版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、隨著工業(yè)系統(tǒng)日益復(fù)雜化,基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法正成為當(dāng)前研究的一個(gè)熱點(diǎn)方向。區(qū)別于傳統(tǒng)方法對精確數(shù)學(xué)模型的依賴,數(shù)據(jù)驅(qū)動(dòng)式故障診斷通過分析和挖掘過程數(shù)據(jù),采用一個(gè)反映系統(tǒng)輸入和系統(tǒng)狀態(tài)關(guān)系的“黑盒子”對目標(biāo)系統(tǒng)進(jìn)行描述,更適用于復(fù)雜非線性系統(tǒng)。而基于支持向量機(jī)(Support Vector Machines,SVM)的故障診斷方法則是數(shù)據(jù)驅(qū)動(dòng)式故障診斷的一個(gè)重要組成部分。該方法采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則求解最佳分類超平面,克服了維數(shù)災(zāi)難
2、和局部最小問題,且對故障樣本的需求量較小。因此采用SVM進(jìn)行故障診斷,具有較高的理論價(jià)值和優(yōu)秀的工程應(yīng)用前景。論文首先對SVM的故障診斷的三個(gè)共性問題展開研究,包括:
(1)如何有效地將二分類的SVM分類器擴(kuò)展為多分類器,使之適用于系統(tǒng)的故障隔離:決策導(dǎo)向無環(huán)圖支持向量機(jī)(DAG-SVM)是目前較為先進(jìn)的一種支持向量機(jī)多分類擴(kuò)展策略,但其在決策時(shí)存在劃分偏好問題。針對該問題,論文提出了一種基于結(jié)點(diǎn)優(yōu)化的DAG-SVM決策結(jié)
3、構(gòu)選取方法,該方法能選取具有最小誤判概率的多分類決策結(jié)構(gòu);更進(jìn)一步,考慮到不同誤判帶來的損失存在差異,論文采用故障診斷中的誤判損失作為最小化目標(biāo),提出誤判損失最小化支持向量機(jī)。該方法在決策時(shí),希望所選結(jié)構(gòu)能夠帶來最小的誤判損失,而非具備最小的誤判概率,更貼切工程實(shí)際。兩類方法運(yùn)用至變壓器故障診斷實(shí)驗(yàn),得到了良好的效果。
(2)在線故障診斷時(shí),如何減少決策耗時(shí),提高響應(yīng)速度:論文提出了一種借鑒標(biāo)簽(Label)信息的在線診斷
4、方法。該方法將診斷系統(tǒng)分為“離線學(xué)習(xí)”和“在線診斷”兩部分,“離線學(xué)習(xí)”部分通過對標(biāo)簽信息的深入挖掘,得到樣本的最佳特征子空間,然后在該特征子空間中實(shí)現(xiàn)“在線診斷”。由于特征子空間中包含的特征數(shù)一般要遠(yuǎn)小于原始數(shù)據(jù)的特征數(shù),“在線診斷”所處理的樣本維數(shù)較低。因此決策計(jì)算量得到減少,決策速度得到提高。
(3)當(dāng)用于訓(xùn)練SVM分類器的正、負(fù)訓(xùn)練樣本在數(shù)量上不對稱時(shí),如何抑制分類超平面的偏移:論文提出一種自調(diào)整支持向量機(jī)。該方法
5、首先采用AdaBoost算法對訓(xùn)練樣本所含信息量進(jìn)行評估,然后根據(jù)評估結(jié)果,為每個(gè)樣本設(shè)置了對應(yīng)的誤判懲罰因子。同時(shí),自調(diào)整支持向量機(jī)能確保正、負(fù)樣本的總體誤判損失始終相等。因此,所提方法能夠很好的抑制分類超平面的偏移。
在討論了常規(guī)條件下,基于支持向量機(jī)故障診斷方法的一些改進(jìn)后,論文同樣嘗試在故障樣本不完備的條件下,對此類故障診斷方法進(jìn)行改進(jìn)和優(yōu)化,包括:
(4)在一類或多類樣本缺失條件下,如何提高故障診斷
6、的準(zhǔn)確率:基于SVM的故障診斷方法對樣本的完備度非常敏感。當(dāng)一類或多類故障樣本發(fā)生缺失時(shí),SVM對故障區(qū)域的劃分會出現(xiàn)很大偏差。論文采用支持向量數(shù)據(jù)描述(Support Vector Data Description,SVDD)對故障區(qū)域的劃分進(jìn)行改進(jìn)。有效降低了分類器對樣本完備度的敏感性,在樣本不完備的情況下,有效提高了診斷的準(zhǔn)確率。
(5)在只有正常運(yùn)行數(shù)據(jù)樣本而沒有故障樣本的情況下,如何有效實(shí)現(xiàn)故障檢測:論文提出一種
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于支持向量機(jī)的故障診斷
- 基于支持向量機(jī)的故障診斷研究.pdf
- 支持向量機(jī)的變壓器故障診斷應(yīng)用研究.pdf
- 支持向量機(jī)在智能故障診斷中的應(yīng)用研究.pdf
- 支持向量機(jī)在設(shè)備故障診斷中的應(yīng)用研究.pdf
- 基于支持向量機(jī)的電網(wǎng)故障診斷研究.pdf
- 基于支持向量機(jī)的故障診斷方法.pdf
- 基于支持向量機(jī)的小樣本故障診斷.pdf
- 支持向量機(jī)在礦井提升機(jī)故障診斷中的應(yīng)用研究.pdf
- 支持向量機(jī)在發(fā)電設(shè)備故障診斷中的應(yīng)用研究.pdf
- 多元支持向量機(jī)在故障診斷中的應(yīng)用
- 基于支持向量機(jī)的網(wǎng)絡(luò)應(yīng)用層故障診斷研究.pdf
- 支持向量機(jī)在液壓系統(tǒng)故障診斷中的應(yīng)用研究.pdf
- 基于支持向量機(jī)的食品機(jī)械關(guān)鍵設(shè)備故障診斷應(yīng)用研究.pdf
- 支持向量機(jī)在刀具故障診斷中的應(yīng)用.pdf
- 基于支持向量機(jī)的模擬電路故障診斷研究.pdf
- 基于支持向量機(jī)集成的故障診斷方法研究.pdf
- 基于支持向量機(jī)的智能故障診斷技術(shù)研究.pdf
- 基于支持向量機(jī)的模擬電路故障診斷方法研究.pdf
- 基于支持向量機(jī)的煙氣輪機(jī)故障診斷研究.pdf
評論
0/150
提交評論