基于多分类支持向量机和D-S证据理论的轴承故障诊断-论文.pdf

《基于多分类支持向量机和D-S证据理论的轴承故障诊断-论文.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、汽车工程2015年(第37卷)第1期AutomotiveEngineering2015(Vo1．37)No．12015021基于多分类支持向量机和D—S证据理论的轴承故障诊断梅检民，一，赵慧敏，肖云魁，周斌(1．军事交通学院汽车工程系，天津300161；2．天津大学机械工程学院，天津300072)[摘要]针对支持向量机(SVM)硬判定输出分类结果缺乏定量评价的问题，提出了一种多分类SVM后验概率建模的改进方法。通过引入D．S证据理论，得到多分类SVM在D-S证据理论识别框架下的基本概率分配，使样本在分类时同时具有定性解释和定量评价。接

2、着，将多源信息送入SVM之后在决策级对多个SVM分类输出进行证据融合，以提高诊断精度。最后，将该方法应用于轴承故障的诊断中。结果表明，该方法能正确分类采用单源信息时所错分样本，降低识别的整体误差，显著提高故障诊断的准确性。关键词：故障诊断；支持向量机；后验概率；D-S证据理论；信息融合FaultDiagnosisofBearingsBasedonMulti--classSVMandD·-SEvidenceTheoryMeiJianmin，ZhaoHuimin，XiaoYunkui&ZhouBinI．DepartmentofAutomo

3、bileEngineering，MilitaryTransportationUniversity，Tianfin300161；2．SchoolofMechanicalEngineering，TianjinUniversity，Tianjin300072[AbstractjInviewoftheproblemthattheclassificationresultsofharddecisionoutputofsupportvectorma—chine(SVM)lackofquantitativeevaluation，animprovedm

4、odelingmethodfortheposteriorprobabilityofmulti—classSVMisproposed．ThroughtheintroductionofD—Sevidencetheory，thebasicprobabilityassignment(BPA)ofmulti—classSVMundertherecognitionflameofevidencetheoryisobtainedtoenablethesampleshavebothqualita—tiveexplanationandquantitati

5、veevaluation．Andthenthemulti-sourceinformationisdeliveredtoSVMtoconducttheevidencefusionofseveralSVMclassificationoutputsforimprovingdiagnosticaccuracy．Finallythemethodisappliedtothefaultdiagnosisofbearingswitharesultshowingthatthemethodproposedcancorrectlyclassifythesa

6、mplesbeingclassifiedwronglyusingsingle-sourceinformation，reducetheoverallerrorofrecognitionframe，andenhancethecorrectnessoffaultdiagnosisremarkably．Keywords：faultdiagnosis；SVM；posteriorprobability；D-Sevidencetheory；informationfusion端情况，即属于某一类的概率为1或0，因此SVM对刚舌故障模式识别的不确定性问

7、题缺乏识别结果的准确性解释J。D．s证据理论引入了信任函数，满足比机械故障样本获取困难，限制了人工神经网络概率论弱的公理，并能区分不确定性的差异。D-s在机械故障模式分类中的应用。20世纪9O年代初证据理论作为一种不确定性推理方法，利用多源冗由Vapnik等人提出的支持向量机(supportvector余信息进行融合，可以有效提高推理准确度，在故障machine，SVM)能够在训练样本较少的情况下得到诊断领域受到越来越多的关注j。本文中提出多分较强的分类推广能力，较好地解决了小样本、非线性类SVM后验概率输出建模方法，并将其与D-s证

8、据和高维数等模式识别问题_1]。然而传统SVM不提理论相结合，对轴承故障进行融合诊断，提高诊断精供概率输出，在进行样本分类学习时，只考虑两种极度和准确率。原稿收到日期为2012年8月17日，修改稿收到日期为2013年8月