自然数,yi∈{-1,1}表示第i个样本的期望输出,得到线性回归函数:
y(x)=ωTX+b (5),
其中X=(x1,x2,….xn)为样本输入;ω=(ω1,ω2,…..ωn)为最小二乘向量机的权值;b为阈值;
(2)在线性可分情况的基础上,求解最优超平面转换为二次规划问题:
对应的约束条件为:
yi=<ω·X>+b+ξ (7),
其中,c为容错惩罚因子,c>0,ξ为松弛因子;ξi为松弛因子公式中的表示,<ω·X>是由ω和X构成的核空间的映射函数,
(3)通过引入拉格朗日函数,再根据KKT优化条件,综合得到最小二乘支持向量机的回归函数:
其中,αi表示拉格朗日乘子;K(X,Xi)表示核函数。
进一步地,步骤(3)中定义的电梯故障类别为:电梯导轨偏差=1、导靴形状偏差=2、曳引机运转异常=3、曳引机绳槽误差=4、导向轮偏差=5、钢丝绳张力不均=6。
进一步地,利用BCSA算法对支持向量机的参数选择进行优化,具体包括以下步骤,
(1)设定BCSA中涉及到的控制参数的初始化有:①食物源的数量N;②最大循环次数limit;③终止循环次数MCN;
(2)BCSA中适应度的设置,由(9)适应度函数,可以得带更高的分类正确率:
其中Vacc为SVM的分类正确率。
(3)支持向量机惩罚因子c、宽度参数σ这两个变化因素会影响分类支持向量机性能,所以提前确定BCSA的搜寻范围,可以得到更好的分类结果,继而设定BCSA参数:食物数量N=20,最大循环次数limit=100,终止循环次数MCN=100,参数的搜索范围[0.1,1000],支持向量机参数g和惩罚因子c的初始值范围均为[0,100],以下都将对训练集进行CV意义下的准确率最为GA中的适应度函数值,通过训练,当c=0.422,g=0.1738,支持向量机的故障识别精度达到最优。
本发明的有益效果是:本发明可以用于电梯运行状态中曳引轮绳槽的误差、曳引机运转异常、导向轮的偏差、导轨偏差、导靴形状的偏差、钢丝绳张力不均等故障的诊断。通过电梯上振动传感器采集电梯在几种常见故障状态下的振动信号,将其存储在终端单元,并用最优小波包理论分析计算振动信号的能量分布,然后将此能量分布与其时域指标相结合,从而构成故障特征向量,作为最小二乘支持向量机(LS-SVM)的输入项识别电梯的故障原因,在此基础上,采用BCSA优化最小二乘支持向量机的相关参数,使其更为准确的判断故障的原因和类型。本发明在现有电梯管理系统的基础上,加入基于BCSA优化支持向量机的电梯故障诊断方法,使电梯管理部门可以及早的发现电梯存在的隐患,尽量减少故障的发生,减少电梯事故的发生。继而减少电梯故障给人们精神上、身体上所带来的伤害。
附图说明
图1是本发明步骤一中最优小波包树的示意图。
图2是本发明步骤四中的适应度曲线图。
图3是本发明的电梯故障识别结果。
具体实施方式
参照附图。
本发明的电梯故障诊断识别方法按照一下步骤来进行:
一、首先振动信号的处理与分析:
利用小波包分析原理对电梯故障时的振动信号进行处理和分析,由于小波包分析在对非平稳信号的处理上有很大的优势,所以针对于电梯出现故障时的非平稳信号,采用小波包对电梯故障振动信号进行故障特征提取。即通过小波包变换,可以将信号在不同的频带上分解,得到信号的能量分布,在与系统正常状态下振动信号的能量分布进行对比,继而提取出反映出电梯故障的特征信息。其具体的步骤如下:
(1)用db6小波对电梯振动加速度信号进行四层小波分解,利用最小Shannon熵标准得到最优小波包树,如图1所示。
(2)选取最优小波包树上面节点(4,0)、(4,1)、(3,1)、(2,1)、(1,1)对应的小波包构成信号的最优小波包基。然后将其进行信号重构,如S40表示(4,0)节点的重构信号,同理可以得到其他节点的重构信号,继而得到总的重构信号:
S=S40+S41+S31+S21+S11 (1),
(3)重构信号能量的计算,如S40:
公式中Xk(k=0,1…,n)为重构信号S40离散点的幅值,并同理得到其他节点的能量。
(4)因为电梯故障信息都包含在信号的能量分布中,所以,由信号能量构造成故障特征向量:
其中
二、时域分析及特征提取
电梯的振动信号会因为电梯运动状态的不同而不同,所以信号的时域指标也会不同,电梯振动传感器和噪声分析仪采集轿厢在X、Y、Z三个直线方向的振动加速度信号。而当电梯出现故障时,轿厢在垂直方向和水平方向均会出现明显的振动,以此为依据本方法采用了X、Y方向上的加速度信号峰峰值以及Z方向的振动加速度信号的峭度系数为时域参数特征量。
对于一组离散的振动信号数据,其峭度系数为:
其中,xi为信号值;为信号均值;N为采样长度;σi为标准差。
三、最小二乘支持向量机基本原理
支持向量机(Support Vector Machine)于上世纪90年代由Vapnik和CorinnaCortes首次提出,其是一种采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法。
