支持向量數(shù)據(jù)描述在故障診斷中的應(yīng)用.pdf

1、支持向量數(shù)據(jù)描述(Support vector data description,SVDD)是一種不同于傳統(tǒng)模式分類的方法。傳統(tǒng)的模式分類方法一般需要利用兩類樣本(或多類樣本),通過兩類樣本共同確定了決策邊界。大多數(shù)傳統(tǒng)的分類器都對數(shù)據(jù)的平衡度有或多或少的要求,當(dāng)其中一類樣本數(shù)據(jù)很少甚至完全沒有時其表現(xiàn)很不理想。而SVDD只需要一類樣本就可以建立分類器并將目標(biāo)樣本和非目標(biāo)樣本區(qū)分開來。而對于一些關(guān)鍵設(shè)備來說,是不允許發(fā)生故障的,或者說故

2、障率很低。將SVDD應(yīng)用于機(jī)械故障診斷和狀態(tài)監(jiān)測中,將有望解決傳統(tǒng)模式識別方法在缺少故障樣本時所遇到的問題。1.介紹了SVDD的基本理論和算法,并在計算中利用核函數(shù)代替內(nèi)積來提高分類器的靈活性。2.針對經(jīng)驗(yàn)?zāi)B(tài)分解在處理非平穩(wěn)信號時的優(yōu)點(diǎn),利用經(jīng)驗(yàn)?zāi)B(tài)分解對信號進(jìn)行分解,提取各頻帶的能量作為特征向量,并用于訓(xùn)練和測試SVDD,實(shí)驗(yàn)證明該方法能很好地保留原信號的特征,取得很好的分類效果。3.當(dāng)具有少量故障樣本的時候,既可以建立傳統(tǒng)的兩分類

3、器又可以建立SVDD分類器。但是SVDD僅利用了正常樣本,而且當(dāng)故障樣本較少且不能代表故障的典型分布的時候,傳統(tǒng)的二分類器又很難取得較好的表現(xiàn)。因此本文研究了一種改進(jìn)的SVDD——具有故障樣本的SVDD在故障診斷中的應(yīng)用,并通過對滾動軸承實(shí)驗(yàn)數(shù)據(jù)的分析,證明了該方法可以有效提高故障診斷的精度。4.介紹了單分類方法中的三種主要理論:密度估計法、邊界法和重構(gòu)法。并評價和對比了這些方法在處理不同數(shù)據(jù)集時的表現(xiàn)。通過對比可知,密度估計法對數(shù)據(jù)做