基于天牛群算法优化SVM的磨煤机故障诊断

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型，采用该模型进行故障诊断时，支持向量机受到核函数参数和惩罚因子的影响较大，针对这一问题，采用天牛群（BSO）算法对模型参数进行优化，提出了一种基于支持向量机（SVM）的磨煤机故障诊断方法。首先，通过引进天牛须搜索策略，对粒子群算法的位置更新规则进行了改进；然后，通过偏互信息方法对故障特征进行了筛选，结合某电厂实测数据，利用改进的算法对支持向量机核函数参数和惩罚因子进行了优化；最后，分别使用天牛群算法优化支持向量机模型（BSO-SVM）、粒子群算法优化支持向量机模型（PSO-SVM）、遗传算法优化支持向量机（GA-SVM）模型和支持向量机模型对磨煤机进行了故障诊断，并将其与实际故障类型进行了对比；对4个模型分别添加了不同级别的噪声干扰，并测试了模型的稳定性。研究结果表明：BSO-SVM模型的分类准确率最高，达到了96.88%;在5个级别的噪声干扰下，BSO-SVM模型的评价指标F1_ave均能够保持最高水平；与SVM、PSO-SVM、GA-SVM模型相比，BSO-SVM可以更稳定、更准确地识别故障，为磨煤机故障诊断提供...

Fault diagnosis of coal mill based on BSO-SVM