为了更为准确的判断电梯故障的类型,本方法选取了多个特征值进行判定。并且为了保证所得极值是全部唯一的最优解,克服所得极值陷入局部最优缺陷,最小二乘支持向量机从机器学习损失函数着手,将其转化为二次规划问题的求解,在优化问题的目标函数中使用二范数,用等式约束代替原支持向量机中的不等式约束条件,大大提高了其收敛速度。
设置训练集为{(x1,y1),…..(xn,yn)},n表示样本总数,xi∈Rn表示第i个样本输入,yi∈{-1,1}表示第i个样本的期望输出,得到线性回归函数:
y(x)=ωTX+b (5),
其中X=(x1,x2,….xn)为样本输入;ω=(ω1,ω2,…..ωn)为最小二乘向量机的权值;b为阈值。
在线性可分情况的基础上,求解最优超平面转换为二次规划问题:
对应的约束条件为:
yi=<ω·X>+b+ξ (7),
其中,c为容错惩罚因子,c>0;ξi为松弛因子;<·>是核空间的映射函数。
通过引入拉格朗日函数,再根据KKT优化条件,综合得到最小二乘支持向量机的回归函数:
其中,αi表示拉格朗日乘子;K(X,Xi)表示核函数。再利用最小二乘支持向量机建立回归模型时,合理设置容错惩罚因子c,选取合适的核函数参数。
本发明选取了电梯振动加速度信号的能量分布特征向量E40、E41、E31、E21、E11及轿厢X、Y、Z三个方向振动加速度信号的时域:X、Y峰峰值,Z向陡度系数。再加上噪声传感器的噪声极值,多个特征值作为故障征兆作为支持向量机的输入参数。从而对测试样本进行分类,再用分类器对测试样本分类识别电梯故障类别。定义故障为:电梯导轨偏差=1、导靴形状偏差=2、曳引机运转异常=3、曳引机绳槽误差=4、导向轮偏差=5、钢丝绳张力不均=6。
四、BCSA优化支持向量机参数选择
BCSA是一种通过多种主体获得最优解决方案的新型算法,其具有较高概率避免结果陷入局部最优解。
在使用BCSA优化支持向量机参数之前,需要对支持向量机相关参数(惩罚因子c宽度参数σ)及BCSA适应度函数进行设置,即:
(1)BCSA中涉及到的控制参数的初始化有:①食物源的数量N;②最大循环次数limit;③终止循环次数MCN。
(2)BCSA中适应度的设置,由(9)适应度函数,可以得带更高的分类正确率:
其中Vacc为SVM的分类正确率。
(3)支持向量机惩罚因子c、宽度参数σ这两个变化因素会影响分类支持向量机性能,所以提前确定BCSA的搜寻范围,可以得到更好的分类结果。继而设定BCSA参数:食物数量N=20,最大循环次数limit=100,终止循环次数MCN=100,参数的搜索范围[0.1,1000]。支持向量机参数g和惩罚因子c的初始值范围均为[0,100],以下都将对训练集进行CV意义下的准确率最为GA中的适应度函数值,通过训练,当c=0.422,g=0.1738,最小支持向量机的故障识别精度达到最优,其适应度曲线图如图2所示。
图3的表中列出了几种故障模式中测试样本的识别结果,从表中可以得出,树通过BCSA优化的最小支持向量机分类器成功识别了电梯钢丝绳张力不均、导向轮偏差、曳引轮绳槽偏差、曳引机运转异常、电梯导轨偏差、导靴形状偏差等故障类型,识别率达到92.3%,比未经优化的最小二乘支持向量机的识别率提高了12.7%。
本发明将电梯振动信号能量分布特征向量与时域参数相结合,构造成故障特征向量,作为最小二乘支持向量机的输入,通过最小二乘支持向量机分类器对电梯故障进行分类识别,再运用BCSA增强收敛速度的作用,使用BCSA对最小二乘支持向量机进行参数优化,使最小二乘支持向量机的收敛速度急剧增加,从而克服最小二乘支持向量机陷入局部最优解,从而使得分类器达到最优的分类精度,使其更为准确的判断电梯故障的原因和类型。
由测试样本测试结果表明,该方法能够有效的识别电梯的故障类型,是一种比较先进的智能诊断方法,在电梯状态监测和故障诊断方面都具有非常好的应用前景。
Claims (6)
1.一种基于BCSA优化支持向量机的电梯故障诊断方法,其特征是,包括以下步骤:
(1)小波包分析及信号特征提取:以小波包分析为基础提取电梯故障的信号特征,并建立故障特征向量;
(2)时域分析及特征提取:提取电梯故障时,轿厢在垂直方向和水平方向上的加速度信号峰峰值以及Z方向的振动加速度信号的峭度系数作为时域参数特征量;
(3)根据步骤(1)和步骤(2)所提取的特征利用支持向量机对样本进行分类并定义故障类别;
(4)利用BCSA算法对支持向量机的参数选择进行优化,并最终得到诊断结果。
2.根据权利要求1所述的一种基于BCSA优化支持向量机的电梯故障诊断方法,其特征是,小波包分析及信号特征提取具体包括以下步骤:
(1)用db6小波对电梯振动加速度信号进行四层小波分解,根据Shannon熵标准得到最优小波包树,
(2)选取最优小波包树上的节点(4,0)、(4,1)、(3,1)、(2,1)、(1,1)对应的小波包构成信号的最优小波包基,进行信号重构,如S40表示(4,0)节点的重构信号,同理得到其他节点的重构信号,继而得到总的重构信号:
S=S40+S41+S31+S21+S11 (1),
(3)计算重构信号的能量,如S40:
<mrow>
<msub>
<mi>E</mi>
<mn>40</mn>
</msub>
<mo>=</mo>
<mo>&Integral;</mo>
