基于数据驱动的故障检测与诊断.ppt

《基于数据驱动的故障检测与诊断.ppt》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于数据驱动的故障检测与诊断方法理论方法理论基于PCA的方法PCA简述PCA样本标准化求解标准化样本协方差阵的特征值与特征向量确定主元个数确定负荷矩阵方法理论基于PCA的方法PCA检测流程样本标准化阈值的设定在线的检测S1:计算样本属性均值与方差S2:构造标准化样本矩阵S1:对样本协方差阵进行奇异值分解S2:确定主元个数并求解负荷矩阵S3:设定阈值S1:标准化待测数据S2:计算检测统计量S3:作出检测判断方法理论基于PCA的方法样本标准化S1：S2：标准化样本阵方法理论基于PCA的方法阈值的设定S1:S2:S3:方法理论基于PCA的方法在线

2、的检测S1:S2:S3:无故障，其他有故障方法理论基于BP神经网络的方法神经元模型阈值阈值函数sigmoid函数双曲正切函数方法理论基于BP神经网络的方法BP网络结构输入层隐含层输出层前馈网络三层BP网络隐含层节点经验公式方法理论基于BP神经网络的方法BP算法动量因子收敛速度加快不易陷入局部极值学习速率目标梯度下降法误差函数权值修正规则方法理论基于BP神经网络的方法BP算法BP算法对输入输出样本进行训练的过程可以分为两个阶段。第一个阶段：BP神经网络对从输入层接受的数据进行前向传播，这个过程不进行权值的调整，只是为了得到当前权值下的一组网络

3、输出。第二个阶段：通过对上一次前向传播的输出结果进行误差计算，并求得本次网络权值的修正量，反向传播修正权值。这两个过程反复交替地运行，直到误差达到期望要求或收敛为止。可以看到，BP神经网络的前向传播用于对网络输出的计算；而反向传播则用于对输出误差的传递，进而不断修正网络权值，以使网络的输出误差达到期望要求。方法理论基于BP神经网络的方法检测与诊断输入层隐含层输出层样本类别100010001类别编码方法理论基于SVM的方法SVM简述支持向量机（SVM）是Vapnik团队于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特

4、有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机（SVM）学习算法训练出的是一种有监督学习模型，可以用来分析数据，识别模式，广泛用于各种分类和回归分析当中。SVM是建立在统计学习理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以求获得最好的推广能力。方法理论基于SVM的方法最大间隔法右图是SVM在二维空间上分类的几何示意图，图中实心点和空心点分别表示两类的训练样本。H为可以将两类准确分开的分类线，H1，H2为两条平行于H并穿过两类样本中离H最近的点的直线，称之为支持

5、直线。我们把H1和H2之间的距离称作分类间隔。所谓最大间隔法就是要求分类线不但能将两类正确分开(训练错误率为0),而且使分类间隔最大，此时得到的分类线称之为最优分类线。推广到高维空间，最优分类线就变为最优分类面。最优化问题应为对变量w和b的凸的二次规划问题方法理论基于SVM的方法软间隔情况一：样本本质上线性，非线性由噪音导致强制使用非线性函数，会导致过拟合解决方法：软间隔松弛变量惩罚参数最优化问题方法理论基于SVM的方法核函数情况二：样本本质上是非线性可分的解决方法：核函数目的：映射到高维空间，使样本线性可分常用核函数线性核函数多项式核函数

6、Gauss径向基核函数避免维数灾难方法理论基于SVM的方法检测与诊断有向无环图法多分类间接法直接法（Crammer-SingerSVM）一对一有向无环图法纠错输出编码法一对余...