文献类型：期刊文章

作　　者：薄青红[1] 刘光定[1] 张明[2] 杨慷[3] 张勇[4]

BO Qinghong;LIU Cuangding;ZHANG Ming;YANG Kang;ZHANG Yong(Department of Mechanical and Electrical Engineering,Zhengzhou Polytechnic of Electric Power,Zhengzhou 451450,China;School of Mechanical Engineering,Henan Polytechnic University,Jiaozuo Henan 454000,China;School of Mechanical Engineering,Anyang Institute of Technology,Anyang Henan 455000,China;High-end Product Division,Yutong Bus Co.,LTD.,Zhengzhou 450016,China)

机构地区：[1]郑州电力职业技术学院机电工程系,郑州451450 [2]河南理工大学机械工程学院,河南焦作454000 [3]安阳工学院机械工程学院,河南安阳455000 [4]宇通客车股份有限公司高端产品事业部,郑州1450016

出　　处：《机械设计与研究》

基　　金：河南省科技计划资助项目(182102210019);安阳工学院博士科研启动基金项目(BSJ2016001)。

年　　份：2022

卷　　号：38

期　　号：5

起止页码：221-224

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：通过动态主成分分析(Prineipal Component Analysis,PCA)的方式来实现高维数据的降维过程,简化数据的分析过程并提升数据处理效率,再把提取得到的主成分因子输入支持向量机中;接着利用遗传算法(Genetic Algorithm,GA)全局搜索方式优化支持向量机(Support Vector Machine,SVM)参数,有效克服人为选择参数所导致的盲目性,由此得到最优模型参数。研究结果表明:主成分信息表患共提取4个主元,相对原特征参数的占比为95.12%,完成了原数据高效压缩与降维的效果。迭代12次之后达到了98%的平均适应度,已经接近最佳适应度,说明此时种群中个体已经基本获得最优解。支持向量机获得了比反向传播(Back Propagation,BP)网络更高的诊断准确率,说明支持向量机更适合处理小样本与非线性问题,可将其应用于其它机械控制设备。

关 键 词：液压系统  故障诊断 主成分分析 遗传算法(PCA)  支持向量机(GA)  

分 类 号：TP206]