<mo>|</mo>
<msub>
<mi>S</mi>
<mn>40</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>t</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
公式中Xk(k=0,1…,n)为重构信号S40离散点的幅值,并同理得到其他节点的能量。
(4)根据信号能量构造故障特征向量:
<mrow>
<mi>T</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>E</mi>
<mn>40</mn>
</msub>
<mi>E</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>E</mi>
<mn>41</mn>
</msub>
<mi>E</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>E</mi>
<mn>31</mn>
</msub>
<mi>E</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>E</mi>
<mn>21</mn>
</msub>
<mi>E</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mfrac>
<msub>
<mi>E</mi>
<mn>11</mn>
</msub>
<mi>E</mi>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中
3.根据权利要求1所述的一种基于BCSA优化支持向量机的电梯故障诊断方法,其特征是,在步骤(2)时域分析及特征提取中,对于一组离散的振动信号数据,其峭度系数为:
<mrow>
<mi>K</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>4</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,xi为信号值;为信号均值;N为采样长度;σi为标准差。
4.根据权利要求1所述的一种基于BCSA优化支持向量机的电梯故障诊断方法,其特征是,利用支持向量机对样本进行分类并识别故障类别,具体包括以下步骤:
(1)设置训练集为{(x1,y1),.....(xn,yn)},n表示样本总数,xi∈Rn表示第i个样本输入,R为自然数,yi∈{-1,1}表示第i个样本的期望输出,得到线性回归函数:
y(x)=ωTX+b (5),
其中X=(x1,x2,....xn)为样本输入;ω=(ω1,ω2,.....ωn)为最小二乘向量机的权值;b为阈值;
(2)在线性可分情况的基础上,求解最优超平面转换为二次规划问题:
<mrow>
<mi>min</mi>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
<mo>=</mo>
<mfrac>
<mi>c</mi>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>&xi;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
对应的约束条件为:
yi=<ω·X>+b+ξ (7),
其中,c为容错惩罚因子,c>0,ξ为松弛因子;ξi为松弛因子公式中的表示,<ω·X>是由ω和X构成的核空间的映射函数,
(3)通过引入拉格朗日函数,再根据KKT优化条件,综合得到最小二乘支持向量机的回归函数:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,αi表示拉格朗日乘子;K(X,Xi)表示核函数。
5.根据权利要求1所述的一种基于BCSA优化支持向量机的电梯故障诊断方法,其特征是,步骤(3)中定义的电梯故障类别为:电梯导轨偏差=1、导靴形状偏差=2、曳引机运转异常=3、曳引机绳槽误差=4、导向轮偏差=5、钢丝绳张力不均=6。
6.根据权利要求1所述的一种基于BCSA优化支持向量机的电梯故障诊断方法,其特征是,利用BCSA算法对支持向量机的参数选择进行优化,具体包括以下步骤,
(1)设定BCSA中涉及到的控制参数的初始化有:①食物源的数量N;②最大循环次数limit;③终止循环次数MCN;
(2)BCSA中适应度的设置,由(9)适应度函数,可以得带更高的分类正确率:
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>a</mi>
<mi>c</mi>
<mi>c</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中Vacc为SVM的分类正确率。
