設(shè)備故障診斷與監(jiān)測技術(shù)是一門正在不斷發(fā)展和完善的新技術(shù),它具有保障安全生產(chǎn),防止突發(fā)事故,節(jié)約維修費(fèi)用等特點,在現(xiàn)代化大生產(chǎn)中發(fā)揮著重要的作用。然而正是因為生產(chǎn)設(shè)備結(jié)構(gòu)日趨復(fù)雜及內(nèi)部關(guān)系日益密切,造成了設(shè)備運(yùn)行狀態(tài)監(jiān)測和故障診斷的難度不斷增大,迫使人們需要不斷探索新的理論或方法來解決實際中所遇到的問題。自20世紀(jì)60年代以來,以Vapnik為代表的研究人員致力于統(tǒng)計學(xué)習(xí)理論的研究,并在此基礎(chǔ)上創(chuàng)建出一類新的機(jī)器學(xué)習(xí)算法:支持向量機(jī)(Support Vector Machine,SVM)。正是核函數(shù)在SVM的成功應(yīng)用,基于核函數(shù)的學(xué)習(xí)方法(簡稱核算法)的研究受到重視。將核算法應(yīng)用到故障診斷中有望解決其中的非線性、不精確性和不確定性等問題,為該領(lǐng)域的研究提供了全新且可行的研究途徑。基于核算法的故障智能診斷技術(shù),在國際上都屬于一個全新的研究領(lǐng)域,這一方法在實際應(yīng)用中還有許多問題值得進(jìn)行深入的研究和探討。 本論文圍繞核算法在故障智能診斷中的應(yīng)用,對故障診斷中不確定信息的處理、故障診斷實時性的實現(xiàn)、核函數(shù)的選擇和參數(shù)優(yōu)化、多類故障診斷、早期故障的發(fā)現(xiàn)以及樣本數(shù)據(jù)的壓縮等幾個方面進(jìn)行了較為系統(tǒng)深入的研究,為核算法應(yīng)用于故障診斷提供了理論依據(jù),促進(jìn)了故障診斷技術(shù)的發(fā)展。論文的主要工作及創(chuàng)新之處為: 針對故障診斷中兩類誤判造成損失不等的情況,提出一種基于幾何距離的后驗概率計算方法;在定義基于風(fēng)險的診斷可信度的基礎(chǔ)上,將SVM與貝葉斯決策理論相結(jié)合,提出一種基于最小風(fēng)險的SVM方法;并且將該方法應(yīng)用于電液伺服閥故障診斷實例,證實了該方法的可行性。 針對單值SVM只訓(xùn)練單類別樣本的特點,證明了徑向基核函數(shù)的參數(shù)s→0和s→∞時兩個定理;探索了兩種支持向量(邊界支持向量或非邊界支持向量)與目標(biāo)識別率的關(guān)系,提出一種改進(jìn)的“留一法”模型參數(shù)選擇方法,該方法在確保分類器泛化性能的前提下,大大減少模型參數(shù)選擇的時間,可針對性地確定目標(biāo)識別率或非目標(biāo)識別率。面對時變系統(tǒng)的故障診斷,提出了一種基于滾動時間窗的單值SVM學(xué)習(xí)算法,為將單值SVM實用化作出了努力。提出了將單值SVM推廣到多故障診斷的兩種方法,并將之應(yīng)用到基準(zhǔn)數(shù)據(jù)庫和液壓泵多故障識別中,不僅解決了目前存在的SVM多值分類方法存在的不屬于任何一類以及同時屬于多類的情況,同時提高了算法的訓(xùn)練與決策速度。 針對支持向量回歸機(jī)(Support Vector Regression,SVR)模型參數(shù)選擇難的問題,探究了SVR各參數(shù)對其性能的影響,提出了一種基于遺傳算法的SVR參數(shù)自動優(yōu)化的方法;并且通過建立SVR預(yù)測模型,用于實現(xiàn)早期故障診斷以及強(qiáng)混沌背景下微弱信號的檢測。仿真驗證,該方法比徑向基神經(jīng)網(wǎng)絡(luò)更具有穩(wěn)健性和泛化性。 最后,詳細(xì)討論了核矩陣維度縮減問題,給出了殘差估計的界定理;在綜合考慮選取列的獨(dú)立性和殘差范數(shù)大小兩者關(guān)系的基礎(chǔ)上,提出了解決核矩陣維度縮減的啟發(fā)性算法-貪心算法。并在此基礎(chǔ)上,在再生核Hilbert空間又提出一種稀疏性回歸算法。
【學(xué)位單位】：西安科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2007
【中圖分類】：TH165.3
【部分圖文】：

