1、針對神經(jīng)網(wǎng)絡故障診斷存在的諸多問題,本文研究了基于最小二乘支持向量機的故障診斷方法,并在此基礎上深入研究了基于粒子群算法最小二乘支持向量機的故障診斷方法,并將該方法應用于道岔控制電路的故障診斷中。
　　本文重點進行了以下幾方面的探討研究:
　　(1)基于神經(jīng)網(wǎng)絡的故障診斷方法研究。首先根據(jù)經(jīng)驗選擇神經(jīng)網(wǎng)絡結構和學習算法,進而采用故障信息數(shù)據(jù)訓練神經(jīng)網(wǎng)絡使其達到一定的精度。則訓練好的神經(jīng)網(wǎng)絡可對輸入的故障數(shù)據(jù)進行故障分類,從而

2、完成故障診斷的功能。仿真結果表明,訓練好的神經(jīng)網(wǎng)絡可以達到較高的故障診斷率,但是由于神經(jīng)網(wǎng)絡固有的缺點,故障診斷效果并不令人滿意。
　　(2)基于最小二乘支持向量機的故障診斷方法研究。最小二乘支持向量機是一種基于結構風險最小化原理的機器學習方法,較好地解決了神經(jīng)網(wǎng)絡在故障診斷中存在的問題。最小二乘支持向量機通過構建多分類器,對輸入的特征向量信息進行分類,確定故障類型,完成故障診斷的功能。經(jīng)過大量仿真證明,最小二乘支持向量機在用于故

3、障診斷過程中,無論在故障識別準確率方面還是抗干擾能力方面都比神經(jīng)網(wǎng)絡方法有著明顯的優(yōu)勢。
　　(3)基于粒子群最小二乘支持向量機的故障診斷方法研究。最小二乘支持向量機中兩個可調參數(shù)對故障診斷率起著決定性的作用,通過大量實驗來尋找最優(yōu)的參數(shù)組合的效果并不理想。在對粒子群算法進行了深入的理論研究和大量的仿真實驗的基礎上,將改進的粒子群優(yōu)化算法應用到最小二乘支持向量機參數(shù)的優(yōu)化中。通過粒子群優(yōu)化算法尋找最優(yōu)的參數(shù)組合,從而使得最小二乘支

4、持向量機獲得更高的分類正確率。大量的仿真實驗表明,基于粒子群算法的最小二乘支持向量機的故障分類正確率有顯著提高。
　　(4)粒子群最小二乘支持向量機在道岔控制電路故障診斷中的應用。在介紹分動外鎖閉道岔電路工作原理的基礎上,以五線制提速道岔控制電路的故障為例,采用ARPSO優(yōu)化最小二乘支持向量機參數(shù),進行道岔控制電路的故障診斷,取得較為滿意的效果。
　　文中的理論研究和大量的仿真證明,基于粒子群算法的最小二乘支持向量機方法在故