本文選題：支持向量機　切入點：故障診斷　出處：《東北石油大學》2011年碩士論文

【摘要】：支持向量機借助于最優(yōu)化方法解決機器學習中的問題,在解決少樣本數(shù)據(jù)集以及非線性問題上有獨特優(yōu)勢,適用于解決抽油機故障這種少樣本問題。本文將支持向量機方法應(yīng)用于油田抽油機故障診斷。具體完成了以下工作: 對智能故障診斷常用方法和局限做了詳細分析和研究,并深入探討了抽油機故障這一少樣本問題的常用解決辦法。研究了支持向量分類機,就多類分類問題進行探討,重點分析了“一對一方法”和“一對余方法”。對核函數(shù)進行了改進,一是采用自適應(yīng)核函數(shù),利用樣本數(shù)據(jù)對原核函數(shù)進行修正,得到相應(yīng)的核函數(shù),在一定程度上提高了正確率和分類速度,減少了支持向量的數(shù)量;二是提出一種基于改進的Gauss核函數(shù)的混合核函數(shù),該核函數(shù)兼具單一Gauss核函數(shù)和多項式核函數(shù)的性能,具備全局性核函數(shù)學習能力強和泛化能力強的雙重優(yōu)點。 將支持向量機應(yīng)用于油田抽油機故障診斷,并對診斷結(jié)果進行比較,討論相關(guān)參數(shù)對診斷結(jié)果的影響。
[Abstract]:Support vector machine (SVM) has a unique advantage in solving the problem of machine learning with the help of optimization method, and it has a unique advantage in solving small sample data sets and nonlinear problems. This paper applies the support vector machine (SVM) method to the fault diagnosis of oil field pumping units. In this paper, the common methods and limitations of intelligent fault diagnosis are analyzed and studied in detail, and the common solutions to the problem of pumping unit faults with fewer samples are discussed in depth. The support vector classification machine is studied, and many kinds of classification problems are discussed. The one-to-one method and one-to-one method are analyzed. The kernel function is improved. Firstly, the kernel function is modified by using the sample data, and the corresponding kernel function is obtained. To some extent, the accuracy and classification speed are improved, and the number of support vectors is reduced. Secondly, a hybrid kernel function based on improved Gauss kernel function is proposed, which has the performance of a single Gauss kernel function and a polynomial kernel function. It has the dual advantages of strong learning ability and generalization ability of global kernel function. The support vector machine (SVM) is applied to fault diagnosis of oil field pumping units. The results of diagnosis are compared and the influence of relevant parameters on the diagnosis results is discussed.
【學位授予單位】：東北石油大學
【學位級別】：碩士
【學位授予年份】：2011
【分類號】：TH165.3;TP18

【參考文獻】

相關(guān)期刊論文 前10條

1 賴敏;;支持向量機及其應(yīng)用研究[J];成功(教育);2010年03期

2 李云松;任艷君;;智能診斷技術(shù)發(fā)展綜述[J];四川兵工學報;2010年04期

3 譚勇;王偉;;智能故障診斷技術(shù)及發(fā)展[J];飛航導彈;2009年07期

4 劉磊;;多類分類支持向量機方法研究[J];福建電腦;2010年08期

5 朱大奇,于盛林;基于知識的故障診斷方法綜述[J];安徽工業(yè)大學學報(自然科學版);2002年03期

6 顏根廷;馬廣富;肖余之;;一種混合核函數(shù)支持向量機算法[J];哈爾濱工業(yè)大學學報;2007年11期

7 朱博,胡燕,趙永標;人工神經(jīng)網(wǎng)絡(luò)在故障診斷系統(tǒng)中的應(yīng)用[J];艦船電子工程;2005年01期

8 周元華;易先中;;基于虛擬儀器的抽油機故障診斷系統(tǒng)設(shè)計[J];機床與液壓;2008年06期

9 朱琪;高次插值的龍格現(xiàn)象的測試[J];湖南科技學院學報;2005年11期

10 郭立力;趙春江;;十折交叉檢驗的支持向量機參數(shù)優(yōu)化算法[J];計算機工程與應(yīng)用;2009年08期

相關(guān)博士學位論文 前1條

1 任偉建;智能算法及其在油田故障診斷問題中的應(yīng)用[D];大慶石油學院;2006年

相關(guān)碩士學位論文 前3條

1 劉軍;故障診斷方法研究及軟件開發(fā)[D];大連理工大學;2000年

2 張正剛;基于小波神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[D];大慶石油學院;2005年

3 劉丹;基于智能算法的故障診斷問題研究[D];大慶石油學院;2009年

，

本文編號：1660974