發(fā)布時(shí)間：2017-10-19 10:27

  本文關(guān)鍵詞：基于改進(jìn)SVDD的設(shè)備故障診斷方法及在線監(jiān)測(cè)系統(tǒng)研究

  更多相關(guān)文章： 故障診斷 支持向量數(shù)據(jù)描述 提升方法 增量學(xué)習(xí)

【摘要】：隨著機(jī)械工業(yè)設(shè)備朝著大型化、復(fù)雜化與自動(dòng)化的方向發(fā)展,研究與設(shè)計(jì)一個(gè)準(zhǔn)確有效的在線監(jiān)測(cè)系統(tǒng),使其具備在線狀態(tài)監(jiān)測(cè),在線故障診斷,在線增量學(xué)習(xí)的功能,正成為故障診斷領(lǐng)域的一個(gè)重要研究課題。同時(shí),隨著設(shè)備的不斷運(yùn)行,大量的工作過程數(shù)據(jù)被保存下來。如何對(duì)于這些數(shù)據(jù)進(jìn)行分析,進(jìn)行特征提取,提高診斷能力,成為了故障診斷技術(shù)的主要研究熱點(diǎn)。 本文以支持向量數(shù)據(jù)描述(Support Vector Data Description, SVDD)為基礎(chǔ),對(duì)于采集的設(shè)備工作過程數(shù)據(jù)進(jìn)行訓(xùn)練,并對(duì)在線設(shè)備監(jiān)測(cè)系統(tǒng)的若干問題進(jìn)行研究,具體的研究?jī)?nèi)容如下： (1)針對(duì)表示設(shè)備工作狀態(tài)的數(shù)據(jù)特征空間維度過高問題,提出了一種基于余弦相似度的特征空間維規(guī)約方法。該降維方法主要利用余弦相似度算法歸并相似度高的特征,提高特征空間各維度間的正交性,減少SVDD訓(xùn)練過程計(jì)算量,提高預(yù)測(cè)準(zhǔn)確率； (2)針對(duì)SVDD處理海量數(shù)據(jù)訓(xùn)練時(shí)間過長(zhǎng)的問題,提出了一種統(tǒng)計(jì)信息網(wǎng)格支持向量數(shù)據(jù)描述算法(STatistical INformation Grid SVDD, STING-SVDD)。首先,該算法利用STING技術(shù)把訓(xùn)練樣本空間分成許多小的空間單元,然后利用SVDD的支持向量的分布特性刪除中心單元的訓(xùn)練樣本,最后利用優(yōu)化后的訓(xùn)練集生成SVDD分類器。這種方法降低了訓(xùn)練集規(guī)模,減少了SVDD算法的訓(xùn)練時(shí)間； (3)研究了支持向量數(shù)據(jù)描述的增量學(xué)習(xí)功能,提出了一種基于提升思想的支持向量數(shù)據(jù)描述增量學(xué)習(xí)方法。利用提升方法,對(duì)于新增樣本集誤判樣本點(diǎn)進(jìn)行提升,降低了每次訓(xùn)練時(shí)訓(xùn)練集的規(guī)模,加快了增量學(xué)習(xí)算法效率,完善了在線故障診斷方法； (4)在上述理論分析及研究的基礎(chǔ)上,編寫設(shè)備在線故障診斷軟件。軟件實(shí)現(xiàn)在線數(shù)據(jù)分析功能,模擬在線增量學(xué)習(xí)算法,并通過模擬實(shí)驗(yàn)臺(tái)驗(yàn)證軟件的有效性和實(shí)用性。
【關(guān)鍵詞】：故障診斷 支持向量數(shù)據(jù)描述 提升方法 增量學(xué)習(xí)
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TH165.3;TP274;TP181
【目錄】：

