本文關(guān)鍵詞：基于FSVM的陀螺儀故障診斷方法研究

  更多相關(guān)文章： 故障診斷 非平衡 模糊支持向量機(jī) 一對(duì)一算法 拒識(shí)區(qū)

【摘要】：陀螺儀作為飛行器的重要機(jī)載傳感器,主要用于精確地測(cè)量飛行器的姿態(tài)角、角速度和航向等參數(shù),為飛控系統(tǒng)提供準(zhǔn)確的飛行信息。其工作狀態(tài)直接影響到飛行器的飛行安全,因此保障和提高陀螺儀的可靠性具有重要的意義。針對(duì)實(shí)際情況下,陀螺儀正常樣本數(shù)量往往遠(yuǎn)大于故障樣本數(shù),本文研究了基于模糊支持向量機(jī)的陀螺儀故障診斷系統(tǒng)。主要工作如下:首先,搭建常見(jiàn)的陀螺儀故障模型,分別采用小波包分解法和經(jīng)驗(yàn)?zāi)B(tài)分解法對(duì)陀螺儀的輸出信號(hào)進(jìn)行分解。當(dāng)陀螺儀發(fā)生故障時(shí),其輸出信號(hào)會(huì)發(fā)生變化,反映到其頻率上則是某一個(gè)或某幾個(gè)頻段上的能量發(fā)生改變,從而可以提取分解后各信號(hào)分量的能量作為特征向量特征。其次,針對(duì)傳統(tǒng)支持向量機(jī)易受類不平衡和噪聲的影響,在比較分析了不平衡數(shù)據(jù)集對(duì)SVM分類器影響的原因后,采用FSVM作為故障診斷系統(tǒng)的核心算法。FSVM的隸屬度分為兩部分設(shè)計(jì),第一部分用于抑制數(shù)量不平衡的影響,第二部分利用樣本的高斯概率密度函數(shù)來(lái)描述樣本集的分布情況,以此作為樣本類內(nèi)重要性的依據(jù)。如此綜合考慮噪聲、類不平衡和樣本分布特性的影響,設(shè)計(jì)的分類器具有更強(qiáng)的魯棒性。再次,由于陀螺儀故障類型的非單一性,正常狀態(tài)與故障類型的識(shí)別和定位不是一個(gè)二分類問(wèn)題。針對(duì)采用一對(duì)一多分類方法存在的拒識(shí)區(qū)問(wèn)題,本文在其基礎(chǔ)上進(jìn)行了改進(jìn),提出了一種新型的多分類方法。該方法利用一對(duì)一算法本身的特點(diǎn)以及未知樣本與各類之間的數(shù)據(jù)關(guān)系,進(jìn)行循環(huán)篩選,從而得到最終的決策類別。最后,根據(jù)改進(jìn)的FSVM算法與一對(duì)一多分類方法編寫(xiě)算法程序,利用libsvm軟件包在MATLAB上進(jìn)行仿真以驗(yàn)證陀螺儀故障診斷系統(tǒng)的有效性和精度。對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析和總結(jié)。
【關(guān)鍵詞】：故障診斷 非平衡 模糊支持向量機(jī) 一對(duì)一算法 拒識(shí)區(qū)
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：V267;V241.5
【目錄】：

