基于改進(jìn)SVM的流程工業(yè)故障診斷方法研究及實(shí)現(xiàn).pdf

1、工業(yè)生產(chǎn)過(guò)程的故障監(jiān)控與診斷系統(tǒng)是流程工業(yè)的重要組成部分。一旦發(fā)生故障，將會(huì)造成人員、財(cái)產(chǎn)的巨大損失甚至災(zāi)難性的事故，因此工業(yè)過(guò)程的故障監(jiān)控和診斷已成為控制領(lǐng)域研究的重點(diǎn)之一。本文研究的基于改進(jìn)支持向量機(jī)(support vector machine，SVM)的故障診斷方法，是將人工智能和機(jī)器學(xué)習(xí)最年輕的理論——支持向量機(jī)用于故障診斷技術(shù)，能較充分地利用可測(cè)的過(guò)程數(shù)據(jù)，而不依賴于精確的數(shù)學(xué)模型。
　　本文研究了支持向量機(jī)的原理與方

2、法，討論了支持向量機(jī)在故障診斷中處理大規(guī)模樣本集所遇到的問(wèn)題。將大規(guī)模樣本集縮減策略與支持向量機(jī)相結(jié)合，提出了改進(jìn)SVM的方法，并給出了大規(guī)模樣本集縮減新策略，刪除對(duì)分類器沒有幫助或者幫助不大的樣本——非支持向量，解決了支持向量機(jī)在訓(xùn)練樣本集規(guī)模較大時(shí)，存在的學(xué)習(xí)速度慢、存儲(chǔ)需求量大、泛化能力差等問(wèn)題，并通過(guò)實(shí)驗(yàn)證明了改進(jìn)SVM方法的優(yōu)越性。引入縮減約束閾值，可在初始分類器分類準(zhǔn)確度較低時(shí)，深入挖掘錯(cuò)分樣本隱含的信息，提高最終分類器的分

3、類準(zhǔn)確率。
　　為比較不同的樣本集縮減算法，本文提出了一種新的縮減算法評(píng)價(jià)指標(biāo)。一個(gè)縮減算法的好壞，取決于它能否在縮短算法運(yùn)行時(shí)間的情況下，保證最終的分類精度。針對(duì)時(shí)間和準(zhǔn)確度不在一個(gè)數(shù)量級(jí)上而導(dǎo)致的無(wú)法直接比較問(wèn)題，引入時(shí)間縮減比率和準(zhǔn)確度變化率公式以科學(xué)地評(píng)價(jià)大規(guī)模樣本集縮減效果，實(shí)驗(yàn)證明，通過(guò)對(duì)這兩項(xiàng)評(píng)價(jià)指標(biāo)的比較，可以較好地評(píng)價(jià)縮減算法。
　　針對(duì)實(shí)際流程工業(yè)故障診斷面臨的多類分類問(wèn)題，將本文提出的SVM改進(jìn)算法應(yīng)用