《基于核算法的故障智能诊断理论及方法研究2685.docx》由会员分享，可在线阅读，更多相关《基于核算法的故障智能诊断理论及方法研究2685.docx（51页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于核算算法的故故障智能能诊断理理论及方方法研究究摘 要设备故障障诊断与与监测技技术是一一门正在在不断发发展和完完善的新新技术，它它具有保保障安全全生产，防止止突发事事故，节节约维修修费用等等特点，在在现代化化大生产产中发挥挥着重要要的作用用。然而而正是因为为生产设设备结构构日趋复复杂及内内部关系系日益密密切，造造成了设设备运行行状态监监测和故故障诊断的难难度不断断增大，迫迫使人们们需要不不断探索索新的理理论或方方法来解解决实际际中所遇遇到的问问题。自220世纪纪60年年代以来来，以VVapnnik为为代表的的研究人人员致力力于统计计学习理理论的研研究，并并在此基础础上创建建出一类类新的机机器
2、学习习算法：支持向向量机(Suppporrt VVecttor Macchinne，SSVM)。正是核函函数在SSVM的的成功应应用，基基于核函函数的学学习方法法(简称称核算法法)的研研究受到到重视。将核算法法应用到到故障诊诊断中有有望解决决其中的的非线性性、不精精确性和和不确定定性等问问题，为为该领域的研研究提供供了全新新且可行行的研究究途径。基于核核算法的的故障智智能诊断断技术，在在国际上上都属于一一个全新新的研究究领域，这这一方法法在实际际应用中中还有许许多问题题值得进进行深入入的研究究和探讨。本论文围围绕核算算法在故故障智能能诊断中中的应用用，对故故障诊断断中不确确定信息息的处理理、故
3、障诊断实实时性的的实现、核函数数的选择择和参数数优化、多类故故障诊断断、早期期故障的的发现以以及样本数据据的压缩缩等几个个方面进进行了较较为系统统深入的的研究，为为核算法法应用于于故障诊诊断提供供了理论依依据，促促进了故故障诊断断技术的的发展。论文的的主要工工作及创创新之处处为：针对故障障诊断中中两类误误判造成成损失不不等的情情况，提提出一种种基于几几何距离离的后验验概率计算方法法；在定定义基于于风险的的诊断可可信度的的基础上上，将 SVMM 与贝贝叶斯决决策理论论相结合合，提出一种种基于最最小风险险的 SSVM 方法；并且将将该方法法应用于于电液伺伺服阀故故障诊断断实例，证实了该该方法的的可
4、行性性。针对单值值 SVVM 只只训练单单类别样样本的特特点，证证明了径径向基核核函数的的参数 s 0和s 时两个个定理；探索了了两种支支持向量量(边界界支持向向量或非非边界支支持向量量)与目目标识别别率的关系系，提出出一种改改进的“留一法法”模型参参数选择择方法，该该方法在在确保分分类器泛泛化性能能的前提下下，大大大减少模模型参数数选择的的时间，可可针对性性地确定定目标识识别率或或非目标标识别率率。面对时变变系统的的故障诊诊断，提提出了一一种基于于滚动时时间窗的的单值 SVMM 学习习算法，为为将单值 SVVM 实实用化作作出了努努力。提提出了将将单值 SVMM 推广广到多故故障诊断断的两种
5、种方法，并并将之应应用到基基准数据据库和液液压泵多多故障识识别中，不不仅解决决了目前前存在的的 SVVM 多多值分类类方法存在的的不属于于任何一一类以及及同时属属于多类类的情况况，同时时提高了了算法的的训练与与决策速速度。针对支持持向量回回归机(Suppporrt VVecttor Reggresssioon，SSVR)模型参参数选择择难的问问题，探探究了 SSVR 各参数数对其性性能的影影响，提提出了一一种基于于遗传算算法的 SVRR 参数数自动优优化的方方法；并且且通过建建立 SSVR 预测模模型，用用于实现现早期故故障诊断断以及强强混沌背背景下微微弱信号号的检测。仿真验验证，该该方法比比
6、径向基基神经网网络更具具有稳健健性和泛泛化性。最后，详详细讨论论了核矩矩阵维度度缩减问问题，给给出了残残差估计计的界定定理；在在综合考考虑选取列的独独立性和和残差范范数大小小两者关关系的基基础上，提提出了解解决核矩矩阵维度度缩减的的启发性性算法贪贪心算法法。并在在此基础础上，在在再生核核 Hiilbeert 空间又又提出一一种稀疏疏性回归归算法。关键词：故障诊诊断；机机器学习习；支持持向量机机；核算算法；多多类故障障；早期期故障诊诊断；核核矩阵Subjjectt : Stuudy on Theeoryy annd MMethhodss off Inntellliggentt Faaultt D
7、iiagnnosiisBaseed oon KKernnel AlggoriithmmSpecciallty : SSafeety Tecchnoologgy aand EnggineeeriingNamee : Du Jinng-yyi (siggnatturee)Insttrucctorr : Houu Yuuan-binn (ssignnatuure)AbsttracctThe neww teechnniquue oof ffaullt ddiaggnossis andd moonittoriing of equuipmmentts iis ddeveeloppingg anndperf
8、fecttingg coontiinuoouslly. It plaays an impporttantt roole in thee mooderrn ddupllicaate prooducctioons witththe chaaraccterristticss thhat saffeguuardds tthe saffetyy prroduuctiion andd prreveentss frrom thee accciddentts aandsavees tthe maiinteenannce cossts. Hoowevver, thhe mmoree coompllex strr
9、uctturees oof tthe facciliitiees aand itssclosser innner connnecctioon iincrreasse tthe diffficculttiess inn diiagnnosiing fauult andd moonittoriing theerunnningg sttatee off thhe eequiipmeentss. TThe neww thheorriess annd mmethhodss haave to be invvesttigaatedd innordeer tto ssolvve tthe proobleems
10、 enccounnterred in reaalitty. Sinnce 19660s, reeseaarchherss reepreesenntedd byyVapnnik havve ddevootedd thhemsselvves to thee sttudyy onn sttatiistiic llearrninng ttheoory. Thhey esttabllishhed anew typpe oof llearrninng aalgooritthm, suuppoort vecctorr maachiine (SVVM), baasedd onn thhe sstattistt
