基于支持向量機的智能故障診斷技術(shù)研究.pdf

1、支持向量機和神經(jīng)網(wǎng)絡(luò)都是目前關(guān)于機器學習技術(shù)的研究熱點。不同的是，前者是基于結(jié)構(gòu)風險最小化原理，后者基于經(jīng)驗風險最小化原理。兩者都非常適合故障診斷，但后者實現(xiàn)故障診斷必須有大量的故障樣本，同時還有訓練速度慢、結(jié)構(gòu)確定難、容易陷入局部極小、泛化能力差等缺點，而前者不僅能解決小樣本的問題，并且還有全局最優(yōu)、泛化能力強等優(yōu)點。針對它們的優(yōu)缺點，本文從支持向量機理論與方法出發(fā)，結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)，提出了基于支持向量機的徑向基網(wǎng)絡(luò)的設(shè)備智能故障診

2、斷方法，并通過實例驗證了該方法的有效性。 本文從支持向量機和徑向基神經(jīng)網(wǎng)絡(luò)的基本理論的出發(fā)，研究了支持向量機和徑向基神經(jīng)網(wǎng)絡(luò)的技術(shù)特點及其優(yōu)缺點。研究表明，支持向量機是一種凸優(yōu)化問題，其解具有全局最優(yōu)的特點，同時具有很強的泛化能力；徑向基網(wǎng)絡(luò)具有最佳逼近和全局最優(yōu)等優(yōu)點，不足的地方就是網(wǎng)絡(luò)結(jié)構(gòu)、隱層結(jié)點數(shù)和中心確定較難，泛化能力差。支持向量機最初是從線性可分和兩類的分類情況下提出的，并發(fā)展成用來解決非線性和多類模式識別問題的有效

3、手段。本文中主要介紹了用于處理此類問題的“一類對余類”的支持向量機。 在此基礎(chǔ)上，提出了基于SVM的徑向基網(wǎng)絡(luò)智能故障技術(shù),將它們用于設(shè)備的智能故障診斷中。本文主要提出基于支持向量機的特征變換與徑向基網(wǎng)絡(luò)的診斷方法、基于支持向量機的結(jié)構(gòu)優(yōu)化的徑向基網(wǎng)絡(luò)的診斷方法和基于支持向量機的特征變換與結(jié)構(gòu)優(yōu)化的徑向基網(wǎng)絡(luò)相結(jié)合的智能診斷方法。 通過對齒輪的故障診斷實例進行對比分析，得出如下結(jié)論： (1)基于支持向量機特征變換