基于支持向量機集成的故障診斷方法研究.pdf

1、本文主要通過對傳送帶裝置中的電機故障診斷方法進行研究，利用統(tǒng)計學習理論中的支持向量機理論，較好的執(zhí)行了統(tǒng)計學習理論的結構風險最小化原則，為解決小樣本學習問題提供了統(tǒng)一的框架。 支持向量機針對小樣本情況所表現(xiàn)出來的優(yōu)良性能引起了眾多故障診斷領域研究人員的注意，因為故障診斷本身就是一種小樣本情況在實際問題中的體現(xiàn)。支持向量機應用于故障診斷最大的優(yōu)勢在于它適合于小樣本決策，其學習方法的本質(zhì)在于能夠在有限特征信息情況下，最大限度地發(fā)掘數(shù)

2、據(jù)中隱含的分類知識。從推廣性的角度來看，更適用于故障診斷這種實際的工程問題。 雖然支持向量機在理論上有很突出的優(yōu)勢，但其應用研究相對比較滯后?；诖?，論文圍繞支持向量機在電機故障智能診斷應用中的問題，從樣本數(shù)據(jù)預處理、特征選擇、多類支持向量機的實現(xiàn)以及基于主成分分析的集成學習方法等幾個方面進行了研究比較。 1、基于支持向量機理論，對高維故障樣本數(shù)據(jù)的特征選擇進行了研究和應用。 首先分析了特征維數(shù)與分類效果之間的關

3、系，說明了在很多情況下特征維數(shù)的增加反而會降低分類效果，其原因在于存在偽特征干擾，利用支持向量機的理論，同時結合特征選擇的算法，針對電機故障診斷問題，對多組原始的7維數(shù)據(jù)樣本進行了特征選擇，從試驗精度的結果可以看出提取后的特征數(shù)據(jù)更具有效性，說明了在實際故障診斷問題中進行數(shù)據(jù)預處理有利于分類算法的實現(xiàn)，為電機故障診斷問題提供了一種有效可行的數(shù)據(jù)預處理方式。 2、提出將主成分分析的支持向量機與集成學習方法結合起來，并運用于故障數(shù)據(jù)