基于CEEMDAN与支持向量机的液压系统故障诊断探讨

现在看来较为传统的算法，但实际应用中，其参数寻优效果往往并不好。近些年，群体智能优化算法层出不穷，在各个领域得到应用。在参数寻优方面也取得一定的实验效果，基于此，提出了改进的粒子群优化算法对 SVM 模型参数进行优化。首先，改进 粒子群算法对模型参数空间寻优，其次，对于粒子适应度函数[35]的取值进行优化，采用交叉验证策略，计算平均分类正确率作为适应度值。惩罚系数C 和核函数参数  构成粒子的二维参数寻优空间。从中选择一组向量，输入 SVM 子分类器中。将数据样本集分为 N 组，选取一组作为测试集剩余 N-1 组作为训练集。利用 SVM 子分类器进行分类处理后，进行分类器准确率的统计分析。将 N 组中的所有组均进行一次测试，即可将总体测试的平均识别准确率计算得出。再次从参数空间中选取一组参数继续输入到第一个子分类器中。重复执行上述步骤，同时把每个 C 和  组合而成的参数向量的平均识别准确率计算出来。采用其中存在最大平均分类识别率的一组 C 和  ，把它们作为模型的最优参数。

图 5.1 改进的粒子群算法优化 SVM 的故障诊断模型

...............................

第六章 总结和展望

6.1 结论

本文对捣固车液压系统故障诊断进行了研究，对整个诊断过程，从信号的降噪处理方法，到故障信号特征提取提取方法，再到对分类器进行训练，优化分类器分类性能，最后对故障特征进行故障识别，整个诊断过程进行研究。其中重点研究了信号去噪的方法和对分类器的优化过程，分别对其采用相关的改进办法，并经过实验验证表明本文提出的故障诊断方法有效提升了液压系统故障诊断的精确度。

本文有以下创新性：

（1）以各种方法的故障振动信号降噪效果进行了分析，重点研究了CEEMDAN 阈值法与小波包两种降噪方法的降噪效果，并对小波包法进行优化后再结合 CEEMDAN 进行降噪效果检验，然后进行对比研究分析，所得结果证实采用这种降噪方法的效果要显著优于其他降噪方法。

（2）研究了特征向量的构建方法，采用 CEEMDAN 结合模糊熵的特征向量构建方法，可以更加有效的反应故障信号特征，简化参数，更好提升分类器分类速度和分类精度。同时采用二叉树结构的分类模型，在训练速度以及分类准确率上提升模型的分类性能。

（3）研究并采用改进的粒子群优化算法（IPSO）对 SVM 模型参数优化，通过优化后的最佳参数，构建最优 SVM 分类器。为说明改进的粒子群优化支持向量机模型（IPSO-SVM）的更优分类性能，与常规粒子群优化支持向量机模型（PSO-SVM）以及遗传算法优化支持向量机模型（GA-SVM）进行实验对比，证实 IPSO-SVM 的性能更加优越。

参考文献（略）