基于SVR的非機理模型建模研究及故障預(yù)測.pdf

1、對問題的分析和求解過程中，通過建立其模型來描述純科學或具體的實際過程進行研究已成為一種重要方式；特別是在某些應(yīng)用，如被研究對象的故障診斷、預(yù)測及其功能改進等，建模更是一種行之有效的方法?？紤]到在實際應(yīng)用中，被研究對象的復(fù)雜特性很難用機理的方式對其進行建模，因此，基于數(shù)據(jù)的非機理模型建模成為研究的熱點。將統(tǒng)計學習的方法與保證模型結(jié)構(gòu)泛化性能的結(jié)構(gòu)風險最小化為優(yōu)化目標相結(jié)合，支持向量機(support vector machine，SVM)

2、很好的找到了擬合度與模型泛化性的最優(yōu)點。因此，SVM所具有的特色在非線性建模上得到了很好的發(fā)揮，被稱為支持向量回歸(SVR)。本文以SVR為主線，在基于數(shù)據(jù)的條件下對兩種相對應(yīng)的非機理模型，即確定性模型和非確定性模型建模分別進行了研究，其中非確定性模型以區(qū)間回歸模型的形式來描述，最后將其研究應(yīng)用到了故障檢測和故障預(yù)測。本研究主要內(nèi)容包括：
　?、裴槍S模糊模型的后件參數(shù)辨識，提出了一種基于最小二乘支持向量回歸(LSSVR)的結(jié)構(gòu)

3、風險分解來建立新的代價函數(shù)，該代價函數(shù)不是傳統(tǒng)意義上以經(jīng)驗風險最小化來求解參數(shù)，例如有最小二乘算法或它的變體、卡爾曼濾波算法、局部最優(yōu)EM算法等，而是同時考慮到如何控制模型結(jié)構(gòu)復(fù)雜性以及經(jīng)驗風險又要最小，來取其折中。然后，以該代價函數(shù)作為優(yōu)化目標，TS模糊模型為約束條件，通過引入拉格朗日方法對其求解，最終得到模型的后件參數(shù)。在建立LSSVR的過程中，除了通過訓練得到最終的模型參數(shù)(支持值參數(shù))外，其較好的泛化性能還與模型的自由參數(shù)(即超

4、參數(shù))的選擇存在很大關(guān)系，所以該部分提出了基于無跡卡爾曼濾波(UKF)方法來實現(xiàn)LSSVR的超參數(shù)在線更新，極大的削弱了傳統(tǒng)超參數(shù)優(yōu)化方法對訓練數(shù)據(jù)集大小的要求，而且在優(yōu)化過程中避免了較大的計算量和不利于自由參數(shù)的實時更新。
　?、漆槍SSVR，通常被稱為全局LSSVR，不具有局部解釋能力以及局部建模方法會存在邊界效應(yīng)的問題，即對處在邊界上的數(shù)據(jù)在建模過程中存在較大的偏差和計算時間?；诖?，該部分結(jié)合TS模糊模型的局部劃分原理，

5、研究帶模糊劃分的模糊加權(quán)平均LSSVR用于非線性系統(tǒng)建模，克服了局部建模方法對處在邊界上的數(shù)據(jù)所引起的邊界效應(yīng)。
　?、翘岢龇谴_定性模型建模的研究，這里提到的非確定性將通過區(qū)間回歸模型來定義。因此，該部分研究了關(guān)于逼近誤差上界的∞范數(shù)和?1范數(shù)最小化的LP-SVR區(qū)間回歸模型建模。由于模型結(jié)構(gòu)在建模過程中尤為重要，所以將SVR所具有的結(jié)構(gòu)風險最小化融合到區(qū)間回歸模型，將基于二次規(guī)劃求解的SVR問題轉(zhuǎn)化為較簡單的線性規(guī)劃，緊接著，關(guān)

6、于上界逼近誤差的兩種范數(shù)分別綜合到LP-SVR得到新的線性規(guī)劃問題，對其求解得到區(qū)間回歸模型。提出的方法不僅可以處理非對稱的區(qū)間回歸模型，而且URM與LRM被獨立求解，得到的區(qū)間回歸模型結(jié)構(gòu)復(fù)雜性在滿足建模性能的同時也得到很好控制。
　?、确謩e將其應(yīng)用于故障檢測和故障預(yù)測。對于故障檢測，提出了通過在無故障情況下的數(shù)據(jù)，建立系統(tǒng)無故障的自適應(yīng)閾值模型(用區(qū)間回歸模型描述)來作為故障發(fā)生的判斷，結(jié)果表明通過提出的方法可以較好的克服在一