本文關(guān)鍵詞：基于雙層模糊支持向量機的液壓系統(tǒng)故障診斷，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著國民經(jīng)濟和現(xiàn)代化工業(yè)技術(shù)的發(fā)展，液壓與液力傳動技術(shù)在工程機械中的應用十分廣泛。由于液壓系統(tǒng)故障信息具有較強的模糊性，故障信號與產(chǎn)生原因不是一一對應的關(guān)系，憑借單一故障現(xiàn)象，很難找到具體的故障原因和故障發(fā)生部位。 針對目前智能化故障診斷系統(tǒng)普遍存在的問題，例如故障知識庫龐大、解決問題能力的局限性、自動獲取知識能力差、沒能針對具體問題具體分析的特點，本文將模糊支持向量機算法應用于液壓系統(tǒng)的故障診斷，克服了現(xiàn)有的算法忽略或不重視故障數(shù)據(jù)的模糊性的缺點。針對現(xiàn)有兩類模糊支持向量機（隸屬度型模糊支持向量機和決策型模糊支持向量機）算法的優(yōu)缺點，提出了雙層網(wǎng)絡(luò)模型的故障診斷方案。第一層網(wǎng)絡(luò)主要是利用樣本的模糊隸屬度值進行簡單分類，第二層網(wǎng)絡(luò)采用決策型模糊支持向量機，對一層網(wǎng)絡(luò)的輸出按模糊分類規(guī)則進行分類，得到最終診斷結(jié)果。通過具體的實驗證明，以模糊理論和機器學習算法為基礎(chǔ)的模糊支持向量機具有很好的學習能力，雙層網(wǎng)絡(luò)模型的故障診斷系統(tǒng)克服了故障數(shù)據(jù)模糊性較高的問題，診斷精度很高。 為進一步提高機器的學習性能，，本文對模糊支持向量機的訓練算法和參數(shù)選取方法進行改進和優(yōu)化。訓練算法的改進主要是在總結(jié)現(xiàn)有的序列最小優(yōu)化算法的基礎(chǔ)上，從優(yōu)化變量的選擇和2個閾值變量的優(yōu)化方法等方面分別提出具體可行的改進方法，加快了算法的學習和收斂速度。對于模糊支持向量機參數(shù)的選擇問題，本文以遺傳算法和模擬退火算法為理論基礎(chǔ)，提出了一種改進的模擬退火遺傳算法對學習機器的參數(shù)進行優(yōu)化選擇，實驗表明經(jīng)過本算法優(yōu)化后的參數(shù)顯著提高了支持向量機的學習性能。 經(jīng)過系統(tǒng)優(yōu)化后的模糊支持向量機具有更好的學習能力和分類精度，適用于模糊樣本數(shù)據(jù)的分類研究。將優(yōu)化后的故障診斷系統(tǒng)應用于液壓系統(tǒng)的故障診斷的研究，具有切實可行的實際意義。但由于模糊支持向量機是人工智能和數(shù)據(jù)挖掘?qū)W科方向的一個新的研究領(lǐng)域，作為一種尚未成熟的新技術(shù)，模糊支持向量機模型仍具有較大的研究與發(fā)展空間。
【關(guān)鍵詞】：液壓系統(tǒng) 故障診斷 模糊支持向量機 序列最小優(yōu)化 模擬退火遺傳算法
【學位授予單位】：太原科技大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TH137;TH165.3
【目錄】：

