基于SVR的非機(jī)理模型建模研究及故障預(yù)測(cè).pdf

1、對(duì)問(wèn)題的分析和求解過(guò)程中，通過(guò)建立其模型來(lái)描述純科學(xué)或具體的實(shí)際過(guò)程進(jìn)行研究已成為一種重要方式；特別是在某些應(yīng)用，如被研究對(duì)象的故障診斷、預(yù)測(cè)及其功能改進(jìn)等，建模更是一種行之有效的方法。考慮到在實(shí)際應(yīng)用中，被研究對(duì)象的復(fù)雜特性很難用機(jī)理的方式對(duì)其進(jìn)行建模，因此，基于數(shù)據(jù)的非機(jī)理模型建模成為研究的熱點(diǎn)。將統(tǒng)計(jì)學(xué)習(xí)的方法與保證模型結(jié)構(gòu)泛化性能的結(jié)構(gòu)風(fēng)險(xiǎn)最小化為優(yōu)化目標(biāo)相結(jié)合，支持向量機(jī)(support vector machine，SVM)

2、很好的找到了擬合度與模型泛化性的最優(yōu)點(diǎn)。因此，SVM所具有的特色在非線性建模上得到了很好的發(fā)揮，被稱為支持向量回歸(SVR)。本文以SVR為主線，在基于數(shù)據(jù)的條件下對(duì)兩種相對(duì)應(yīng)的非機(jī)理模型，即確定性模型和非確定性模型建模分別進(jìn)行了研究，其中非確定性模型以區(qū)間回歸模型的形式來(lái)描述，最后將其研究應(yīng)用到了故障檢測(cè)和故障預(yù)測(cè)。本研究主要內(nèi)容包括：
　?、裴槍?duì)TS模糊模型的后件參數(shù)辨識(shí)，提出了一種基于最小二乘支持向量回歸(LSSVR)的結(jié)構(gòu)

3、風(fēng)險(xiǎn)分解來(lái)建立新的代價(jià)函數(shù)，該代價(jià)函數(shù)不是傳統(tǒng)意義上以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化來(lái)求解參數(shù)，例如有最小二乘算法或它的變體、卡爾曼濾波算法、局部最優(yōu)EM算法等，而是同時(shí)考慮到如何控制模型結(jié)構(gòu)復(fù)雜性以及經(jīng)驗(yàn)風(fēng)險(xiǎn)又要最小，來(lái)取其折中。然后，以該代價(jià)函數(shù)作為優(yōu)化目標(biāo)，TS模糊模型為約束條件，通過(guò)引入拉格朗日方法對(duì)其求解，最終得到模型的后件參數(shù)。在建立LSSVR的過(guò)程中，除了通過(guò)訓(xùn)練得到最終的模型參數(shù)(支持值參數(shù))外，其較好的泛化性能還與模型的自由參數(shù)(即超

4、參數(shù))的選擇存在很大關(guān)系，所以該部分提出了基于無(wú)跡卡爾曼濾波(UKF)方法來(lái)實(shí)現(xiàn)LSSVR的超參數(shù)在線更新，極大的削弱了傳統(tǒng)超參數(shù)優(yōu)化方法對(duì)訓(xùn)練數(shù)據(jù)集大小的要求，而且在優(yōu)化過(guò)程中避免了較大的計(jì)算量和不利于自由參數(shù)的實(shí)時(shí)更新。
　?、漆槍?duì)LSSVR，通常被稱為全局LSSVR，不具有局部解釋能力以及局部建模方法會(huì)存在邊界效應(yīng)的問(wèn)題，即對(duì)處在邊界上的數(shù)據(jù)在建模過(guò)程中存在較大的偏差和計(jì)算時(shí)間?；诖?，該部分結(jié)合TS模糊模型的局部劃分原理，

5、研究帶模糊劃分的模糊加權(quán)平均LSSVR用于非線性系統(tǒng)建模，克服了局部建模方法對(duì)處在邊界上的數(shù)據(jù)所引起的邊界效應(yīng)。
　?、翘岢龇谴_定性模型建模的研究，這里提到的非確定性將通過(guò)區(qū)間回歸模型來(lái)定義。因此，該部分研究了關(guān)于逼近誤差上界的∞范數(shù)和?1范數(shù)最小化的LP-SVR區(qū)間回歸模型建模。由于模型結(jié)構(gòu)在建模過(guò)程中尤為重要，所以將SVR所具有的結(jié)構(gòu)風(fēng)險(xiǎn)最小化融合到區(qū)間回歸模型，將基于二次規(guī)劃求解的SVR問(wèn)題轉(zhuǎn)化為較簡(jiǎn)單的線性規(guī)劃，緊接著，關(guān)

6、于上界逼近誤差的兩種范數(shù)分別綜合到LP-SVR得到新的線性規(guī)劃問(wèn)題，對(duì)其求解得到區(qū)間回歸模型。提出的方法不僅可以處理非對(duì)稱的區(qū)間回歸模型，而且URM與LRM被獨(dú)立求解，得到的區(qū)間回歸模型結(jié)構(gòu)復(fù)雜性在滿足建模性能的同時(shí)也得到很好控制。
　?、确謩e將其應(yīng)用于故障檢測(cè)和故障預(yù)測(cè)。對(duì)于故障檢測(cè)，提出了通過(guò)在無(wú)故障情況下的數(shù)據(jù)，建立系統(tǒng)無(wú)故障的自適應(yīng)閾值模型(用區(qū)間回歸模型描述)來(lái)作為故障發(fā)生的判斷，結(jié)果表明通過(guò)提出的方法可以較好的克服在一