基于天牛群算法优化SVM的磨煤机故障诊断

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO)算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法.首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互信息方法对故障特征进行了筛选,结合某电厂实测数据,利用改进的算法对支持向量机核函数参数和惩罚因子进行了优化;最后,分别使用天牛群算法优化支持向量机模型(BSO-SVM)、粒子群算法优化支持向量机模型(PSO-SVM)、遗传算法优化支持向量机(GA-SVM)模型和支持向量机模型对磨煤机进行了故障诊断,并将其与实际故障类型进行了对比;对4个模型分别添加了不同级别的噪声干扰,并测试了模型的稳定性.研究结果表明:BSO-SVM模型的分类准确率最高,达到了96.88％;在5个级别的噪声干扰下,BSO-SVM模型的评价指标F1 ave均能够保持最高水平;与SVM、PSO-SVM、GA-SVM模型相比,BSO-SVM可以更稳定、更准确地识别故障,为磨煤机故障诊断提供实际参考.