基于集成學習的故障診斷方法研究.pdf

1、機器學習是人工智能最具智能特征和最前沿的研究領域之一?；诮y(tǒng)計學習理論的支持向量機是非常典型的一種機器學習方法，它較好地解決了以往許多學習方法中小樣本、非線性和高維數等實際難題，并克服了神經網絡等學習方法中網絡結構難以確定、收斂速度慢、局部極小點、過學習與欠學習等不足，可以使在小樣本情況下建立的分類器具有很強的推廣能力。但是面對大規(guī)模故障樣本數據，支持向量機在小樣本空間中較好的性能又難以得到發(fā)揮。因此，集成學習的提出開辟了新的途徑。

2、r>　　本文旨在研究基于集成學習的故障診斷方法，以支持向量機作為子學習器，通過多個子學習器的集成來解決機械故障診斷的問題。分析了集成學習技術及其相關算法，研究了支持向量機子學習器的構成，以AdaBoost集成算法為基礎，構造了基于支持向量機的集成學習方法，并將此方法應用到機械故障診斷中。文中針對柴油機和齒輪箱兩種不同機械設備，監(jiān)測在不同的運行狀態(tài)下的振動信號，應用動態(tài)指標法和小波包能量法兩種方法分別提取機器振動信號的動態(tài)指標和小波包能量

3、，以此兩類特征向量分別輸入到多個子學習器對各故障類型進行初步診斷，各子學習器初步診斷結果輸入到集成學習構造的強分類器對機器運動狀態(tài)做最終判斷。通過對柴油機8種故障類型和齒輪箱4種故障類型的診斷分析，說明本文提出的方法是可行的，即由集成學習構造的強分類器分類結果明顯優(yōu)于單個分類器分類結果，表明集成學習方法顯著提高了系統(tǒng)的泛化能力。結果也顯示出，運用動態(tài)指標法提取的特征值在柴油機中的應用明顯優(yōu)于小波包能量法，齒輪箱中動態(tài)指標法略好于小波包能