11、ic leaarniingtheoory. Itt iss thhe ssucccesssfull apppliicattionn off keerneel ffuncctioon tto SSVM thaat tthe stuudy on leaarniingalgooritthm bassed on kerrnell fuuncttionns oor kkernnel alggoriithmm foor ssimpplifficaatioon hhas atttracctedd grreattinteeresst. Appplyiing thee keerneel aalgooritthm
12、 to fauult diaagnoosiss wiill sollve thee noon-llineear, immpreecisseand unccerttainn prrobllemss. TThiss prroviidess a commpleetelly nnew andd feeasiiblee appprooachh inn thhe ddomaain.Manyy prrobllemss arre wwortth ddeepply stuudyiing andd diiscuussiing aboout thee prractticee off thhe aapprroacch
13、for thee teechnniquue oof iinteelliigennt ffaullt ddiaggnossis, baasedd onn keerneel aalgooritthm, iss a braand neww fiielddin tthe worrld.Thiss paaperr prroviidess thhe ttheooretticaal ffounndattionns ffor thee apppliicattionns oof kkernnel alggoriithmmto ffaullt ddiaggnosses thooughh thhe ddeepp a
14、nnd ssysttemaaticcal stuudy on thee apppliicattionn off keerneelalgooritthm to inttellligeent fauult diaagnoosiss, tthe proocesssinng oof tthe unccerttainn innforrmattionn inn thhediaggnossis, thhe rreall-tiime reaalizzatiion of fauult diaagnoosess, tthe chooicee off keerneel ffuncctioon aandparaame
15、tter opttimiizattionn, mmulttiplle cclasssess off faaultt diiagnnosees, andd inncippiennt ffaullt ddiaggnossis, anndthe sammplee daata commpacctioon. Thuus, it proomottes thee deevellopmmentt off faaultt diiagnnosees ttechhniqque.The maiin ttaskks aand thee innnovvatiionss woorkss arre aas tthe foll
16、lowws.A poosteerioor pprobbabiilitty aalgooritthm is preesenntedd baasedd onn thhe ggeommetrric disstannce to sollvethe proobleem tthatt thhe mmisccarrriagge oof jjustticee inn twwo cclasssess caausees tthe diffferrentt looss in thee faaulttdiaggnossis, Fuurthhermmoree, aa SVVM mmethhod on thee baas
17、e of thee miinimmum rissk iis ppropposeed bbycoombiininng tthe SVMM wiith thee Baayessiann deecissionn thheorry aafteer tthe deffiniitioon oof tthe deggreee offdiaggnossis connfiddencce. Finnallly, thee meethood iis vvaliidatted by appplyiing it to thee prractticaal ffaulltdiaggnossis of eleectrro-h
18、hydrraullic serrvo vallve.Two theeoreems aboout thee raadiaal bbasiis ffuncctioon oon tthe parrameeterr coondiitioon oof ss 0orrs aree prreseenteed aand proovedd aiiminng aat tthe chaaraccterristticss thhat thee onne-cclasss oof ssamppless isstraiinedd byy thhe oone-claass SVMM. TThiss paaperr exxpl
19、ooress thhe rrelaatioon bbetwweenn thhe ttwo typpes ofsuppportt veectoors (boounddaryy suuppoort vecctorrs aand nonn-boounddaryy suuppoort vecctorrs) andd thherecoogniitioon rratee off obbjecct; prooposses an impprovved metthodd off thhe mmodeel pparaametter chooicee off“leaave onee ouut”; whhichh d
20、rramaaticcallly ddecrreasses thee tiime of moddel parrameeterr chhoicce iin tthepreccondditiion of genneraalizzingg peerfoormaancee off cllasssifiier, soo thhat thee reecoggnittionn raatess off thheobjeectss annd tthe nonn-obbjeccts aree deeterrminned on purrposse; preesennts a nnew onee-cllasss SVV
