基于支持向量機的核電設(shè)備故障診斷方法研究.pdf

1、支持向量機（SVM）是統(tǒng)計學(xué)習(xí)的一種，是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新型的學(xué)習(xí)機器。目前，SVM被看作是解決分類問題和回歸問題的強有力的工具，并已經(jīng)是機器學(xué)習(xí)領(lǐng)域繼神經(jīng)網(wǎng)絡(luò)后新的研究熱點。它以結(jié)構(gòu)風(fēng)險最小化原則和VC維理論為理論基礎(chǔ)，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。SVM被看作是對傳統(tǒng)分類器的一個好的發(fā)展，在解決小樣本、非線性和高維的機器學(xué)習(xí)問題中表現(xiàn)出了許多特有的優(yōu)勢。

2、　　本文所做的主要工作如下：
　　(1)本文將支持向量機引入到核電設(shè)備的故障診斷中，并通過實驗驗證SVM的分類性能；
　　(2)本文深入研究了核電設(shè)備典型故障信號的特征提取方法，并成功將基于短時傅里葉思想的特征提取方法應(yīng)用于機械設(shè)備故障診斷之中；
　　(3)選擇合適的核函數(shù)及其參數(shù)已成為SVM進一步發(fā)展的關(guān)鍵點和難點。本文結(jié)合徑向基函數(shù)（RBF）核函數(shù)和通過改進的“窮舉法”找到最優(yōu)參數(shù)組合，并通過對轉(zhuǎn)子試驗臺模擬故障的

3、識別來比較參數(shù)優(yōu)化后的SVM和優(yōu)化前的SVM的分類精度；
　　(4)本文還結(jié)合了集成學(xué)習(xí)中的Bagging算法，形成Bagging-SVM，由于支持向量機具有很好的泛化能力，如果再通過集成學(xué)習(xí)提高其性能，對于一個應(yīng)用問題來說，會得到更好的解決，并通過實驗來比較Bagging-SVM和SVM的識別效果；
　　(5)本文結(jié)合核電設(shè)備的特點，系統(tǒng)地建立了SVM在核電設(shè)備故障診斷中的響應(yīng)模型；設(shè)計了基于SVM的核電設(shè)備故障診斷系統(tǒng)，