基于集成學習的故障診斷方法研究.pdf_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論