類的幾率增加，減少了對此類誤判的幾率。分類判決采1212122121()(),()(),()(),μωμωωωμωμωωμωμωω=∈∈<∈>∈xxxxxxxxxx若則或若則若則原則實質(zhì)上蘊(yùn)含了最小風(fēng)險判決規(guī)則。，在區(qū)間 1 <f (x)<1內(nèi)，對應(yīng)的分類面方程 ()1μ ωx =圖2.3)，提高了診斷為故障狀態(tài) (1)1ω y=的幾率，減少了殊情況：21 L，即兩類誤判產(chǎn)生的風(fēng)險一樣，此時分類面由 (1μ ω與標(biāo)準(zhǔn)SVM的最優(yōu)分類面相同；12> L，此時可疑決策區(qū)的樣本幾乎全判為故障狀態(tài) (1ω

28圖2.4 標(biāo)準(zhǔn)SVM對訓(xùn)練集分類結(jié)果 圖2.5 兩種SVM概率輸出比較結(jié)果在分類器測試方面，首先測試已經(jīng)學(xué)習(xí)過的全部訓(xùn)練樣本，然后用沒有學(xué)習(xí)過的測試樣本測試三種算法的推廣能力，測試分類結(jié)果見表2.2。在表中，分類精度定義為正確分類個數(shù)占總分類數(shù)的百分比。表 2.2 三種算法分類結(jié)果分類器模型 訓(xùn)練分類精度(%) 測試分類精度(%)標(biāo)準(zhǔn) SVM 90.6 90.5Platt 算法 90.3 88.2基于幾何距離的算法 90.6 90.5從分類結(jié)果可以看出，依據(jù)基于幾何距離的后驗概率分類性能相當(dāng)于標(biāo)準(zhǔn)SVM的分類結(jié)果，優(yōu)于Platt方法。但是，三種算法都沒有考慮不同誤判風(fēng)險的差異。因此，下面針對故障診斷實例，驗證基于最小風(fēng)險的SVM算法。2.5 實驗研究電液控制系統(tǒng)以其功率大、響應(yīng)快、精度高等特點

28圖2.4 標(biāo)準(zhǔn)SVM對訓(xùn)練集分類結(jié)果 圖2.5 兩種SVM概率輸出比較結(jié)果在分類器測試方面，首先測試已經(jīng)學(xué)習(xí)過的全部訓(xùn)練樣本，然后用沒有學(xué)習(xí)過的測試樣本測試三種算法的推廣能力，測試分類結(jié)果見表2.2。在表中，分類精度定義為正確分類個數(shù)占總分類數(shù)的百分比。表 2.2 三種算法分類結(jié)果分類器模型 訓(xùn)練分類精度(%) 測試分類精度(%)標(biāo)準(zhǔn) SVM 90.6 90.5Platt 算法 90.3 88.2基于幾何距離的算法 90.6 90.5從分類結(jié)果可以看出，依據(jù)基于幾何距離的后驗概率分類性能相當(dāng)于標(biāo)準(zhǔn)SVM的分類結(jié)果，優(yōu)于Platt方法。但是，三種算法都沒有考慮不同誤判風(fēng)險的差異。因此，下面針對故障診斷實例，驗證基于最小風(fēng)險的SVM算法。2.5 實驗研究電液控制系統(tǒng)以其功率大、響應(yīng)快、精度高等特點

【引證文獻(xiàn)】

相關(guān)期刊論文 前1條

1 朱學(xué)冬;胡平;;基于最優(yōu)二叉樹的多故障分類器的設(shè)計[J];北京聯(lián)合大學(xué)學(xué)報(自然科學(xué)版);2009年02期

相關(guān)博士學(xué)位論文 前2條

1 吳瓊;面向真實性檢測的數(shù)字圖像盲取證方法研究[D];國防科學(xué)技術(shù)大學(xué);2008年

2 趙珍;水壓試驗機(jī)緩變故障檢測、預(yù)測及維護(hù)方法研究[D];東北大學(xué);2010年

相關(guān)碩士學(xué)位論文 前2條

1 張恒;全矢譜—支持向量數(shù)據(jù)描述及故障診斷應(yīng)用研究[D];鄭州大學(xué);2011年

2 高凱;基于支持向量機(jī)的煤自燃預(yù)測方法研究[D];西安科技大學(xué);2012年

本文編號：2834361