• 中文摘要4-5
• ABSTRACT5-9
• 符號說明9-10
• 第一章 緒論10-16
• 1.1 研究背景10-11
• 1.2 研究現(xiàn)狀11-14
• 1.2.1 故障診斷算法的研究現(xiàn)狀11-12
• 1.2.2 模糊支持向量機的研究現(xiàn)狀12-14
• 1.3 本文主要工作及章節(jié)安排14-16
• 第二章 支持向量機16-32
• 2.1 統(tǒng)計學理論基礎(chǔ)16-22
• 2.1.1 學習問題的表示16
• 2.1.2 期望風險與經(jīng)驗風險16-17
• 2.1.3 學習過程一致性的條件17-18
• 2.1.4 VC 維理論18-19
• 2.1.5 推廣性的界19-21
• 2.1.6 結(jié)構(gòu)風險最小化21-22
• 2.2 支持向量機原理22-28
• 2.2.1 線性可分23-25
• 2.2.2 線性不可分25-26
• 2.2.3 核函數(shù)26-27
• 2.2.4 多分類算法27-28
• 2.3 模糊支持向量機28-31
• 2.3.1 模糊集28
• 2.3.2 模糊隸屬度28-29
• 2.3.3 模糊支持向量機的建立29-31
• 2.4 本章小結(jié)31-32
• 第三章 基于雙層 FSVM 網(wǎng)絡(luò)結(jié)構(gòu)的故障診斷模型32-38
• 3.1 液壓系統(tǒng)故障機理分析32-34
• 3.2 故障診斷系統(tǒng)整體設(shè)計34-37
• 3.3 本章小結(jié)37-38
• 第四章 改進的模糊支持向量機算法38-54
• 4.1 模糊支持向量機訓練算法38-44
• 4.1.1 SMO 算法原理40-41
• 4.1.2 自適應 SMO 訓練算法41-43
• 4.1.3 實驗分析43-44
• 4.2 模糊支持向量機參數(shù)優(yōu)化44-53
• 4.2.1 參數(shù)性能分析44-45
• 4.2.2 分類性能評價函數(shù)45
• 4.2.3 參數(shù)優(yōu)化算法簡介45-47
• 4.2.4 改進的模擬退火遺傳算法47-50
• 4.2.5 實驗分析50-53
• 4.3 本章小結(jié)53-54
• 第五章 基于雙層模糊支持向量機的故障診斷實驗54-68
• 5.1 故障特征提取54-59
• 5.1.1 基于小波包變換的振動噪聲處理54-58
• 5.1.2 信號的歸一化處理58-59
• 5.2 模糊隸屬度59-61
• 5.3 核函數(shù)的選取61-62
• 5.4 模糊診斷規(guī)則62-63
• 5.5 用戶圖形界面設(shè)計63-65
• 5.6 實驗結(jié)果分析65-66
• 5.7 本章小結(jié)66-68
• 第六章 總結(jié)與展望68-70
• 6.1 總結(jié)68-69
• 6.2 展望69-70
• 參考文獻70-74
• 致謝74-76
• 攻讀碩士學位期間發(fā)表的論文76-77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 賀遠華,方彥軍;遺傳算法在模糊控制器參數(shù)尋優(yōu)中的應用研究[J];電力自動化設(shè)備;2002年12期

2 謝樹新;;支持向量機序貫最小優(yōu)化算法推導的改進[J];電腦知識與技術(shù);2009年17期

3 王文棟;鐘智;元昌安;;基于GEP的支持向量機參數(shù)優(yōu)化[J];廣西師范學院學報(自然科學版);2010年02期

4 王國鵬,翟永杰,封官斌,王東風;模糊支持向量機在汽輪機故障診斷中的應用[J];華北電力大學學報;2003年04期

5 王書舟;傘冶;張允昌;;基于支持向量機改進SMO算法的直升機旋翼自轉(zhuǎn)著陸過程建模[J];航空學報;2009年01期

6 趙永滿;梅衛(wèi)江;吳疆;王春林;;機械故障診斷技術(shù)發(fā)展及趨勢分析[J];機床與液壓;2009年10期

7 陳潔,芮延年;基于模糊理論液壓系統(tǒng)故障診斷方法的研究[J];機電工程;2003年06期

8 陳家德;吳小俊;;自適應模糊支持向量機算法研究[J];計算機工程與應用;2010年25期

9 李青,焦李成,周偉達;基于向量投影的支撐向量預選取[J];計算機學報;2005年02期

10 李立紅;許元飛;;深度優(yōu)先搜索的支持向量機參數(shù)優(yōu)化算法[J];計算機仿真;2011年07期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 張永;基于模糊支持向量機的多類分類算法研究[D];大連理工大學;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 霍健昶;模糊支持向量機算法研究[D];暨南大學;2008年

  本文關(guān)鍵詞：基于雙層模糊支持向量機的液壓系統(tǒng)故障診斷，由筆耕文化傳播整理發(fā)布。

本文編號：315237