支持向量機(jī)決策樹算法研究及其應(yīng)用.pdf

1、隨著科學(xué)技術(shù)的飛速發(fā)展和市場競爭的日益激烈，工業(yè)生產(chǎn)表現(xiàn)出大型化、分布化、高速化、自動化和復(fù)雜化等特點(diǎn)。由于這些大型系統(tǒng)一般都是作為能源、石化、冶金以及其他國民經(jīng)濟(jì)支柱產(chǎn)業(yè)中的關(guān)鍵設(shè)備，一旦發(fā)生故障，輕則降低生產(chǎn)效率，重則設(shè)備停機(jī)、生產(chǎn)停頓，有時(shí)甚至產(chǎn)生機(jī)毀人亡的惡性事故，造成災(zāi)難性的后果。與此同時(shí)面對激烈的市場競爭，降低故障停機(jī)時(shí)間，延長設(shè)備生命周期也是目前每個(gè)企業(yè)的立業(yè)之本。所以，有計(jì)劃、有組織、有針對地對關(guān)鍵設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測與診斷

2、，做到盡早地發(fā)現(xiàn)設(shè)備在運(yùn)行過程中的各種隱患，從而防止災(zāi)難性事故的發(fā)生，成為機(jī)械設(shè)備故障診斷系統(tǒng)面臨和解決的首要問題。 智能診斷技術(shù)代表了診斷技術(shù)的發(fā)展方向，同時(shí)其發(fā)展與人工智能技術(shù)的發(fā)展密切相關(guān)，為故障診斷的智能化提供了可能性。但是傳統(tǒng)的基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的人工智能方法在故障數(shù)據(jù)難以獲取，樣本數(shù)有限的情況下，訓(xùn)練效果往往表現(xiàn)出很差的推廣能力。這直接制約著診斷方法的實(shí)用化推廣。本文是采用基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的支持向量機(jī)，它針對小樣本情

3、況下所表現(xiàn)出來的優(yōu)良性能引起了眾多故障診斷領(lǐng)域研究人員的關(guān)注。支持向量機(jī)應(yīng)用于故障診斷最大的優(yōu)勢在于它適合于小樣本決策，其學(xué)習(xí)方法的本質(zhì)在于能夠在有限特征信息情況下，最大限度地發(fā)覺數(shù)據(jù)中隱含的分類知識。從推廣性的角度來看，更適合于故障診斷這種實(shí)際的工程問題。 本論文在國家自然科學(xué)基金重點(diǎn)項(xiàng)目：“大型復(fù)雜機(jī)電系統(tǒng)早期故障智能預(yù)示的理論與技術(shù)”的資助下開展的研究的，主要的研究工作包括以下幾個(gè)方面： (1) 在Bently轉(zhuǎn)子

4、實(shí)驗(yàn)臺進(jìn)行機(jī)器狀態(tài)模擬，模擬的狀態(tài)包括：正常、不平衡、徑向碰磨，采集機(jī)器狀態(tài)振動信號。并對獲取的原始狀態(tài)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，時(shí)域和頻域的特征提取，以便利用獲取數(shù)據(jù)對診斷方法的進(jìn)行了比較驗(yàn)證。 (2) 針對基于傳統(tǒng)的支持向量機(jī)在機(jī)械故障模式識別方法中的不足，提出采用支持向量機(jī)決策樹多類分類算法，有效解決目前支持向量機(jī)多類分類中存在的“拒絕辨識區(qū)”和“類簇”的現(xiàn)象，通過引入類間分離測度更科學(xué)的評定類間分離性強(qiáng)弱，避免了訓(xùn)練建模誤差的

5、累積，有效地提高了故障分類正確率。并通過故障模擬實(shí)驗(yàn)獲取的數(shù)據(jù)對該算法，與“一對多”算法，二叉樹支持向量機(jī)，徑向基神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)的算法的分類正確率進(jìn)行了比較，驗(yàn)證了算法的有效性。 (3) 用VC的dll形式實(shí)現(xiàn)支持向量機(jī)序貫最小最優(yōu)化訓(xùn)練算法(SMO)。針對SMO中工作集選擇，停機(jī)準(zhǔn)則等進(jìn)行了研究；同時(shí)將已被證實(shí)能夠提高訓(xùn)練速度的收縮，擴(kuò)張和內(nèi)存方法在算法得以實(shí)現(xiàn)。通過實(shí)驗(yàn)驗(yàn)證算法的有效性。 (4) 采用Acti