支持向量数据描述在故障诊断中的应用

论文摘要

支持向量数据描述(Support vector data description,SVDD)是一种不同于传统模式分类的方法。传统的模式分类方法一般需要利用两类样本(或多类样本),通过两类样本共同确定了决策边界。大多数传统的分类器都对数据的平衡度有或多或少的要求,当其中一类样本数据很少甚至完全没有时其表现很不理想。而SVDD只需要一类样本就可以建立分类器并将目标样本和非目标样本区分开来。而对于一些关键设备来说,是不允许发生故障的,或者说故障率很低。将SVDD应用于机械故障诊断和状态监测中,将有望解决传统模式识别方法在缺少故障样本时所遇到的问题。1.介绍了SVDD的基本理论和算法,并在计算中利用核函数代替内积来提高分类器的灵活性。2.针对经验模态分解在处理非平稳信号时的优点,利用经验模态分解对信号进行分解,提取各频带的能量作为特征向量,并用于训练和测试SVDD,实验证明该方法能很好地保留原信号的特征,取得很好的分类效果。3.当具有少量故障样本的时候,我们既可以建立传统的两分类器又可以建立SVDD分类器。但是SVDD仅利用了正常样本,而且当故障样本较少且不能代表故障的典型分布的时候,传统的二分类器又很难取得较好的表现。因此本文研究了一种改进的SVDD——具有故障样本的SVDD在故障诊断中的应用,并通过对滚动轴承实验数据的分析,证明了该方法可以有效提高故障诊断的精度。4.介绍了单分类方法中的三种主要理论:密度估计法、边界法和重构法。并评价和对比了这些方法在处理不同数据集时的表现。通过对比可知,密度估计法对数据做出了最完整的描述,但是却可能需要过多的样本;当样本数目较少时应优先考虑对数据的边界进行描述的边界法,特别是SVDD;最后,重构法根据数据的分布模型定义一个距离或重构误差,这个模型能够包含额外的和该问题有关的先验知识。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题来源和意义
• 1.1.1 课题来源
• 1.1.2 课题的意义
• 1.2 国内外研究现状
• 1.2.1 传统故障诊断技术的发展及存在的问题
• 1.2.2 智能故障诊断技术研究现状
• 1.2.3 智能故障诊断技术的发展趋势
• 1.3 支持向量数据描述方法的提出
• 1.4 本文主要研究内容
• 1.5 本章小结
• 2 支持向量数据描述
• 2.1 支持向量数据描述
• 2.2 核函数的引入
• 2.3 小结
• 3 SVDD和EMD相结合的故障诊断方法
• 3.1 经验模态分解
• 3.2 经验模态分解和支持向量数据描述相结合的诊断方法
• 3.3 试验分析
• 3.4 结论
• 4 一种改进的支持向量数据描述
• 4.1 故障样本在支持向量数据描述中的应用
• 4.2 试验分析
• 4.3 结论
• 5 单分类法
• 5.1 密度估计法
• 5.1.1 高斯模型
• 5.1.2 混合高斯模型
• 5.1.3 Parzen密度估计法
• 5.2 边界法
• 5.2.1 最近邻法
• 5.2.2 支持向量数据描述
• 5.3 重构法
• 5.3.1 主分量分析法
• 5.4 本章小结
• 6 单分类器的评价方法及性能比较
• 6.1 判别能力
• 6.1.1 常见的错误率计算方法
• 6.1.2 交叉验证
• 6.2 ROC曲线
• 6.2.1 用错误率衡量分类算法的局限性
• 6.2.2 ROC分析基础
• 6.3 实验分析
• 6.4 小结
• 7 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 攻读学位期间参与的科研项目和发表的学术论文
• 致谢