支持向量機決策樹算法研究及其應用.pdf

1、隨著科學技術的飛速發(fā)展和市場競爭的日益激烈，工業(yè)生產(chǎn)表現(xiàn)出大型化、分布化、高速化、自動化和復雜化等特點。由于這些大型系統(tǒng)一般都是作為能源、石化、冶金以及其他國民經(jīng)濟支柱產(chǎn)業(yè)中的關鍵設備，一旦發(fā)生故障，輕則降低生產(chǎn)效率，重則設備停機、生產(chǎn)停頓，有時甚至產(chǎn)生機毀人亡的惡性事故，造成災難性的后果。與此同時面對激烈的市場競爭，降低故障停機時間，延長設備生命周期也是目前每個企業(yè)的立業(yè)之本。所以，有計劃、有組織、有針對地對關鍵設備進行實時監(jiān)測與診斷

2、，做到盡早地發(fā)現(xiàn)設備在運行過程中的各種隱患，從而防止災難性事故的發(fā)生，成為機械設備故障診斷系統(tǒng)面臨和解決的首要問題。 智能診斷技術代表了診斷技術的發(fā)展方向，同時其發(fā)展與人工智能技術的發(fā)展密切相關，為故障診斷的智能化提供了可能性。但是傳統(tǒng)的基于經(jīng)驗風險最小的人工智能方法在故障數(shù)據(jù)難以獲取，樣本數(shù)有限的情況下，訓練效果往往表現(xiàn)出很差的推廣能力。這直接制約著診斷方法的實用化推廣。本文是采用基于結構風險最小化的支持向量機，它針對小樣本情

3、況下所表現(xiàn)出來的優(yōu)良性能引起了眾多故障診斷領域研究人員的關注。支持向量機應用于故障診斷最大的優(yōu)勢在于它適合于小樣本決策，其學習方法的本質(zhì)在于能夠在有限特征信息情況下，最大限度地發(fā)覺數(shù)據(jù)中隱含的分類知識。從推廣性的角度來看，更適合于故障診斷這種實際的工程問題。 本論文在國家自然科學基金重點項目：“大型復雜機電系統(tǒng)早期故障智能預示的理論與技術”的資助下開展的研究的，主要的研究工作包括以下幾個方面： (1) 在Bently轉(zhuǎn)子

4、實驗臺進行機器狀態(tài)模擬，模擬的狀態(tài)包括：正常、不平衡、徑向碰磨，采集機器狀態(tài)振動信號。并對獲取的原始狀態(tài)數(shù)據(jù)進行數(shù)據(jù)預處理，時域和頻域的特征提取，以便利用獲取數(shù)據(jù)對診斷方法的進行了比較驗證。 (2) 針對基于傳統(tǒng)的支持向量機在機械故障模式識別方法中的不足，提出采用支持向量機決策樹多類分類算法，有效解決目前支持向量機多類分類中存在的“拒絕辨識區(qū)”和“類簇”的現(xiàn)象，通過引入類間分離測度更科學的評定類間分離性強弱，避免了訓練建模誤差的

5、累積，有效地提高了故障分類正確率。并通過故障模擬實驗獲取的數(shù)據(jù)對該算法，與“一對多”算法，二叉樹支持向量機，徑向基神經(jīng)網(wǎng)絡和概率神經(jīng)網(wǎng)絡的算法的分類正確率進行了比較，驗證了算法的有效性。 (3) 用VC的dll形式實現(xiàn)支持向量機序貫最小最優(yōu)化訓練算法(SMO)。針對SMO中工作集選擇，停機準則等進行了研究；同時將已被證實能夠提高訓練速度的收縮，擴張和內(nèi)存方法在算法得以實現(xiàn)。通過實驗驗證算法的有效性。 (4) 采用Acti