基于支持向量機(jī)的故障智能診斷理論與方法研究.pdf

1、本文以支持向量機(jī)在故障智能診斷應(yīng)用中需要解決的關(guān)鍵問題為主線，在基于小波包的特征提取、故障分類器模型的建立、基于核主元的故障特征選擇、核函數(shù)的參數(shù)優(yōu)化、增量學(xué)習(xí)及工程應(yīng)用等方面進(jìn)行了較為系統(tǒng)、深入的研究： 1、針對有限樣本情況下故障診斷的特點(diǎn)和基于漸進(jìn)理論的傳統(tǒng)模式識(shí)別方法在故障模式分類中面臨的困難，把支持向量機(jī)引入到故障智能診斷中，為故障智能診斷提供了一種新的研究方法。論文研究了支持向量機(jī)用于故障診斷的關(guān)鍵問題，給出了基于支持

2、向量機(jī)故障診斷的基本實(shí)現(xiàn)步驟。針對標(biāo)準(zhǔn)支持向量機(jī)不能直接用于解決故障診斷這種典型多值分類問題的困難，本文提出了采用決策有向無環(huán)圖的多值分類算法，建立了多故障分類器模型。以轉(zhuǎn)子實(shí)驗(yàn)臺(tái)模擬的典型故障為診斷對象，研究了運(yùn)用小波包分解提取故障特征的方法，并結(jié)合建立的故障分類器模型，成功實(shí)現(xiàn)了故障的檢測和診斷。最后對影響故障分類器分類性能的各種因素進(jìn)行了深入分析。 2、為了降低故障分類器的計(jì)算復(fù)雜度，提高故障模式的可分性，有必要對所提取的

3、故障特征向量進(jìn)行選擇。針對主元分析在故障特征選擇上存在的不足，提出并實(shí)現(xiàn)了一種有效的基于核主元分析的非線性特征選擇方法。該方法通過計(jì)算原始特征空間的內(nèi)積核函數(shù)來實(shí)現(xiàn)原始特征空間到高維特征空間的非線性映射，在高維特征空間中對映射數(shù)據(jù)進(jìn)行主元分析來得到原始特征數(shù)據(jù)的非線性主元。通過對故障特征向量進(jìn)行核主元分析，能有效地降低特征向量的維數(shù)，從而降低了故障分類器的計(jì)算復(fù)雜度。 3、故障分類器的分類性能與支持向量機(jī)核函數(shù)參數(shù)有很大的關(guān)系。

4、在研究現(xiàn)有核參數(shù)優(yōu)化方法的基礎(chǔ)上，研究了以Fisher判別函數(shù)為目標(biāo)函數(shù)的核函數(shù)參數(shù)優(yōu)化的原理，進(jìn)而提出了基于Fisher判別函數(shù)和改進(jìn)遺傳算法相結(jié)合的核函數(shù)參數(shù)優(yōu)化算法。新算法利用遺傳操作來實(shí)現(xiàn)目標(biāo)函數(shù)的參數(shù)優(yōu)化，不需要計(jì)算梯度，依據(jù)新算法實(shí)現(xiàn)了二類故障分類器的參數(shù)優(yōu)化。 4、在深入分析支持向量特點(diǎn)的基礎(chǔ)上，研究了庫恩-塔克條件與樣本點(diǎn)的幾何分布以及增量學(xué)習(xí)后支持向量的變化規(guī)律，提出了一種新的基于過間隔技術(shù)和庫恩-塔克條件的支

5、持向量機(jī)增量學(xué)習(xí)方法。該算法通過在增量學(xué)習(xí)中逐步積累樣本空間數(shù)據(jù)所蘊(yùn)含的領(lǐng)域知識(shí)，使得對樣本進(jìn)行有選擇的舍棄成為可能。使用此算法，對仿真數(shù)據(jù)和實(shí)際故障數(shù)據(jù)進(jìn)行了驗(yàn)證。表明該算法在保證分類精度的同時(shí)，能有效獲取樣本數(shù)據(jù)所蘊(yùn)含的領(lǐng)域知識(shí)、降低訓(xùn)練樣本數(shù)量和所占的儲(chǔ)存空間，并提高后續(xù)訓(xùn)練的速度。 5、結(jié)合工廠實(shí)際情況，對分布式網(wǎng)絡(luò)化監(jiān)測和診斷系統(tǒng)的總體結(jié)構(gòu)及系統(tǒng)實(shí)施中涉及的關(guān)鍵技術(shù)進(jìn)行了研究，提出了客戶機(jī)/服務(wù)器(C/S)和瀏覽器/服