基于改進SVM的流程工業(yè)故障診斷方法研究及實現(xiàn).pdf

1、工業(yè)生產(chǎn)過程的故障監(jiān)控與診斷系統(tǒng)是流程工業(yè)的重要組成部分。一旦發(fā)生故障，將會造成人員、財產(chǎn)的巨大損失甚至災(zāi)難性的事故，因此工業(yè)過程的故障監(jiān)控和診斷已成為控制領(lǐng)域研究的重點之一。本文研究的基于改進支持向量機(support vector machine，SVM)的故障診斷方法，是將人工智能和機器學(xué)習(xí)最年輕的理論——支持向量機用于故障診斷技術(shù)，能較充分地利用可測的過程數(shù)據(jù)，而不依賴于精確的數(shù)學(xué)模型。
　　本文研究了支持向量機的原理與方

2、法，討論了支持向量機在故障診斷中處理大規(guī)模樣本集所遇到的問題。將大規(guī)模樣本集縮減策略與支持向量機相結(jié)合，提出了改進SVM的方法，并給出了大規(guī)模樣本集縮減新策略，刪除對分類器沒有幫助或者幫助不大的樣本——非支持向量，解決了支持向量機在訓(xùn)練樣本集規(guī)模較大時，存在的學(xué)習(xí)速度慢、存儲需求量大、泛化能力差等問題，并通過實驗證明了改進SVM方法的優(yōu)越性。引入縮減約束閾值，可在初始分類器分類準確度較低時，深入挖掘錯分樣本隱含的信息，提高最終分類器的分

3、類準確率。
　　為比較不同的樣本集縮減算法，本文提出了一種新的縮減算法評價指標。一個縮減算法的好壞，取決于它能否在縮短算法運行時間的情況下，保證最終的分類精度。針對時間和準確度不在一個數(shù)量級上而導(dǎo)致的無法直接比較問題，引入時間縮減比率和準確度變化率公式以科學(xué)地評價大規(guī)模樣本集縮減效果，實驗證明，通過對這兩項評價指標的比較，可以較好地評價縮減算法。
　　針對實際流程工業(yè)故障診斷面臨的多類分類問題，將本文提出的SVM改進算法應(yīng)用