• 摘要4-5
• abstract5-11
• 縮略詞11-12
• 第一章 緒論12-18
• 1.1 課題研究的背景及意義12
• 1.2 故障診斷技術(shù)12-16
• 1.2.1 故障診斷技術(shù)研究的內(nèi)容12-13
• 1.2.2 故障診斷技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀13-15
• 1.2.3 支持向量機(jī)的發(fā)展?fàn)顩r15
• 1.2.4 一對(duì)一多分類的發(fā)展?fàn)顩r15-16
• 1.3 本文的主要研究工作16-17
• 1.4 論文的結(jié)構(gòu)安排17-18
• 第二章 支持向量機(jī)理論基礎(chǔ)18-33
• 2.1 機(jī)器學(xué)習(xí)問(wèn)題18-20
• 2.1.1 學(xué)習(xí)模型18-19
• 2.1.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化19-20
• 2.1.3 復(fù)雜性與推廣能力20
• 2.2 統(tǒng)計(jì)學(xué)習(xí)理論20-24
• 2.2.1 學(xué)習(xí)過(guò)程的一致性20-21
• 2.2.2 VC維理論21-22
• 2.2.3 推廣性的界22-23
• 2.2.4 結(jié)構(gòu)風(fēng)險(xiǎn)最小化23-24
• 2.3 支持向量機(jī)24-30
• 2.3.1 最優(yōu)分類超平面24-25
• 2.3.2 線性分類支持向量機(jī)25-28
• 2.3.3 非線性分類支持向量機(jī)28-29
• 2.3.4 核函數(shù)29-30
• 2.4 多分類方法30-32
• 2.4.1 一對(duì)一多分類方法30
• 2.4.2 一對(duì)多多分類方法30-31
• 2.4.3 決策樹(shù)多分類方法31-32
• 2.5 本章小結(jié)32-33
• 第三章 針對(duì)不平衡數(shù)據(jù)集的SVM33-48
• 3.1 不平衡數(shù)據(jù)集分類的相關(guān)概念33-34
• 3.2 SVM與類不平衡34-35
• 3.2.1 軟間隔優(yōu)化問(wèn)題34-35
• 3.2.2 支持向量比率的不平衡問(wèn)題35
• 3.3 改進(jìn)的SVM學(xué)習(xí)方法35-38
• 3.3.1 類懲罰代價(jià)不同SVM35-36
• 3.3.2 決策邊界修正的SVM36
• 3.3.3 模糊支持向量機(jī)36-37
• 3.3.4 不平衡學(xué)習(xí)模糊支持向量機(jī)37-38
• 3.4 基于高斯分布的不平衡FSVM38-43
• 3.4.1 m±的設(shè)計(jì)38-40
• 3.4.2 ( )if x的設(shè)計(jì)40-42
• 3.4.3 期望和協(xié)方差矩陣的求取42-43
• 3.5 仿真實(shí)驗(yàn)43-47
• 3.5.1 實(shí)驗(yàn)環(huán)境43
• 3.5.2 支持向量機(jī)參數(shù)尋優(yōu)43-44
• 3.5.3 SVM與FSVM對(duì)比實(shí)驗(yàn)結(jié)果44-45
• 3.5.4 幾種不平衡學(xué)習(xí)算法的對(duì)比實(shí)驗(yàn)結(jié)果45-47
• 3.6 本章小結(jié)47-48
• 第四章 陀螺儀故障診斷的總體方案48-62
• 4.1 系統(tǒng)總體結(jié)構(gòu)48-49
• 4.2 陀螺儀的故障類型49-50
• 4.3 基于小波包分解的特征提取方法50-54
• 4.3.1 小波變換50-51
• 4.3.2 小波包變換51-52
• 4.3.3 小波包分解提取能量特征52-54
• 4.4 基于經(jīng)驗(yàn)?zāi)B(tài)分解的特征提取方法54-55
• 4.4.1 經(jīng)驗(yàn)?zāi)B(tài)分解54-55
• 4.4.2 EMD特征提取55
• 4.5 多分類器設(shè)計(jì)55-61
• 4.5.1 一對(duì)一多分類方法的拒識(shí)區(qū)問(wèn)題55-56
• 4.5.2 模糊決策法56-57
• 4.5.3 緊密度決策法57-58
• 4.5.4 改進(jìn)的一對(duì)一方法58-61
• 4.6 本章小結(jié)61-62
• 第五章 故障診斷系統(tǒng)的仿真實(shí)驗(yàn)62-74
• 5.1 實(shí)驗(yàn)樣本采集62-68
• 5.1.1 小波包分解法特征提取63-66
• 5.1.2 經(jīng)驗(yàn)?zāi)B(tài)分解法特征提取66-68
• 5.2 基于FSVM-CIL的陀螺儀數(shù)據(jù)仿真實(shí)驗(yàn)68-72
• 5.2.1 不平衡分類的評(píng)價(jià)標(biāo)準(zhǔn)68-69
• 5.2.2 實(shí)驗(yàn)準(zhǔn)備69
• 5.2.3 支持向量機(jī)訓(xùn)練及參數(shù)優(yōu)化69-71
• 5.2.4 實(shí)驗(yàn)結(jié)果和分析71-72
• 5.3 一對(duì)一多分類仿真實(shí)驗(yàn)72-73
• 5.3.1 實(shí)驗(yàn)準(zhǔn)備72-73
• 5.3.2 實(shí)驗(yàn)結(jié)果和分析73
• 5.4 本章小結(jié)73-74
• 第六章 總結(jié)與展望74-76
• 6.1 工作總結(jié)74-75
• 6.2 后期展望75-76
• 參考文獻(xiàn)76-80
• 致謝80-81
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 沈艷霞;周文晶;紀(jì)志成;吳定會(huì);;基于小波包與SVM的風(fēng)電變流器故障診斷[J];太陽(yáng)能學(xué)報(bào);2015年04期