21、Mlearrninng aalgooritthm bassed on timmerrolllingg wiindoow ffor thee faaultt diiagnnosiis oof ddynaamicc syysteem,whicch wwilll coontrribuute to thee prractticaal aappllicaatioon oof oone-claass SVMM. IIn aaddiitioon, twoo meethoodsare preesenntedd thhouggh wwhicch tthe onee cllasss SVVM iis eextee
22、ndeed iintoo muultiiplee faaultts ddiaggnosses. Iffthe metthodds aare appplieed tto tthe fidduciiallly ddataabasse aand thee hyydraauliic ppresssurre ppumppresppecttiveely, wee caan ssolvve tthe proobleem eexisstinng iin tthe metthodd off thhe aavaiilabble SVMMmultti-cclasss cclasssifficaatioon ttha
23、tt thhe oobjeect doees nnot bellongg too anny cclasss oor tthe objjectt beelonngs tomoree thhan onee cllasss siimulltanneouuslyy annd sspeeed uup tthe traainiing andd deecissionn maakinng oof tthealgooritthm.Aimiing at thee diiffiicullty of chooosiing thee paarammeteers of suppporrt vvecttor reggres
24、ssioon (SVRR)modeel, an auttomaaticcallly ooptiimizzed metthodd off SVVR pparaametter is preesenntedd baasedd onn thhegeneeticc allgorrithhm aafteer tthe infflueencee off eaach SVRR paarammeteer oon SSVR perrforrmannce. Innaddiitioon, inccipiientt faaultt diiagnnosiis aand a mmethhod of weaak iinfoo
25、rmaatioon rretrrievval in theebackkgrooundd off heeavyy chhaoss arre ccreaatedd byy ussingg thhe ppreddicttivee SVVR mmodeel. Simmulaatioon sshowwsthatt thhe mmethhod hass a morre sstabble perrforrmannce andd a morre ggeneerall chharaacteerissticc.Finaallyy, tthe bouundaary theeoreem oof tthe ressid
26、uual errror esttimaatioon iis ppressentted aftterdisccusssingg thhe pprobblemm off thhe ddimeensiionaal rreduuctiionss off keerneel mmatrricees iin ddetaail. Wiith theeconssideerattionn off daatas ccorrrelaatioon aand minnimaal rresiiduaal nnormm, tthe heuurissticc allgorrithhm, whiichis tthe greeed
27、yy allgorrithhm, is proopossed forr thhe ddimeensiionaal rreduuctiionss off thhe kkernnel mattricces.Alsoo, aa kiind of spaarsee reegreessiion alggoriithmm iss prreseenteed bbaseed oon tthe greeedyy allgorrithhm iin tthereprroduucinng kkernnel Hillberrt sspacce.Key worrds: Faaultt Diiagnnosiis MMach
28、hinee Leearnningg Suuppoort Vecctorr Maachiine KerrnellAlgooritthm Mullti-claass Fauult Inccipiientt Faaultt Diiagnnosiis KKernnel Mattrixx1 绪绪论. 11.1 选题背背景及意意义 . 11.2 故障智智能诊断断中的机机器学习习 . 31.2.1 机机器学习习的发展展. 331.2.2 故故障诊断断的智能能模型. 331.3 核算法法与故障障诊断 . 61.3.1 故故障诊断断存在的的主要问问题. 661.3.2 统统计学习习理论的的主要内内容. 771.
29、3.3 核核算法概概述. 771.3.4 支支持向量量机理论论与应用用. 991.3.5 线线性算法法的核变变换理论论与应用用. 121.3.6 核核算法的的研究内内容. 131.4 本文的的工作 . 1141.4.1 基基本框架架结构. 141.4.2 主主要内容容. 142 基于于最小风风险的 SVMM 方法法的研究究 . 1772.1 引言 . 1172.2 支持向向量机 . 1182.2.1 线线性可分分. 182.2.2 线线性不可可分. 192.2.3 非非线性可可分. 192.3 基于最最小风险险的 SSVM 研究. 2202.3.1 近近年来的的工作. 202.3.2 基基于几
30、何何距离的的后验概概率概念念. 222.3.3 基基于最小小风险的的 SVVM . 2442.4 仿真研研究 . 2272.5 实验研研究 . 2282.5.1 特特征参数数的提取取. 292.5.2 SSVM 对电液液伺服阀阀故障模模式的识识别 . 3312.6 本章小小结 . 3343 单值值 SVVM 用用于故障障诊断 . 3553.1 引言 . 3353.2 单值支支持向量量机 . 3363.2.1 支支持向量量的区域域描述. 363.2.2 单单值 ?SVMM. 3373.3 模型分分析及选选择研究究 . 4403.3.1 训训练集的的选取及及特征选选择问题题. 403.3.2 单单值 SSVM 算法的的确定 . 4003.3.3 核核函数的的选择. 413.3.4 核核参数对对分类性性能的影影响.