面向旋轉(zhuǎn)機(jī)械的支持向量機(jī)方法與故障模式分類研究.pdf

1、支持向量機(jī)(Support Vector Machines, SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory,SLT)基礎(chǔ)上發(fā)展起來的新型機(jī)器學(xué)習(xí)算法,該方法在解決小樣本、非線性及高維問題中表現(xiàn)出許多特有的優(yōu)勢(shì)。
　　以支持向量機(jī)理論為基礎(chǔ),旋轉(zhuǎn)機(jī)械設(shè)備為研究對(duì)象,針對(duì)有限樣本情況下旋轉(zhuǎn)機(jī)械故障診斷的特點(diǎn)和基于漸進(jìn)性理論的傳統(tǒng)模式識(shí)別方法在故障模式分類中面臨的一些困難,對(duì)適合旋轉(zhuǎn)機(jī)械故障診斷特點(diǎn)的

2、支持向量機(jī)多值分類算法、多故障分類器模型的建立、分類器的核函數(shù)參數(shù)優(yōu)化選擇等幾方面進(jìn)行了較為深入的研究,并通過仿真和實(shí)驗(yàn)研究,得到了一些有價(jià)值的結(jié)論。
　　提出一種更適合于旋轉(zhuǎn)機(jī)械故障智能診斷的支持向量機(jī)算法,并建立多故障分類器模型。對(duì)現(xiàn)有的支持向量機(jī)分類算法進(jìn)行系統(tǒng)的比較研究,提出基于支持向量數(shù)據(jù)描述算法和支持向量機(jī)常規(guī)多類分類算法相結(jié)合的故障診斷方法,建立多故障分類器模型,結(jié)合實(shí)驗(yàn)數(shù)據(jù)進(jìn)行仿真和實(shí)驗(yàn)研究,并與傳統(tǒng)的多類分類算法

3、進(jìn)行了實(shí)驗(yàn)對(duì)比研究,在相同的實(shí)驗(yàn)環(huán)境下對(duì)所有樣本完成模型訓(xùn)練和測(cè)試分類,識(shí)別率提高6％左右,運(yùn)行時(shí)間縮短0.8s左右,該結(jié)果表明提出方法的可行性和優(yōu)越性。
　　提出一種支持向量機(jī)故障分類器核函數(shù)參數(shù)優(yōu)化選擇新方法。針對(duì)核函數(shù)參數(shù)的選擇會(huì)顯著影響分類器的分類性能這一問題,在研究現(xiàn)有核函數(shù)參數(shù)優(yōu)化選擇方法的基礎(chǔ)上,提出一種基于蟻群優(yōu)化算法的故障分類器核函數(shù)參數(shù)優(yōu)化新方法,分別在DIMDATA數(shù)據(jù)集和 DRVI轉(zhuǎn)子實(shí)驗(yàn)臺(tái)數(shù)據(jù)集下與常規(guī)幾