欢迎来到天天文库
浏览记录
ID:33929037
大小:601.77 KB
页数:53页
时间:2019-03-01
《基于svr旋转机械转子早期故障预示方法的研究》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、独创性(或创新性)声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢中所罗列的内容以外,论文中不包含其他人已经发表或撰写过的研究成果;也不包含为获得桂林电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处,本人承担一切相关责任。本人签名:日期:关于论文使用授权的说明本人完全了解桂林电子科技大学有关保留和使用学位论文的规定,即:研究生在校攻读学位期间论文工作的知识产权单位属桂林电子
2、科技大学。本人保证毕业离校后,发表论文或使用论文工作成果时署名单位仍然为桂林电子科技大学。学校有权保留送交论文的复印件,允许查阅和借阅论文;学校可以公布论文的全部或部分内容,可以允许采用影印、缩印或其它复制手段保存论文。(保密的论文在解密后遵守此规定)本学位论文属于保密在年解密后适用本授权书。本人签名:日期:导师签名:日期:万方数据摘要摘要支持向量机主要包括支持向量回归机和支持向量分类机。近年来支持向量机以其优越的性能得到了广泛的应用,它的理论基础是统计学习理论,一种适用于小样本条件下的学习理论。传统的机器学习理论过分注重减小机器的学习误差而忽略了学
3、习机器的推广能力,支持向量机不仅关注算法的学习误差同时更注重算法的推广能力。因此支持向量机的性能要优于传统的学习算法。论文主要研究基于支持向量机的旋转机械转子早期故障预示方法,具体研究内容如下:在比较几种支持向量回归机算法的基础上提出了一种改进的SVR算法,并研究了该算法的收敛性。改进的SVR算法对论文中仿真数据和实验数据的预测能力优于传统的几种SVR算法和ARMA预测模型,表明了改进的SVR算法可以有效地应用于转子运行状态趋势预示。研究了时域特征量及其频率分量在时间域内的组合预示,以及幅值域特征量的预示方法,进一步提出了基于SVR的转子混合域状态趋
4、势预示方法。仿真分析验证了基于SVR的转子混合域状态趋势预示方法的可行性。设计了基于DAGSVM的转子状态分类器并与BP神经网络模型进行了对比研究。同时开展了基于SVR的转子早期故障预示方法的实验验证研究。通过理论和实验分析表明:基于DAGSVM的转子状态分类器是有效的,其中对转子运行状态的正确识别率优于BP神经网络模型。关键词:支持向量回归机;支持向量分类机;旋转机械;转子;早期故障预示.-I-万方数据摘要AbstractSupportvectormachine(SVM)includessupportvectorregression(SVR)and
5、supportvectorclassification(SVC).Supportvectormachinehasbeenappliedbroadlyforadvantageousfunctioninrecentyears.Itstheorybasisisstatisticallearningtheorythatappliestominorsampleanalysis.Traditionalmachinestudytheorypayssomuchattentiontodiminishthestudyingerrorofmachinebutignores
6、itsabilityforextension.Supportvectormachinenotonlypaysattentiontostudyingerrorbutalsoconsiderstheabilityforextensionofalgorithmmore.ThatiswhythefunctionofSVMisbetterthantraditionalmachinestudytheory.Thethesisstudiesthemethodofearlyfaultpredictionaboutrotatingmachine’srotorbased
7、onSVM,specificstudycontentasfollows:AnimprovedSVRalgorithmwaspresentedonthebasisofcomparingseveralkindsofSVRalgorithmsinthepaper.ItstudiedtheconvergeoftheimprovedSVRalgorithm.ThepredictionabilityofimprovedSVRalgorithmtothesimulateddataandtheexperimentdataisbetterthanotherSVRalg
8、orithmsintroducedinthepaperandARMAmodel.Thatshowstheim
此文档下载收益归作者所有