支持向量機(jī)在復(fù)雜設(shè)備故障診斷中的應(yīng)用.pdf

1、隨著現(xiàn)代化生產(chǎn)設(shè)備復(fù)雜程度的不斷提高，其技術(shù)保障的難度也越來(lái)越大，而設(shè)備的故障診斷則是其最具挑戰(zhàn)性的任務(wù)。本文主要開(kāi)展了支持向量機(jī)(SVM)在復(fù)雜設(shè)備故障診斷方面的應(yīng)用研究，所做的主要工作如下： (1)進(jìn)行了故障診斷軟件的輸入特征向量提取。指出小波包分析是對(duì)小波變換的一種改進(jìn)，它能夠?yàn)樾盘?hào)提供一種更加精細(xì)的分析方法。它可以將小波變換中沒(méi)有細(xì)分的高頻部分作進(jìn)一步分解，從而提高信號(hào)通頻帶的頻率分辨率。論述了Karhunen-Loev

2、e變換，通過(guò)消除原始特征向量中各分量的相關(guān)性，去除那些帶有較少信息的坐標(biāo)軸來(lái)降低特征空間的維數(shù)，從而有效地實(shí)現(xiàn)信息壓縮。通過(guò)特征向量提取，為以后的故障診斷提供了故障樣本數(shù)據(jù)。 (2)建立了基于最小二乘支持向量模型的故障診斷系統(tǒng)模型。SVM通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理來(lái)提高泛化能力，較好地解決了小樣本、非線性、高維數(shù)、局部極小等實(shí)際問(wèn)題。本文采用的LSSVM則對(duì)SVM進(jìn)行了改進(jìn)，用二次損失函數(shù)取代SVM中的不敏感損失函數(shù)，將不等式約束條

3、件變?yōu)榈仁郊s束，將二次規(guī)劃問(wèn)題轉(zhuǎn)變?yōu)榫€性方程組的求解，用最小二乘法實(shí)現(xiàn)了SVM算法，簡(jiǎn)化了計(jì)算的復(fù)雜性，顯示了LSSVM較強(qiáng)的診斷魯棒性。 (3)提出了一種基于改進(jìn)最小二乘支持向量機(jī)的故障診斷模型并進(jìn)行了相關(guān)程序開(kāi)發(fā)。在使用LSSVM診斷模型時(shí)，通過(guò)對(duì)斐波那契對(duì)稱搜索算法進(jìn)行簡(jiǎn)化和改進(jìn)，對(duì)RBF核函數(shù)的標(biāo)準(zhǔn)化參數(shù)進(jìn)行動(dòng)態(tài)選取，程序運(yùn)行結(jié)果表明該模型進(jìn)一步提高了診斷的正確率。研究了核參數(shù)搜索區(qū)間及其最佳縮短步長(zhǎng)的變化規(guī)律，通過(guò)綜合