本文關(guān)鍵詞：基于集成學(xué)習(xí)的故障診斷方法研究

  更多相關(guān)文章： 集成學(xué)習(xí) 支持向量機(jī) 故障診斷 柴油機(jī) 齒輪箱

【摘要】：機(jī)器學(xué)習(xí)是人工智能最具智能特征和最前沿的研究領(lǐng)域之一�；诮y(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)是非常典型的一種機(jī)器學(xué)習(xí)方法，它較好地解決了以往許多學(xué)習(xí)方法中小樣本、非線性和高維數(shù)等實(shí)際難題，并克服了神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法中網(wǎng)絡(luò)結(jié)構(gòu)難以確定、收斂速度慢、局部極小點(diǎn)、過學(xué)習(xí)與欠學(xué)習(xí)等不足，可以使在小樣本情況下建立的分類器具有很強(qiáng)的推廣能力。但是面對大規(guī)模故障樣本數(shù)據(jù)，支持向量機(jī)在小樣本空間中較好的性能又難以得到發(fā)揮。因此，集成學(xué)習(xí)的提出為我們開辟了新的途徑。 本文旨在研究基于集成學(xué)習(xí)的故障診斷方法，以支持向量機(jī)作為子學(xué)習(xí)器，通過多個(gè)子學(xué)習(xí)器的集成來解決機(jī)械故障診斷的問題。分析了集成學(xué)習(xí)技術(shù)及其相關(guān)算法，研究了支持向量機(jī)子學(xué)習(xí)器的構(gòu)成，以AdaBoost集成算法為基礎(chǔ)，構(gòu)造了基于支持向量機(jī)的集成學(xué)習(xí)方法，，并將此方法應(yīng)用到機(jī)械故障診斷中。文中針對柴油機(jī)和齒輪箱兩種不同機(jī)械設(shè)備，監(jiān)測在不同的運(yùn)行狀態(tài)下的振動(dòng)信號，應(yīng)用動(dòng)態(tài)指標(biāo)法和小波包能量法兩種方法分別提取機(jī)器振動(dòng)信號的動(dòng)態(tài)指標(biāo)和小波包能量，以此兩類特征向量分別輸入到多個(gè)子學(xué)習(xí)器對各故障類型進(jìn)行初步診斷，各子學(xué)習(xí)器初步診斷結(jié)果輸入到集成學(xué)習(xí)構(gòu)造的強(qiáng)分類器對機(jī)器運(yùn)動(dòng)狀態(tài)做最終判斷。通過對柴油機(jī)8種故障類型和齒輪箱4種故障類型的診斷分析，說明本文提出的方法是可行的，即由集成學(xué)習(xí)構(gòu)造的強(qiáng)分類器分類結(jié)果明顯優(yōu)于單個(gè)分類器分類結(jié)果，表明集成學(xué)習(xí)方法顯著提高了系統(tǒng)的泛化能力。結(jié)果也顯示出，運(yùn)用動(dòng)態(tài)指標(biāo)法提取的特征值在柴油機(jī)中的應(yīng)用明顯優(yōu)于小波包能量法，齒輪箱中動(dòng)態(tài)指標(biāo)法略好于小波包能量法。 文中對集成學(xué)習(xí)也做了相關(guān)的引伸，通過實(shí)驗(yàn)驗(yàn)證了“選擇性集成”的設(shè)想，即選擇部分進(jìn)行集成可能比全部個(gè)體學(xué)習(xí)器集成效果更好。
【學(xué)位授予單位】：西安石油大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TP181;TH165.3

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 王凱;張永祥;李軍;;基于支持向量機(jī)的齒輪故障診斷方法研究[J];振動(dòng)與沖擊;2006年06期

本文編號：1208922