基于支持向量機的故障智能診斷理論與方法研究.pdf

1、本文以支持向量機在故障智能診斷應(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、增量學習及工程應(yīng)用等方面進行了較為系統(tǒng)、深入的研究： 1、針對有限樣本情況下故障診斷的特點和基于漸進理論的傳統(tǒng)模式識別方法在故障模式分類中面臨的困難，把支持向量機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用于故障診斷的關(guān)鍵問題，給出了基于支持

2、向量機故障診斷的基本實現(xiàn)步驟。針對標準支持向量機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)子實驗臺模擬的典型故障為診斷對象，研究了運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行了深入分析。 2、為了降低故障分類器的計算復雜度，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。該方法通過計算原始特征空間的內(nèi)積核函數(shù)來實現(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算復雜度。 3、故障分類器的分類性能與支持向量機核函數(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)為目標函數(shù)的核函數(shù)參數(shù)優(yōu)化的原理，進而提出了基于Fisher判別函數(shù)和改進遺傳算法相結(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現(xiàn)目標函數(shù)的參數(shù)優(yōu)化，不需要計算梯度，依據(jù)新算法實現(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的基礎(chǔ)上，研究了庫恩-塔克條件與樣本點的幾何分布以及增量學習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、持向量機增量學習方法。該算法通過在增量學習中逐步積累樣本空間數(shù)據(jù)所蘊含的領(lǐng)域知識，使得對樣本進行有選擇的舍棄成為可能。使用此算法，對仿真數(shù)據(jù)和實際故障數(shù)據(jù)進行了驗證。表明該算法在保證分類精度的同時，能有效獲取樣本數(shù)據(jù)所蘊含的領(lǐng)域知識、降低訓練樣本數(shù)量和所占的儲存空間，并提高后續(xù)訓練的速度。 5、結(jié)合工廠實際情況，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)實施中涉及的關(guān)鍵技術(shù)進行了研究，提出了客戶機/服務(wù)器(C/S)和瀏覽器/服