全矢譜-支持向量數(shù)據(jù)描述及故障診斷應用研究.pdf

1、在設備故障診斷中,傳統(tǒng)的數(shù)據(jù)處理方法只能針對單通道數(shù)據(jù)進行分析,而單通道數(shù)據(jù)往往不能將設備的空間運動信息完整的表征出來。而作為全信息分析方法的一種,全矢譜分析技術在處理同源多通道故障信號的同時能夠體現(xiàn)更全面準確的轉子運動空間特征信息。在此基礎上本文將全矢譜技術與支持向量數(shù)據(jù)描述相結合,提出了全矢譜支持向量數(shù)據(jù)描述(Vector Spectrum SupportVector Data Description,VSSVDD)故障診斷方法。針

2、對支持向量數(shù)據(jù)描述(Support Vector Data Description,SVDD)分類方法中訓練樣本數(shù)目受限的問題,本文對SVDD分類器作二次改進,引入動態(tài)支持向量數(shù)據(jù)描述(DSVDD)分類方法。該方法在訓練樣本中不斷注入新的樣本進而不斷更新分類邊界,從而更準確的表征了目標樣本的區(qū)域邊界。本文主要研究和解決問題如下:
　　 第一,支持向量數(shù)據(jù)描述方法是建立在統(tǒng)計學習理論之上的,核函數(shù)的引入可以把低維空間的非線性問題轉

3、化為高維空間的線性問題。選擇不同的核函數(shù)對SVDD的分類效果不同。
　　 第二,運用全矢譜分析方法對采樣數(shù)據(jù)進行分析處理,并且提取典型倍頻上的幅值作為SVDD分類器的特征向量。實驗表明經過全矢譜特征提取后的SVDD的分類效果較未經特征提取SVDD的分類效果更為明顯。通過實驗研究驗證了全矢譜支持向量數(shù)據(jù)描述故障診斷方法對測試樣本進行分類的可行性與有效性。
　　 第三,運用全矢譜支持向量數(shù)據(jù)描述方法對設備性能退化評估引入隸屬