• 摘要4-5
• ABSTRACTS5-9
• 第一章 緒論9-17
• 1.1 研究背景及意義9-10
• 1.2 設(shè)備故障診斷的國(guó)內(nèi)外研究現(xiàn)狀10-13
• 1.2.1 現(xiàn)有的故障診斷理論方法11-12
• 1.2.2 設(shè)備故障診斷技術(shù)的主要難點(diǎn)12-13
• 1.2.3 支持向量數(shù)據(jù)描述理論13
• 1.3 論文的研究?jī)?nèi)容及創(chuàng)新點(diǎn)13-14
• 1.3.1 論文的研究?jī)?nèi)容13-14
• 1.3.2 論文的創(chuàng)新點(diǎn)14
• 1.4 本章小結(jié)14-17
• 第二章 基于SVDD的設(shè)備故障診斷方法概述17-31
• 2.1 統(tǒng)計(jì)學(xué)習(xí)方法概述17-20
• 2.1.1 模型17-18
• 2.1.2 策略18-20
• 2.1.3 算法20
• 2.2 支持向量數(shù)據(jù)描述理論20-27
• 2.2.1 支持向量數(shù)據(jù)描述21-23
• 2.2.2 核函數(shù)23-24
• 2.2.3 支持向量描述學(xué)習(xí)的實(shí)現(xiàn)算法24-27
• 2.3 基于SVDD的故障診斷模型27-28
• 2.3.1 系統(tǒng)模型27-28
• 2.3.2 數(shù)據(jù)采集與處理28
• 2.3.3 特征提取28
• 2.3.4 基于SVDD的檢測(cè)系統(tǒng)分析28
• 2.4 本章小結(jié)28-31
• 第三章 基于數(shù)據(jù)挖掘技術(shù)的SVDD訓(xùn)練樣本集降維方法研究31-41
• 3.1 SVDD訓(xùn)練數(shù)據(jù)集降維的意義31-32
• 3.2 基于特征相關(guān)度分析的降維方法32-35
• 3.2.1 特征相關(guān)度對(duì)于SVDD的影響研究32-33
• 3.2.2 基于余弦法的SVDD特征降維方法33-34
• 3.2.3 余弦相關(guān)度實(shí)驗(yàn)分析34-35
• 3.3 基于統(tǒng)計(jì)信息網(wǎng)格技術(shù)的樣本集降維方法35-40
• 3.3.1 統(tǒng)計(jì)信息網(wǎng)格技術(shù)35-36
• 3.3.2 STING_SVDD算法36-40
• 3.4 本章小結(jié)40-41
• 第四章 支持向量數(shù)據(jù)描述的增量學(xué)習(xí)算法研究41-47
• 4.1 增量學(xué)習(xí)算法的意義41
• 4.2 提升方法41-42
• 4.3 基于boost思想的SVDD增量學(xué)習(xí)算法42-45
• 4.3.1 基于boost思想的SVDD增量學(xué)習(xí)策略42
• 4.3.2 基于boost思想的SVDD增量學(xué)習(xí)算法42-43
• 4.3.3 基于boost思想的SVDD增量學(xué)習(xí)算法的實(shí)驗(yàn)驗(yàn)證43-45
• 4.4 本章小結(jié)45-47
• 第五章 基于改進(jìn)SVDD方法的在線檢測(cè)系統(tǒng)的實(shí)現(xiàn)及實(shí)驗(yàn)評(píng)估47-55
• 5.1 在線監(jiān)測(cè)的實(shí)驗(yàn)分析47-48
• 5.1.1 實(shí)驗(yàn)?zāi)康?/span>47
• 5.1.2 實(shí)驗(yàn)環(huán)境及方案介紹47-48
• 5.2 訓(xùn)練數(shù)據(jù)集采集及預(yù)處理48-49
• 5.2.1 數(shù)據(jù)特征提取分析48-49
• 5.2.2 數(shù)據(jù)特征相關(guān)性分析49
• 5.3 在線檢測(cè)系統(tǒng)實(shí)現(xiàn)及實(shí)驗(yàn)驗(yàn)證49-53
• 5.3.1 系統(tǒng)開發(fā)環(huán)境49
• 5.3.2 系統(tǒng)界面及流程介紹49-51
• 5.3.3 基于STING_SVDD的訓(xùn)練模型51
• 5.3.4 在線檢測(cè)系統(tǒng)的實(shí)用性評(píng)估51-53
• 5.3.5 在線增量學(xué)習(xí)方法驗(yàn)證53
• 5.4 本章小結(jié)53-55
• 第六章 總結(jié)與展望55-57
• 6.1 全文總結(jié)55-56
• 6.2 未來展望56-57
• 參考文獻(xiàn)57-60
• 致謝60-61
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 翟永杰,楊金芳,徐大平,韓璞,王東風(fēng);應(yīng)用序列最小優(yōu)化算法的火電廠協(xié)調(diào)系統(tǒng)的預(yù)測(cè)[J];動(dòng)力工程;2005年06期

