全矢譜-支持向量數(shù)據(jù)描述及故障診斷應(yīng)用研究.pdf

1、在設(shè)備故障診斷中,傳統(tǒng)的數(shù)據(jù)處理方法只能針對單通道數(shù)據(jù)進(jìn)行分析,而單通道數(shù)據(jù)往往不能將設(shè)備的空間運(yùn)動信息完整的表征出來。而作為全信息分析方法的一種,全矢譜分析技術(shù)在處理同源多通道故障信號的同時能夠體現(xiàn)更全面準(zhǔn)確的轉(zhuǎn)子運(yùn)動空間特征信息。在此基礎(chǔ)上本文將全矢譜技術(shù)與支持向量數(shù)據(jù)描述相結(jié)合,提出了全矢譜支持向量數(shù)據(jù)描述(Vector Spectrum SupportVector Data Description,VSSVDD)故障診斷方法。針

2、對支持向量數(shù)據(jù)描述(Support Vector Data Description,SVDD)分類方法中訓(xùn)練樣本數(shù)目受限的問題,本文對SVDD分類器作二次改進(jìn),引入動態(tài)支持向量數(shù)據(jù)描述(DSVDD)分類方法。該方法在訓(xùn)練樣本中不斷注入新的樣本進(jìn)而不斷更新分類邊界,從而更準(zhǔn)確的表征了目標(biāo)樣本的區(qū)域邊界。本文主要研究和解決問題如下:
　　 第一,支持向量數(shù)據(jù)描述方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論之上的,核函數(shù)的引入可以把低維空間的非線性問題轉(zhuǎn)

3、化為高維空間的線性問題。選擇不同的核函數(shù)對SVDD的分類效果不同。
　　 第二,運(yùn)用全矢譜分析方法對采樣數(shù)據(jù)進(jìn)行分析處理,并且提取典型倍頻上的幅值作為SVDD分類器的特征向量。實(shí)驗(yàn)表明經(jīng)過全矢譜特征提取后的SVDD的分類效果較未經(jīng)特征提取SVDD的分類效果更為明顯。通過實(shí)驗(yàn)研究驗(yàn)證了全矢譜支持向量數(shù)據(jù)描述故障診斷方法對測試樣本進(jìn)行分類的可行性與有效性。
　　 第三,運(yùn)用全矢譜支持向量數(shù)據(jù)描述方法對設(shè)備性能退化評估引入隸屬