發(fā)布時間：2017-05-17 11:21

  本文關(guān)鍵詞：支持向量機決策樹算法研究及其應用，，由筆耕文化傳播整理發(fā)布。

【摘要】： 隨著科學技術(shù)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(guān)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(guān)鍵設備進行實時監(jiān)測與診斷,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(shù)代表了診斷技術(shù)的發(fā)展方向,同時其發(fā)展與人工智能技術(shù)的發(fā)展密切相關(guān),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(jié)構(gòu)風險最小化的支持向量機,它針對小樣本情況下所表現(xiàn)出來的優(yōu)良性能引起了眾多故障診斷領(lǐng)域研究人員的關(guān)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(shù)”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)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
【關(guān)鍵詞】：故障診斷 支持向量機 序貫最小最優(yōu)化算法(SMO) 支持向量機決策樹算法 DCOM ActiveX
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2007
【分類號】：C934
【目錄】：

• 摘要3-5
• Abstract5-9
• 第一章 緒論9-18
• 1.1 課題概述9-10
• 1.2 課題背景10-15
• 1.3 本文的主要研究工作15-18
• 第二章 支持向量機與模式識別18-28
• 2.1 引言18
• 2.2 統(tǒng)計學習理論基礎18-20
• 2.3 支持向量機理論20-25
• 2.4 模式識別25-27
• 2.5 本章小結(jié)27-28
• 第三章 支持向量機決策樹算法及其在故障模式識別中的應用28-52
• 3.1 引言28
• 3.2 支持向量機的流行多類模式識別算法28-31
• 3.3 支持向量機決策樹（SVM-DECISION TREE, SVMDT) 算法31-38
• 3.4 常見旋轉(zhuǎn)機械振動故障模式38-42
• 3.5 實驗42-46
• 3.6 實驗分析46-50
• 3.7 本章小結(jié)50-52
• 第四章 支持向量機訓練算法實現(xiàn)52-70
• 4.1 引言52
• 4.2 支持向量機訓練算法52-60
• 4.3 序列最小最優(yōu)化算法的設計60-63
• 4.4 序列最小最優(yōu)化算法的實現(xiàn)63-66
• 4.5 序列最小最優(yōu)化算法的實現(xiàn)的驗證66-67
• 4.6 本章小結(jié)67-70
• 第五章 基于支持向量機的故障診斷子系統(tǒng)設計與實現(xiàn)70-96
• 5.1 遠程狀態(tài)監(jiān)測與故障診斷系統(tǒng)簡介70-75
• 5.2 基于支持向量機的故障診斷子系統(tǒng)設計75-78
• 5.3 基于支持向量機的故障診斷子系統(tǒng)開發(fā)78-89
• 5.4 基于支持向量機的故障診斷子系統(tǒng)實現(xiàn)89-95
• 5.5 本章小結(jié)95-96
• 第六章 總結(jié)與展望96-98
• 6.1 本文總結(jié)96-97
• 6.2 展望97-98
• 參考文獻98-103
• 致謝103-104
• 攻讀碩士學位期間發(fā)表的論文104
• 攻讀碩士學位期間參與的科研項目104-106

【引證文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前6條

1 關(guān)玉萍;基于視頻的駕駛員疲勞檢測技術(shù)的研究[D];哈爾濱理工大學;2010年

2 劉麗君;基于支持向量機和免疫算法的故障檢測與診斷[D];華東理工大學;2011年

3 張清;基于模糊支持向量機的變壓器遠程故障診斷研究[D];北京交通大學;2011年

4 劉煒根;電機故障在線診斷系統(tǒng)的研究與實現(xiàn)[D];長春工業(yè)大學;2011年

5 穆艷崢;基于模糊隸屬度去噪聲的決策樹支持向量[D];河北大學;2010年

6 周東明;基于核函數(shù)的HRRP目標識別算法研究[D];電子科技大學;2012年

  本文關(guān)鍵詞：支持向量機決策樹算法研究及其應用，由筆耕文化傳播整理發(fā)布。

本文編號：373292