基于GA-PSO混合优化SVM的机载EHA故障诊断OA北大核心CSTPCD

针对机载电静液作动器(Electro-Hydrostatic Actuator,EHA)的典型故障,详细分析了故障原理并在MATLAB/Simulink中搭建了仿真模型。为了高效准确识别故障类型,提出一种用遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)混合优化支持向量机(Support Vector Machine,SVM)的故障诊断算法。GA鲁棒性好且全局搜索能力强但收敛速度慢,PSO对样本规模不敏感且具有记忆功能但易陷入局部最优,故融合两种算法寻找SVM的最优参数。另外,为了解决传统SVM多分类方法“一对多”和“一对一”易出现不可分的问题,建立一种偏二叉树结构的SVM多分类模型。对于采集的原始数据高度重合的情况,引入时域特征统计量进一步提升模型的分类性能。实验结果表明,提出的混合优化算法寻优速度更快、所寻参数更佳,同时用该算法优化的SVM分类模型相比于其他5类常用的机器学习模型分类效果更好,故障识别正确率可达97.7%。