2 阮玖圣;馬進(jìn);周昱;張建輝;;基于定性推理的故障診斷綜述[J];山東工業(yè)技術(shù);2013年12期

3 王憲亮;吳志剛;楊金超;周若華;顏永紅;;基于SVM一對(duì)一分類的語(yǔ)種識(shí)別方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

4 陳中杰;蔣剛;蔡勇;;基于SVM一對(duì)一多分類算法的二次細(xì)分法研究[J];傳感器與微系統(tǒng);2013年04期

5 賈慶賢;張迎春;管宇;陳雪芹;;基于解析模型的非線性系統(tǒng)故障診斷方法綜述[J];信息與控制;2012年03期

6 單玉剛;王宏;董爽;;改進(jìn)的一對(duì)一支持向量機(jī)多分類算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

7 王文劍;梁志;郭虎升;;基于數(shù)據(jù)關(guān)系的SVM多分類學(xué)習(xí)算法[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

8 李晗;蕭德云;;基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J];控制與決策;2011年01期

9 樊寧;高鳳岐;;基于貝葉斯網(wǎng)絡(luò)的電子設(shè)備故障診斷技術(shù)研究[J];儀表技術(shù);2010年09期

10 孫潔娣;靳世久;;基于小波包能量及高階譜的特征提取方法[J];天津大學(xué)學(xué)報(bào);2010年06期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 曹沖鋒;基于EMD的機(jī)械振動(dòng)分析與診斷方法研究[D];浙江大學(xué);2009年

2 孫永奎;基于支持向量機(jī)的模擬電路故障診斷方法研究[D];電子科技大學(xué);2009年

3 楊智明;面向不平衡數(shù)據(jù)的支持向量機(jī)分類方法研究[D];哈爾濱工業(yè)大學(xué);2009年

4 楊宇;基于EMD和支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D];湖南大學(xué);2005年

5 翟永杰;基于支持向量機(jī)的故障智能診斷方法研究[D];華北電力大學(xué)（河北）;2004年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 趙丁;小型無(wú)人機(jī)傳感器故障診斷算法研究及軟件開(kāi)發(fā)[D];沈陽(yáng)航空航天大學(xué);2014年

2 張強(qiáng);基于EMD的齒輪箱故障特征提取方法研究[D];大連理工大學(xué);2013年

3 曹份檳;基于PCA和SVM的貨車(chē)故障檢測(cè)[D];北京交通大學(xué);2011年

4 張建民;基于波形分析技術(shù)的電力電子電路故障診斷方法研究[D];湖南大學(xué);2007年

5 杜圣東;基于多類支持向量機(jī)的文本分類研究[D];重慶大學(xué);2007年

，

本文編號(hào)：672065