基于支持向量机的故障诊断方法研究

《基于支持向量机的故障诊断方法研究》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、江南大学硕士学位论文基于支持向量机的故障诊断方法研究姓名：吕成岭申请学位级别：硕士专业：检测技术与自动化装置指导教师：彭力20090601摘要统计学习理论(StatisticalLearningTheory,SLT)是一种专门研究小样本情况下机器学习规律的理论。支持向量机是一种基于统计学习理论的机器学习方法，已成为机器学习中一种新的方法和研究热点。它运用结构风险最小化原则，综合了统计学习、神经网络等方面的技术，在最小化经验风险的同时，有效地提高了算法泛化能力。支持向量机针对小样本情况所表现出来的优良性能引起了众多故

2、障诊断领域研究人员的注意，因为故障诊断本身就是一种小样本情况在实际问题中的体现，其本质就是一个模式分类问题。支持向量机应用于故障诊断的优势在于它适合于小样本决策，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。从推广性的角度来看，更适用于故障诊断这种实际的工程问题。本文首先阐述了故障诊断的研究内容、故障诊断方法及支持向量机应用于故障诊断的研究现状。然后介绍了统计学习理论相关知识、支持向量机原理以及两种主要的支持向量机多类分类算法，即“一对余类”和“成对分类"。文章针对一个实际应用背

3、景，使用一种快速特征提取方法对故障数据进行降维，该方法以特征信号的均值和方差作为其权重衡量的依据。与原方法相比，仿真结果表明，在保证诊断效果的情况下，该方法实现了数据降维，降低了运算复杂度。本文课题来源于项目——智能铁路轨道应力检测系统，课题任务是对检测仪器测得的数据进行分类，从而判断应力的集中情况。首先用神经网络对铁轨应力状况进行故障诊断，并实现系统的可视化；通过测试新数据发现神经网络模型的泛化能力不是十分理想，进而引入基于支持向量机的故障诊断方法。多类分类算法采用“成对分类”法，通过测试发现，分类效果很好，试验

4、结果证明了支持向量机在处理小样本问题上的优越性。本文最后将一种新的多类分类算法——M．ary支持向量机分类算法引入到铁轨应力故障诊断中，发现该算法在保证分类效果的同时，与成对分类器相比，需要建立的分类器数目得到减少。关键词：故障诊断；支持向量机；多类分类；神经网络；特征选择；微磁检测；铁轨应力检测；M—ary支持向量机AbstractStatisticalLearningTheory(SLT)isatheory，whichresearchesthemachinestudyespeciallyinsmallsampl

5、es．Supportvectormachine(SVM)isanewmachinelearningmethodbasedonthestatisticallearningtheory．ItimprovesthealgorithmgeneralizationeffectivelyandminimizestheempiricalrisksimultaneouslybyusingStructuralRiskMinimizationandsynthesizingthetechniquesincludingthestatist

6、icallearningandneuralnetworks．Thesuperiorperformanceofsupportvectormachinetosmallsamplesattractsattentionofinvestigatorsinfaultdiagnosisfield．Faultdiagnosisisasubjectofsmallsamplesandalsoaproblemofpatternclassificationinnature．ThepredominanceofSVMappliedtofaul

7、tdiagnosisisproperforsmallsamplesdecision．Thenatureofthealgorithmisacquiringconnotativeclassinformationtogreatextentfromsmallsamples．Fromthepointofgeneralization,SVMismoresuitableforthepracticalengineeringproblemsuchasfaultdiagnosis．Tobegin、Ⅳith，theresearchcon

8、tentoffaultdiagnosisanditsmethod，aswellastheresearchstatusoffaultdiagnosisusingSVMareintroduced．Mlat’Smore．thispapergivesaspecificintroductionoftherelatedknowledgeofSET,theprincipl