(3)支持向量机惩罚因子c、宽度参数σ这两个变化因素会影响分类支持向量机性能,所以提前确定BCSA的搜寻范围,可以得到更好的分类结果,继而设定BCSA参数:食物数量N=20,最大循环次数limit=100,终止循环次数MCN=100,参数的搜索范围[0.1,1000],支持向量机参数g和惩罚因子c的初始值范围均为[0,100],以下都将对训练集进行CV意义下的准确率最为GA中的适应度函数值,通过训练,当c=0.422,g=0.1738,支持向量机的故障识别精度达到最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710559561.9A CN107688820B (zh) | 2017-07-11 | 2017-07-11 | 一种基于bcsa优化支持向量机的电梯故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710559561.9A CN107688820B (zh) | 2017-07-11 | 2017-07-11 | 一种基于bcsa优化支持向量机的电梯故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688820A true CN107688820A (zh) | 2018-02-13 |
CN107688820B CN107688820B (zh) | 2020-09-08 |
Family
ID=61152776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710559561.9A Active CN107688820B (zh) | 2017-07-11 | 2017-07-11 | 一种基于bcsa优化支持向量机的电梯故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688820B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110030187A (zh) * | 2019-03-20 | 2019-07-19 | 杭州哲达智慧能源技术研究院有限公司 | 一种基于支持向量机的机泵安康诊断方法 |
CN112723076A (zh) * | 2021-01-07 | 2021-04-30 | 昆明理工大学 | 一种电梯导靴故障诊断方法 |
CN113269222A (zh) * | 2021-03-15 | 2021-08-17 | 上海电气集团股份有限公司 | 用于检测升降设备的特征值选取方法、检测方法和系统 |
CN113821919A (zh) * | 2021-09-03 | 2021-12-21 | 中国人民解放军92942部队 | 一种低采样频率的钢丝绳张力信号修复方法 |
CN115159288A (zh) * | 2022-07-07 | 2022-10-11 | 浙江省特种设备科学研究院 | 一种电梯故障识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140344194A1 (en) * | 2013-05-14 | 2014-11-20 | The Trustees Of Princeton University | Machine-learning accelerator (mla) integrated circuit for extracting features from signals and performing inference computations |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN106604229A (zh) * | 2016-12-27 | 2017-04-26 | 东南大学 | 一种基于流形学习与改进支持向量机的室内定位方法 |
-
2017
- 2017-07-11 CN CN201710559561.9A patent/CN107688820B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140344194A1 (en) * | 2013-05-14 | 2014-11-20 | The Trustees Of Princeton University | Machine-learning accelerator (mla) integrated circuit for extracting features from signals and performing inference computations |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN106604229A (zh) * | 2016-12-27 | 2017-04-26 | 东南大学 | 一种基于流形学习与改进支持向量机的室内定位方法 |
Non-Patent Citations (1)
Title |
---|
