基于支持向量機的小樣本故障診斷.pdf

1、目前一些常用的故障診斷方法都是以大樣本數(shù)據(jù)為基礎(chǔ)的，但通常在實際工程中得到的故障一般都是小樣本數(shù)據(jù)，使其應用受到了一定的限制。統(tǒng)計學習理論(StatisticalLearningTheory或SLT)是一種專門研究小樣本情況下機器學習規(guī)律的理論，它具有完備的理論基礎(chǔ)。尤其是建立在統(tǒng)計學習理論基礎(chǔ)上的支持向量機(SupportVectorMachine或SVM)，由于它具有許多優(yōu)越的性能，所以近年來受到了廣泛的重視。目前已成功應用于人臉識

2、別、手寫體數(shù)字識別、圖像檢索等許多領(lǐng)域。本文針對SVM在機械故障診斷中的應用等相關(guān)問題展開研究，主要做了以下幾方面的工作： 1、分析研究了SVM算法的可靠性及在機械故障診斷應用中的可行性。 2、深入探討了SVM中重要參數(shù)的選取原則。 在SVM中核函數(shù)類型的選擇、核函數(shù)參數(shù)的選擇以及懲罰函數(shù)C優(yōu)化選擇是非常重要的一個問題，但直到目前一直都沒有科學的優(yōu)化方法。本文提出了在實驗的基礎(chǔ)上去一步步地進行優(yōu)化來確定一些重要參

3、數(shù)，通過數(shù)據(jù)驗證表明這種方法是完全可取的。 3、系統(tǒng)研究了SVM的分類算法，建立了基于SVM的小樣本故障診斷模型。 以武漢科技大學齒輪故障實驗臺為研究背景，分別采集了多種類型的齒輪故障信號，根據(jù)SVM分類算法對齒輪進行故障分類，結(jié)果表明這種方法是完全可行的。 4、對SVM分類算法進行不斷改進，建立了多故障智能分類器。 鑒于實際工程中不可能只有一種故障類型的現(xiàn)實，對SVM分類算法進行了改進，從而實現(xiàn)了多故障

4、的智能分類，這極大的拓展了SVM在機械故障領(lǐng)域的應用。 5、分析研究了SVM的回歸算法并對某軋機的振動烈度峰值進行了成功預測。 本文對SVM的回歸算法(即SVR算法)進行了系統(tǒng)地研究，不僅研究了具體的回歸算法，而且通過可視化的編程使結(jié)果以圖表的形式清晰的顯示出來。便于以后安裝在在線監(jiān)測系統(tǒng)中，使其發(fā)揮更大的作用。在此算法的應用研究中分別對Lorenz時間序列和某軋機的振動烈度峰值進行了成功預測。該項研究為機械設備故障的智