基于SVR的旋轉(zhuǎn)機(jī)械轉(zhuǎn)子早期故障預(yù)示方法研究.pdf

1、支持向量機(jī)主要包括支持向量回歸機(jī)和支持向量分類機(jī)。近年來支持向量機(jī)以其優(yōu)越的性能得到了廣泛的應(yīng)用,它的理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論,一種適用于小樣本條件下的學(xué)習(xí)理論。傳統(tǒng)的機(jī)器學(xué)習(xí)理論過分注重減小機(jī)器的學(xué)習(xí)誤差而忽略了學(xué)習(xí)機(jī)器的推廣能力,支持向量機(jī)不僅關(guān)注算法的學(xué)習(xí)誤差同時(shí)更注重算法的推廣能力。因此支持向量機(jī)的性能要優(yōu)于傳統(tǒng)的學(xué)習(xí)算法。
　　論文主要研究基于支持向量機(jī)的旋轉(zhuǎn)機(jī)械轉(zhuǎn)子早期故障預(yù)示方法,具體研究?jī)?nèi)容如下:
　　在比較幾

2、種支持向量回歸機(jī)算法的基礎(chǔ)上提出了一種改進(jìn)的SVR算法,并研究了該算法的收斂性。改進(jìn)的SVR算法對(duì)論文中仿真數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)的預(yù)測(cè)能力優(yōu)于傳統(tǒng)的幾種SVR算法和ARMA預(yù)測(cè)模型,表明了改進(jìn)的SVR算法可以有效地應(yīng)用于轉(zhuǎn)子運(yùn)行狀態(tài)趨勢(shì)預(yù)示。
　　研究了時(shí)域特征量及其頻率分量在時(shí)間域內(nèi)的組合預(yù)示,以及幅值域特征量的預(yù)示方法,進(jìn)一步提出了基于SVR的轉(zhuǎn)子混合域狀態(tài)趨勢(shì)預(yù)示方法。仿真分析驗(yàn)證了基于SVR的轉(zhuǎn)子混合域狀態(tài)趨勢(shì)預(yù)示方法的可行性。