岳夏: "基于HMM的复杂条件故障诊断技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑,2012年第11期,C029-8》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110030187A (zh) * | 2019-03-20 | 2019-07-19 | 杭州哲达智慧能源技术研究院有限公司 | 一种基于支持向量机的机泵安康诊断方法 |
CN110030187B (zh) * | 2019-03-20 | 2021-05-14 | 杭州哲达智慧能源技术研究院有限公司 | 一种基于支持向量机的机泵安康诊断方法 |
CN112723076A (zh) * | 2021-01-07 | 2021-04-30 | 昆明理工大学 | 一种电梯导靴故障诊断方法 |
CN113269222A (zh) * | 2021-03-15 | 2021-08-17 | 上海电气集团股份有限公司 | 用于检测升降设备的特征值选取方法、检测方法和系统 |
CN113821919A (zh) * | 2021-09-03 | 2021-12-21 | 中国人民解放军92942部队 | 一种低采样频率的钢丝绳张力信号修复方法 |
CN115159288A (zh) * | 2022-07-07 | 2022-10-11 | 浙江省特种设备科学研究院 | 一种电梯故障识别方法 |
CN115159288B (zh) * | 2022-07-07 | 2024-04-02 | 浙江省特种设备科学研究院 | 一种电梯故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107688820B (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688820B (zh) | 一种基于bcsa优化支持向量机的电梯故障诊断方法 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
CN109124625B (zh) | 一种驾驶员疲劳状态水平分级方法 | |
WO2016004774A1 (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
CN104832418B (zh) | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 | |
Zhang et al. | Predict failures in production lines: A two-stage approach with clustering and supervised learning | |
WO2018180197A1 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN113610188B (zh) | 弓网接触力非区段异常识别方法及装置 | |
CN111474475A (zh) | 一种电机故障诊断系统及方法 | |
CN112181706A (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
CN113255591A (zh) | 一种基于随机森林和融合特征的轴承故障诊断方法 | |
CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
CN113112188B (zh) | 一种基于预筛选动态集成的电力调度监控数据异常检测方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN108287964A (zh) | 一种基于加速度内积向量的灰云推理结构损伤识别方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN111474476B (zh) | 一种电机故障预测方法 | |
CN117493961A (zh) | 一种局部放电信号分离与识别方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An elevator fault diagnosis method based on bcsA optimized support vector machine Effective date of registration: 20210421 Granted publication date: 20200908 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: ZHEJIANG XINZAILING TECHNOLOGY Co.,Ltd. Registration number: Y2021330000328 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |