原文传递
基于支持向量机的故障诊断方法研究
| 论文题名： | 基于支持向量机的故障诊断方法研究 |
| 关键词： | 故障诊断;支持向量机;多类分类;神经网络;特征选择;微磁检测;铁轨应力检测 |
| 摘要： | 统计学习理论(Statistical Learning Theory， SLT)是一种专门研究小样本情况下机器学习规律的理论。支持向量机是一种基于统计学习理论的机器学习方法，已成为机器学习中一种新的方法和研究热点。它运用结构风险最小化原则，综合了统计学习、神经网络等方面的技术，在最小化经验风险的同时，有效地提高了算法泛化能力。 支持向量机针对小样本情况所表现出来的优良性能引起了众多故障诊断领域研究人员的注意，因为故障诊断本身就是一种小样本情况在实际问题中的体现，其本质就是一个模式分类问题。支持向量机应用于故障诊断的优势在于它适合于小样本决策，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。从推广性的角度来看，更适用于故障诊断这种实际的工程问题。 本文首先阐述了故障诊断的研究内容、故障诊断方法及支持向量机应用于故障诊断的研究现状。然后介绍了统计学习理论相关知识、支持向量机原理以及两种主要的支持向量机多类分类算法，即“一对余类”和“成对分类”。文章针对一个实际应用背景，使用一种快速特征提取方法对故障数据进行降维，该方法以特征信号的均值和方差作为其权重衡量的依据。与原方法相比，仿真结果表明，在保证诊断效果的情况下，该方法实现了数据降维，降低了运算复杂度。 本文课题来源于项目--智能铁路轨道应力检测系统，课题任务是对检测仪器测得的数据进行分类，从而判断应力的集中情况。首先用神经网络对铁轨应力状况进行故障诊断，并实现系统的可视化；通过测试新数据发现神经网络模型的泛化能力不是十分理想，进而引入基于支持向量机的故障诊断方法。多类分类算法采用“成对分类”法，通过测试发现，分类效果很好，试验结果证明了支持向量机在处理小样本问题上的优越性。 本文最后将一种新的多类分类算法--M-ary支持向量机分类算法引入到铁轨应力故障诊断中，发现该算法在保证分类效果的同时，与成对分类器相比，需要建立的分类器数目得到减少。 |
| 作者： | 吕成岭 |
| 专业： | 检测技术与自动化装置 |
| 导师： | 彭力 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江南大学 |
| 学位年度： | 2009 |
| 正文语种： | 中文 |
检索历史
应用推荐
