基于粗集論和支持向量機提高診斷精度的理論與方法研究.pdf

1、關鍵設備故障診斷是一項復雜的任務,診斷精度是評價機器故障診斷系統(tǒng)性能的一個重要指標,也是影響診斷系統(tǒng)發(fā)展和應用的主要因素.該文圍繞著如何基于粗糙集理論(RST)和支持向量機(SVM)提高故障診斷系統(tǒng)的診斷精度問題展開了理論和應用方面的研究和探討.論文主要內(nèi)容如下:傳統(tǒng)的Pawlak粗糙集模型常常受到噪音問題、有效知識獲取算法和不確定性知識評價等問題的困擾,該文根據(jù)變精度粗糙集模型的原理和基于知識的診斷專家系統(tǒng)特點,重新確定規(guī)則強度的定義

2、和不確定性知識評價方法,提出了故障診斷中基于變精度粗糙集模型的知識獲取算法,有效地改善了專家系統(tǒng)知識獲取的質(zhì)量,提高了系統(tǒng)診斷的準確性和性能.同時,該文針對神經(jīng)網(wǎng)絡診斷的一些局限性,結合粗糙集理論善于處理不完整數(shù)據(jù)的特點,提出了使用粗糙集理論優(yōu)化神經(jīng)網(wǎng)絡故障診斷模型(RNN)的基本策略,通過對神經(jīng)網(wǎng)絡的優(yōu)化,提高粗糙集神經(jīng)網(wǎng)絡模型診斷的準確率.最優(yōu)分類面對SVM分類精度的影響很大,該文有機地融合了SVM算法和非參數(shù)模式識別方法,將它們應

3、用于最優(yōu)分類面附近的可疑區(qū)域的分類研究中.定義了樣本集中的正例支持向量和反例支持向量的代表點,研究了原始空間樣本x,y在核函數(shù)k(x,y)映射下在特征空間中的x,y映象之間的度量和特征函數(shù),并給出了相關的定理及證明.探討了最近鄰判別法則的分類原理,給出了NNSVM(Nearest Neighbor-Support Vector Machine)算法的基本原理,提出了對樣本精確分類的NNSVM算法.該文分析了SVM傳統(tǒng)的1-a-r多分類算

4、法和1-a-1多分類算法的優(yōu)缺點,結合故障診斷領域多故障診斷的特點,給出了基于SVM的多分類算法故障診斷策略,建立了基于SVM的多故障診斷模型,提高了SVM對多故障診斷的識別率.該文采用故障樣本仿真數(shù)據(jù)、實驗臺數(shù)據(jù)和工程實際數(shù)據(jù)對RST、RNN和NNSVM等提高診斷精度方法進行了驗證,比較了各種方法的差異,指出了它們的應用環(huán)境和發(fā)展趨勢等.適應大型機組遠程監(jiān)視診斷的需要,同時根據(jù)863計劃研究項目的實際情況,開發(fā)了基于Web技術的遠程監(jiān)