基于LSSVM故障调节方法的研究

作     者：梁思越 

作者单位：沈阳建筑大学 

学位级别：硕士

导师姓名：王福忠

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：极点观测器 最小二乘支持向量机 故障诊断 极点学习 深度学习 可靠控制 

摘      要：现代控制工程系统日益复杂和大规模化,提高系统的安全性和可靠性是众多研究人员在故障检测和容错控制的关键问题。在故障诊断领域,最小二乘支持向量机(least squares support vector machine,简称LSSVM)有着学习速度较快,泛化性更强的优势,成为了处理故障系统的一种有效方法。另外,可靠控制具有降低系统对故障的敏感性和系统设计难度的优势,但是可靠控制在具体问题的处理上还有很多需要改进的地方。因此,对其进行研究无论是理论推广还是实际问题应用都有很重要的意义。本文基于机器学习理论、参数优化技术和故障处理等方法,针对动态系统,对故障调节问题进行了深入研究。在本文所设计的故障调节系统中,故障部件都能得到实时的诊断和处理。本文的主要工作和研究成果包括以下几个方面:(1)研究了基于LSSVM的动态系统执行器任意单通道故障问题,提出了一种LSSVM与可靠控制相结合的容错控制方法。将闭环系统极点作为一类新的故障特征信息,通过LSSVM分类模型的学习实现对系统的故障诊断。最后,根据故障分离信息,切换对应的单一通道故障可靠控制器,实现对系统执行器故障的精准容错控制。通过对无人机纵向飞行模型的模拟,验证了容错控制系统故障诊断的准确性。(2)研究了利用改进的布谷鸟搜素(modified cuckoo search,简称MCS)算法优化LSSVM的故障诊断方法。为了提高LSSVM的极点学习效率,从发现概率方面对布谷鸟搜索(cuckoo search,简称CS)算法进行了改进。为了实现对闭环系统极点数据的实时采集,给出了极点观测器的设计方法。以一个飞控系统的基础例子说明,这个基于极点学习的MCS-LSSVM故障诊断方法具有更优的建模效果和更加准确的分类精度。(3)研究了改进的粒子群算法(modified particle swarm optimization and genetic algorithm,简称MPSO-GA)优化LSSVM并加入深度学习模型的故障诊断方法。通过加入深度学习模型,使系统不仅能定位出某个部件的故障,还能更加精准地拟合出故障增益的估计值。给出了动态可靠控制器的设计方法,实现动态容错。仿真结果表明该方法的有效性和先进性。