精选基于核算法的设备故障智能诊断理论及方法探讨

基于核算法的故障智能诊断理论及方法研究摘 要设备故障诊断与监测技术是一门正在不断发展和完善的新技术，它具有保障安全生产，防止突发事故，节约维修费用等特点，在现代化大生产中发挥着重要的作用。然而正是因为

基于核算法的故障智能诊断理论及方法研究 摘要 设备故障诊断与监测技术是一门正在不断发展和完善的新技术，它具有保障安全生 产，防止突发事故，节约维修费用等特点，在现代化大生产中发挥着重要的作用。然而 正是因为生产设备结构日趋复杂及内部关系日益密切，造成了设备运行状态监测和故障 诊断的难度不断增大，迫使人们需要不断探索新的理论或方法来解决实际中所遇到的问 2060Vapnik 题。自世纪年代以来，以为代表的研究人员致力于统计学习理论的研究，并 (SupportVectorMachineSVM) 在此基础上创建出一类新的机器学习算法：支持向量机，。 SVM() 正是核函数在的成功应用，基于核函数的学习方法简称核算法的研究受到重视。 将核算法应用到故障诊断中有望解决其中的非线性、不精确性和不确定性等问题，为该 领域的研究提供了全新且可行的研究途径。基于核算法的故障智能诊断技术，在国际上 都属于一个全新的研究领域，这一方法在实际应用中还有许多问题值得进行深入的研究 和探讨。 本论文围绕核算法在故障智能诊断中的应用，对故障诊断中不确定信息的处理、故 障诊断实时性的实现、核函数的选择和参数优化、多类故障诊断、早期故障的发现以及 样本数据的压缩等几个方面进行了较为系统深入的研究，为核算法应用于故障诊断提供 了理论依据，促进了故障诊断技术的发展。论文的主要工作及创新之处为： 针对故障诊断中两类误判造成损失不等的情况，提出一种基于几何距离的后验概率 SVM 计算方法；在定义基于风险的诊断可信度的基础上，将与贝叶斯决策理论相结合， SVM 提出一种基于最小风险的方法；并且将该方法应用于电液伺服阀故障诊断实例， 证实了该方法的可行性。 SVMs→0 针对单值只训练单类别样本的特点，证明了径向基核函数的参数和 s→∞() 时两个定理；探索了两种支持向量边界支持向量或非边界支持向量与目标识别 “” 率的关系，提出一种改进的留一法模型参数选择方法，该方法在确保分类器泛化性能 的前提下，大大减少模型参数选择的时间，可针对性地确定目标识别率或非目标识别率。 SVM 面对时变系统的故障诊断，提出了一种基于滚动时间窗的单值学习算法，为将单