基于核算法的故障智能診斷理論及方法研究.pdf

1、本文圍繞核算法在故障智能診斷中的應用，對故障診斷中不確定信息的處理、故障診斷實時性的實現(xiàn)、核函數(shù)的選擇和參數(shù)優(yōu)化、多類故障診斷、早期故障的發(fā)現(xiàn)以及樣本數(shù)據(jù)的壓縮等幾個方面進行了較為系統(tǒng)深入的研究，為核算法應用于故障診斷提供了理論依據(jù)，促進了故障診斷技術的發(fā)展。本研究的主要工作及創(chuàng)新之處為： 針對故障診斷中兩類誤判造成損失不等的情況，提出一種基于幾何距離的后驗概率計算方法；在定義基于風險的診斷可信度的基礎上，將SVM與貝葉斯決策理

2、論相結合，提出一種基于最小風險的SVM方法；并且將該方法應用于電液伺服閥故障診斷實例，證實了該方法的可行性。 針對單值SVM只訓練單類別樣本的特點，證明了徑向基核函數(shù)的參數(shù)S→0和S→∞時兩個定理；探索了兩種支持向量(邊界支持向量或非邊界支持向量)與目標識別率的關系，提出一種改進的“留一法”模型參數(shù)選擇方法，該方法在確保分類器泛化性能的前提下，大大減少模型參數(shù)選擇的時間，可針對性地確定目標識別率或非目標識別率。面對時變系統(tǒng)的故障

3、診斷，提出了一種基于滾動時間窗的單值SVM學習算法，為將單值SVM實用化作出了努力。提出了將單值SVM推廣到多故障診斷的兩種方法，并將之應用到基準數(shù)據(jù)庫和液壓泵多故障識別中，不僅解決了目前存在的SVM多值分類方法存在的不屬于任何一類以及同時屬于多類的情況，同時提高了算法的訓練與決策速度。 針對支持向量回歸機(SupportVectorRegression，SVR)模型參數(shù)選擇難的問題，探究了SVR各參數(shù)對其性能的影響，提出了一種