基于改进SVM算法的调节阀空化状态识别

空化现象往往致使调节阀产生振动、噪声以及工作效率下降等问题,严重影响煤液化系统的安全运行和元件寿命。准确识别调节阀内的空化状态可以为监测调节阀内空化状态、调节阀预测性维修提供数据支撑。针对调节阀空化状态难以有效识别的问题,构建一种基于遗传算法和核主成分分析(Kernel principle component analysis,KPCA)的支持向量机(Support vector machines,SVM)模型来对调节阀空化状态进行识别。利用时域、频域以及小波包变换提取振动信号的特征,通过KPCA提取特征向量的主成分,然后使用遗传算法优化后的SVM进行调节阀空化状态识别。试验结果表明,KPCA能够有效提取振动信号特征向量的非线性主成分,构建的SVM可有效识别调节阀空化状态。相比基于神经网络的空化状态识别而言,改进SVM具有更好的识别效果,识别准确率达98.7%。