基于PCA和GA-SVM联合模型的数控转台升降系统故障诊断

简介

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。