详情

原文传递基于优化支持向量机模型的发动机故障诊断

论文题名：	基于优化支持向量机模型的发动机故障诊断
关键词：	汽车发动机;故障诊断;特征提取;支持向量机模型
摘要：	随着人民生活水平的不断提高，汽车已成为日常生活不可缺少的交通工具，我国的汽车工业也随之得到了快速的发展。愈演愈烈的市场竞争对汽车生产企业的研发和制造水平提出了更高的要求，促使车辆的结构、功能日趋多样化和复杂化。同时，车辆的故障种类也明显增多，汽车故障诊断和状态监控所面临的难题也愈来愈多。本文以汽车的关键部件一发动机为研究对象和试验对象，重点研究获得能够较好地反映故障状态与其相应的故障特征向量之间关系的模型的方法。在充分吸收现有研究成果的基础上，本文提出了一种结构和参数均实现优化的支持向量机模型，并成功地应用于发动机的各类故障诊断。本文的研究内容和成果主要有以下几部分: 　　(1)针对支持向量机的模型优化很少考虑模型结构的研究现状，本文较为系统地分析了支持向量机模型优化所涉及到的有关模型结构的因素，如二分类支持向量机的基本结构、核函数的结构及核参数数量、多分类组合模式的种类等，并在此基础上建立了以训练样本集的交叉验证错分函数为优化目标函数的优化模型，其优化设计变量不但包括核函数参数、支持向量机惩罚参数等模型参数，也包含上述模型结构因素。这种结构和参数均得到优化的支持向量机模型考虑了更多的影响支持向量机分类精度的因素，属于离散/续混合优化范畴。试验分析表明，无论是标准测试数据集还是发动机的故障特征数据集，在设定模型结构下的交叉验证错分率均呈非单调的多极值形态分布。因此，求解上述优化模型的关键有两点:如何避免优化算法的早熟收敛问题和如何解决离散/连续混合优化问题。　　(2)本文采用了粒子群优化(PSO)算法对支持向量机的模型参数进行优化。首先，采用田口试验设计方法对PSO算法的控制参数进行了优化选择，提出了一种基于动态邻域模式的PSO算法:DNPSO算法。该算法通过逐渐增大的粒子邻居规模，使群体在迭代的中前期能够有较好的探索能力，也使在迭代中后期保持良好的开发能力，优化性能优于标准PSO算法。最重要的是，通过田口试验选择了适应性较强的惯性权重和加速系数等PSO算法控制参数，为PSO算法的进一步改进奠定了基础。　　(3)分析了粒子群优化算法早熟收敛的原因，认识到仅靠合理的控制参数仍然不能避免PSO算法陷入局部极值。若要克服群体早熟收敛的问题，必须采取扰动变异以修正种群的结构。本文在分析基于重组策略的全向扰动变异基础上，提出了一种以定向信息矩阵确定粒子变异方向、能够充分吸收现有优化成果的并行定向扰动PSO算法:HSPO-PDT算法。根据标准测试函数的试验验证以及与现有改进算法的比较，该算法的优化性能有了极大地提升，完全能够处理多极值优化问题。　　(4)尽管PSO算法能够实现离散/连续混合优化，但当核函数及二分类支持向量机的结构不同时，支持向量机结构和参数优化模型的设计变量的数量及其物理意义会产生变化，所以单一的PSO算法无法实现上述模型的优化。本文采用了田口方法选择模型结构、改进的PSO算法优选模型参数的分步模型优化方法，使每一组样本数据集最终都能获得适合自己的支持向量机模型。由于核函数是支持向量机的重要影响因素，本文分析了核函数的构造条件，并在RBF核函数的基础上，构造了两种组合核函数，通过标准数据集的试验验证，上述组合核函数在部分数据集的模型训练中能够表现出更优的效果。　　(5)研究和分析了基于CAN BUS的发动机故障诊断系统的结构，并针对发动机的各种故障特征提取方法设置了相应故障诊断模型。为了降低计算复杂度，提出了首先使用预设模型结构的支持向量机对发动机进行故障诊断，在诊断结果不满意的情况下，再采用全面优化支持向量机模型结构和参数的循序渐进的建模方法。通过对发动机的缸套-活塞间隙、进排气系统以及基于运行参数的多位置故障诊断的测试，验证了该方法是可行的。
作者：	聂立新
专业：	车辆工程
导师：	张天侠
授予学位：	博士
授予学位单位：	东北大学
学位年度：	2015
正文语种：	中文