位置:成果数据库 > 期刊 > 期刊详情页
PCA和GA-PSO-RBF集成的发电机组远程故障诊断
  • ISSN号:1000-7105
  • 期刊名称:Journal of Electronic Measurement and Instrument
  • 时间:2012.7.1
  • 页码:597-604
  • 分类:TM311[电气工程—电机]
  • 作者机构:[1]同济大学电子与信息工程学院,上海201804, [2]上海电力学院电力与自动化工程学院,上海200090
  • 相关基金:国家自然科学基金重点项目(编号:61034004);上海市“创新行动计划”部分地方院校能力建设专项项目(编号:10250502000);上海市教育委员会科研创新重点项目(编号:12ZZl77).
  • 相关项目:复杂生产过程基于数据的优化调度理论与方法
中文摘要:

首先基于LPC2290核心芯片的arm嵌入式工控平台设计了远程数据采集系统,使故障诊断系统通过Internet在线获取发电机组状态数据。然后给出了主元分析(PCA)和GA-PSO-RBF神经网络集成的故障诊断方法。故障模式向量先通过PCA降维,降低RBF神经网络的规模和计算时间。针对RBF神经网络参数难以设置、收敛速度慢等不足,介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传-粒子群算法(GA-PSO),用于RBF神经网络的参数优化过程。最后以转子振动试验台仿真发电机组,实现了状态信息的远程获取;通过故障诊断仿真测试验证了PCA和GA-PSO-RBF集成诊断方法的有效性。

英文摘要:

Firstly, the remote data acquisition system based on arm embedded industrial platform with LPC2290 core chip is designed, so that fault diagnosis system access to state data of the generator unit online via the Internet. Then inte- grated fault diagnosis method using principal component analysis (PCA) and GA-PSO-RBF neural network is given. Fault pattern vectors are dimension-reduced using PCA, in order to reduce the scale and computing time of RBF neural network. Since the parameters of RBF neural network is difficult to set, and it has slow convergence rate, GA(genetic algo- rithm)-PSO(particle swarm optimization) algorithm, which has operations of selection, crossover and mutation of GA is in- troduced, and employed to optimize the parameters of RBF neural network. Finally, using the rotor vibration test-bed to simulate the generator unit, remote access to the status information is succeeded. The simulation tests also show that the inte- grated fault diagnosis method using PCA and GA-PSO-RBF is an efficient diagnosis approach.

同期刊论文项目
期刊论文 115 会议论文 64 获奖 4 专利 14 著作 3
同项目期刊论文
期刊信息
  • 《电子测量与仪器学报》
  • 中国科技核心期刊
  • 主管单位:中国科学技术协会
  • 主办单位:中国电子学会
  • 主编:彭喜元
  • 地址:北京市东城区北河沿大街79号2层
  • 邮编:100009
  • 邮箱:mi1985@emijournal.com
  • 电话:010-64044400
  • 国际标准刊号:ISSN:1000-7105
  • 国内统一刊号:ISSN:11-2488/TN
  • 邮发代号:80-403
  • 获奖情况:
  • 国内外数据库收录:
  • 中国中国科技核心期刊,中国北大核心期刊(2014版)
  • 被引量:14380