基于直推式支持向量机的发动机故障分类方法研究

《基于直推式支持向量机的发动机故障分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、华南理工大学硕士学位论文基于直推式支持向量机的发动机故障分类方法研究姓名：江典林申请学位级别：硕士专业：车辆工程指导教师：李巍华20090501摘要汽车发动机结构复杂，工作环境恶劣，故障率高，振动信号噪声干扰强，特征微弱，传统方法诊断的可靠性和有效性不高。为提高故障诊断的正确率，将半监督学习方法应用到发动机故障诊断中，提出了一种基于直推式支持向量机的发动机故障诊断方法。将图论和多维尺度分析相结合，提出基于图论和多维尺度分析的特征提取方法，使提取到的故障特征在特征空间中类内距离减小，聚类效果佳，易于分类。由于直推

2、式支持向量机在应用过程中，需要确定无标签样本中正标签样本的个数，而该参数估计的不准确将造成学习机性能不稳定。因此本文提出一种参数估计新方法，该方法能有效地估计无标签样本中正标签样本的个数，使得学习机的分类性能稳定。结合二叉树理论，提出基于二叉树和直推式支持向量机的多分类方法，该方法能有效挖掘训练样本中蕴含的分类信息。在发动机台架实验台上模拟发动机常见故障，并应用直推式支持向量机进行故障诊断，实验结果表明，基于直推式支持向量机的发动机故障诊断方法能有效实现故障分类，且分类准确率高。关键词：半监督学习；直推式支持向

3、量机；多类分类方法；多维尺度分析；Thecomplicatedstructureandhardworkingenvironmentoftheautomobileengineresultsinitshighfaultsratio．Theenginevibrationsignaliscontaminatedbynoiseseriously,whichleadstothelowefficiencyandreliabilityoftraditionalfaultdiagnosismethods．Inordertoimp

4、rovetheaccuracyofthefaultsdiagnosis，accordingtotheprincipleofthesemi-supervisedleaming，weproposedthefaultsdiagnosismethodbasedontransductivesupportvectormachines．Combiningthegraphtheorywiththemulti-dimensionalscaling,weproposedthefeatureextractionmethod．Them

5、ethodCanmiIlishthedistanceofthesampleswithinthesameclass．whichissuitableforclassification．numberofpositivesamplesalwaysinfluencetheperformanceoftheclassifier,SOitisnecessarytodeterminethisnumberintheunlabelledsampleswhenusingtransductivesupportvectormachine．

6、ThemodifiedmethodpresentedhereCanestimatethenumberofpositivesamplesintheunlabelledsampleseffectively,andmakethelearningmachinestable．Accordingtotheprincipleofthetransductivesupportvectormachinesandbinaryclassification，themulficlassclassifierisconstructed，whi

7、chCanexploremoreinformationfromthesamples．enginefaultsexperimentsareconductedonthetestriginthelaboratory,andtheproposedapproachisusedtoclassifytheseenginefaults．ExperimentsresultsshowthatthethismethodCanimplementthefaultsclassificationeffectivelyandaccuratel

8、y．Keywords：semi—supervisedleaming；transductivesupportvectormachines；multiclassclassifiers；multi-dimensionalscalingII华南理工大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何