2 徐濟(jì)仁;劉敬芝;牛紀(jì)海;江從俊;;電子設(shè)備故障診斷技術(shù)綜述[J];電子工藝技術(shù);2008年05期

3 馬天健;;淺析網(wǎng)絡(luò)統(tǒng)計(jì)[J];甘肅科技;2009年13期

4 馬超;;淺談汽輪機(jī)的故障診斷[J];裝備制造技術(shù);2010年05期

5 楊敏,張煥國(guó),傅建明,羅敏;基于支持向量數(shù)據(jù)描述的異常檢測(cè)方法[J];計(jì)算機(jī)工程;2005年03期

6 陳長(zhǎng)軍;詹永照;文傳軍;;支持向量描述鑒別分析及在人臉識(shí)別中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2010年02期

7 趙月愛;陳俊杰;;AdaBoost算法在網(wǎng)絡(luò)入侵檢測(cè)中的實(shí)驗(yàn)研究[J];計(jì)算機(jī)應(yīng)用與軟件;2010年04期

8 肖維忠;石于中;;基于支持向量機(jī)的風(fēng)洞試驗(yàn)數(shù)據(jù)分析方法研究[J];科技信息;2012年10期

9 蒙子才;社會(huì)主義市場(chǎng)經(jīng)濟(jì)條件下國(guó)有基建企業(yè)的機(jī)電設(shè)備管理[J];設(shè)備管理與維修;1995年01期

10 陳斌;閻兆立;程曉斌;;基于SVDD和相對(duì)距離的設(shè)備故障程度預(yù)測(cè)[J];儀器儀表學(xué)報(bào);2011年07期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 王志華;基于模式識(shí)別的柴油機(jī)故障診斷技術(shù)研究[D];武漢理工大學(xué);2004年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前8條

1 許鵬;基于數(shù)據(jù)挖掘的三維模型表征、索引與檢索研究[D];浙江大學(xué);2012年

2 李戈;基于數(shù)據(jù)倉(cāng)庫(kù)的聚類數(shù)據(jù)挖掘工具的研究[D];青島大學(xué);2002年

3 郭軍華;數(shù)據(jù)挖掘中聚類分析的研究[D];武漢理工大學(xué);2003年

4 王偉娜;機(jī)組集群在線監(jiān)測(cè)系統(tǒng)無線現(xiàn)場(chǎng)采集站的研究與設(shè)計(jì)[D];武漢理工大學(xué);2007年

5 黃驅(qū)冥;多維量化關(guān)聯(lián)規(guī)則在食品安全檢測(cè)中的應(yīng)用[D];浙江工業(yè)大學(xué);2007年

6 金燕;多時(shí)間序列數(shù)據(jù)流聚類算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2007年

7 趙輝;基于SVM的數(shù)據(jù)挖掘分類技術(shù)研究[D];西安電子科技大學(xué);2008年

8 鄧曉云;振動(dòng)診斷技術(shù)在數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)與故障診斷中應(yīng)用的研究[D];大連交通大學(xué);2010年

，

本文編號(hào)：1060576