基于集成學(xué)習(xí)的故障診斷方法研究.pdf

1、機器學(xué)習(xí)是人工智能最具智能特征和最前沿的研究領(lǐng)域之一。基于統(tǒng)計學(xué)習(xí)理論的支持向量機是非常典型的一種機器學(xué)習(xí)方法，它較好地解決了以往許多學(xué)習(xí)方法中小樣本、非線性和高維數(shù)等實際難題，并克服了神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法中網(wǎng)絡(luò)結(jié)構(gòu)難以確定、收斂速度慢、局部極小點、過學(xué)習(xí)與欠學(xué)習(xí)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(shù)據(jù)，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(xué)習(xí)的提出開辟了新的途徑。

2、r>　　本文旨在研究基于集成學(xué)習(xí)的故障診斷方法，以支持向量機作為子學(xué)習(xí)器，通過多個子學(xué)習(xí)器的集成來解決機械故障診斷的問題。分析了集成學(xué)習(xí)技術(shù)及其相關(guān)算法，研究了支持向量機子學(xué)習(xí)器的構(gòu)成，以AdaBoost集成算法為基礎(chǔ)，構(gòu)造了基于支持向量機的集成學(xué)習(xí)方法，并將此方法應(yīng)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(shè)備，監(jiān)測在不同的運行狀態(tài)下的振動信號，應(yīng)用動態(tài)指標(biāo)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(biāo)和小波包能量

3、，以此兩類特征向量分別輸入到多個子學(xué)習(xí)器對各故障類型進行初步診斷，各子學(xué)習(xí)器初步診斷結(jié)果輸入到集成學(xué)習(xí)構(gòu)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(xué)習(xí)構(gòu)造的強分類器分類結(jié)果明顯優(yōu)于單個分類器分類結(jié)果，表明集成學(xué)習(xí)方法顯著提高了系統(tǒng)的泛化能力。結(jié)果也顯示出，運用動態(tài)指標(biāo)法提取的特征值在柴油機中的應(yīng)用明顯優(yōu)于小波包能量法，齒輪箱中動態(tài)指標(biāo)法略好于小波包能