欢迎来到天天文库
浏览记录
ID:52971980
大小:262.37 KB
页数:3页
时间:2020-04-05
《基于动态支持向量数据描述的故障诊断研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第l0期机械设计与制造2011年l0月MachineryDesign&Manufacture187文章编号:1001—3997(2叭1)10—0187—02基于动态支持向量数据描述的故障诊断研究木张恒李凌均王闯陈永旺(郑州大学振动工程研究所,郑州450001)ResearchoffaultdiagnosisbasedonDSVDDZHANGHeng,LILing-jun,WANGChuang,CHENYong—wang(ResearchInstituteofVibrationEngineering,Zhengzhou
2、University,Zhengzhou450001,China)【摘要】在传统的支持向量数据描述算法中所使用的训练样本往往比较有限,所形成的目标样本区域边界的精确度往往不够,同时SVDD算法在进行实时检测时要处理大量样本数据运算量较大。基于此提出动态支持向量数据描述的故障诊断方法。该方法是支持向量数据描述算法的改进型,将测得的目标样本与支持向量集一起形成新的训练样本重新训练分类器,随着被测样本数的增加而不断更新目标样本区域。这样可以减小优化规模,提高故障诊断的效率和准确度。关键词:特征提取;支持向量数据描述;动态支
3、持向量数据描述;故障诊断[Abstract】Normally,thenumberofthetrainingsamplesislimitedintraditionalSVDDalgorithm,SOthattheaccuracyoftheboundaryoftheobjectivesampleregionisnotoftenenough,andthenSVDDalgo—rithmneedprocessalargenumberofsampledata,thustheamountofcalculationisverylar
4、ge.Basedonthat,themethodforfaultdiagnosisbasedonDSVDDWasproposed.ThismethodistheadvancedversionofSVDDalgorithm,andthetargetsamplescombinedwiththesupportvectordatasetscomposethenewtrain-ingsamplestoretrainthesorter.Consequently,targetsampleareawasupdatedwiththen
5、umberoftestedsamplesincreasing.Thusitcanreducethescaleofoptimizationandimprovetheefficiencyandaccuracyoffaultdiagnosis.Keywords:Featureextraction;SVDD:DSVDD;Faultdiagnosis中图分类号:TH165.3文献标识码:A1引言2动态支持向量数据描述算法机械设备故障诊断过程本质上是一个模式识别的过程。随关于SVDD的基本原理以及相关算法参见文献。然而,着科技的
6、不断发展机械设备尤其是旋转机械设备结构的日益复SVDD它也有自身的缺陷,它要面临二次优化计算问题。优化规杂,故障的类别越来越多反映故障状态的特征信息也越来越多,模过大,导致实时故障检测无法及时有效进行。在此基础上,提出所以现实的故障诊断问题异常复杂。由于机械设备运转状态的这动态支持向量数据描述算法。种复杂性,产生故障的原因和由此表现出来的故障类别很多。因在确定目标样本区域时,最理想的情况是希望增加一个样此传统的故障诊断往往难以取得理想的诊断效果。本后的目标样本区域仅与该样本和前一次的支持向量有关。假设一般情况下,在机
7、械设备故障检测与诊断中,正常运行状态目标样本集:n,⋯,pi1(1)的数据样本很容易得到,而故障样本难以得到,或者得到时所花式中:托∈,i=1,2,⋯Ⅳ,尺L维实数空间。该目标样本集在高斯费的代价比较昂贵。为了解决传统智能诊断方法在典型故障样本径向基核函数的作用下,求得的支持向量集用表示,则缺乏时出现的问题,往往会采用支持向量数据描述(Suppo~形成的边界为若将新的目标样本XN+2加入到样本集VectorDataDescription,SVDD)的方法对故障样本进行分类。支中,则形成新的目标样本集Q。,则:持向量数
8、据描述是由一些科研人员于近几年研究发展起来的一Ft1:{l,2,....XN*PiN+1}(2)种单分类方法_】1,该方法已广泛应用于机械故障检测、预警、入侵同样,在高斯径向基核函数作用下,设求得的支持向量用检测和人脸识别中121。但是,当数据量很大时,SVDD算法的二次表示则形成新的边界。在理想情况下可以表示为:优化规模将变得过于庞大,这样对
此文档下载收益归作者所有