基于支持向量机的船用柴油机故障诊断研究

发布时间：2017-05-17 21:11

  本文关键词：基于支持向量机的船用柴油机故障诊断研究，由笔耕文化传播整理发布。

【摘要】：从N．Vapnik的统计学习理论基础上发展起来的支持向量机(Support Vector Machine，简称SVM)是目前模式识别领域中最先进的机器学习算法，它已初步表现出很多优于已有方法的性能。由于采用了结构风险最小化原则代替经验最小化原则，支持向量机能够较好地解决小样本学习的问题。又由于采用了核函数的思想，使它把非线性空间的问题转换到线性空间，降低了算法的复杂度。正是因为其完备的理论基础和出色的学习性能，，该技术已经成为了机器学习界的研究热点，并在很多领域都得到了成功的应用。但是作为一种新兴技术，SVM在很多应用领域的研究都还有待于探索和完善。如核函数和参数的选择缺乏理论指导、训练算法的完善、不支持增量学习等。这些问题的存在，使得SVM在很多领域的应用受到了很大的限制。 本文在学习探讨SVM算法的同时，对SVM在供油系统故障诊断中的应用进行了论述，运用支持向量机理论对其进行了故障诊断的仿真研究和实验研究，其中包括实验系统数学模型的设计、仿真系统的建立(用Simulink仿真软件建立仿真模型)、特征参数的提取、数据的采集等。
【关键词】：统计学习理论 支持向量机 核函数 故障诊断
【学位授予单位】：上海海事大学
【学位级别】：硕士
【学位授予年份】：2006
【分类号】：U664.121
【目录】：

• 独创性说明3
• 论文使用授权声明3-4
• 摘要4-5
• ABSTRACT5-6
• 目录6-10
• 第一章 绪论10-24
• 1.课题的提出与意义10-11
• 1.1.课题的提出10-11
• 1.2.课题的意义11
• 2.船用柴油机故障诊断概述11-19
• 2.1.柴油机故障分类13
• 2.2.主要故障模式及其原因13-15
• 2.3.柴油机故障诊断的基本方法15-18
• 2.4.柴油机故障诊断国内外发展趋势18-19
• 3.柴油机故障诊断与SVM19-21
• 3.1.柴油机故障诊断技术存在的问题19
• 3.2.SVM理论简介19-20
• 3.3.SVM理论的发展概况20-21
• 4.论文的研究内容和章节安排21-23
• 4.1.论文的研究内容21-22
• 4.2.论文的章节安排22-23
• 5.小结23-24
• 第二章 SVM基础24-41
• 1.引言24-25
• 2.统计学习理论概要25-31
• 2.1.机器学习问题的表示25-26
• 2.2.经验风险最小化原则26-27
• 2.3.复杂性与推广能力之间的矛盾27
• 2.4.指示函数集的VC维27-28
• 2.5.推广性的界28-29
• 2.6.结构风险最小化原理29-31
• 3.SVM基本原理31-39
• 3.1.最优分类超平面的构造32-35
• 3.2.SVM的几何解释35-36
• 3.3.核函数36-37
• 3.4.SVM回归原理37-38
• 3.5.损失函数38-39
• 4.小结39-41
• 第三章 SVM多值分类器构造方法41-47
• 1.完全多类SVM41-42
• 2 组合多类SVM42-46
• 3.小结46-47
• 第四章 基于模糊综合评判法的故障特征分析47-65
• 1.模型选择问题47-49
• 1.1.训练集的选取48
• 1.2.核及参数选择问题48-49
• 2.特征选择问题49-52
• 2.1.概述49-50
• 2.2.特征数据的压缩问题50
• 2.3.特征维数与识别率之间的关系50-51
• 2.4.特征选择与特征提取51-52
• 3.基于模糊综合评判法的故障分析52-57
• 3.1.概述52-53
• 3.2.模糊理论53
• 3.3.柴油机故障成因集以及故障征兆集53-55
• 3.4.确定故障征兆权重的基本思路55-57
• 4 模糊判决SVM57-59
• 4.1.最大隶属原则57-58
• 4.2.风险以及损失函数58-59
• 4.3.λ取值对隶属函数和分类面的影响59
• 5.仿真研究59-64
• 5.1.基本思路与实验数据来源59-61
• 5.2.对损失函数的讨论61-64
• 6.小结64-65
• 第五章 燃油系统故障分析与建模仿真研究65-78
• 1.故障诊断思想65
• 2.燃油系统故障机理65-69
• 2.1.故障形式65-68
• 2.2.失效模式68-69
• 3.燃油系统运行中各状态信号的分析69-71
• 3.1.油液70
• 3.2.温度70
• 3.3.压力70-71
• 4.仿真研究71-77
• 4.1.概述71-72
• 4.2.训练及验证所需要的数据来源72
• 4.3.数据采集72
• 4.4.数据的预处理72-73
• 4.5.训练阶段73-77
• 5.小结77-78
• 第六章 结论与展望78-79
• 1.全文工作总结78
• 2.进一步研究工作的展望78-79
• 攻读硕士期间公开发表的论文79-80
• 致谢80-81
• 参考文献81-84

【引证文献】

中国期刊全文数据库 前1条

1 魏巍;詹玉龙;赵倍聪;霍崇富;;基于支持向量机的船舶柴油机层次故障诊断的研究[J];南通航运职业技术学院学报;2009年01期

中国硕士学位论文全文数据库 前10条

1 李萌;基于支持向量机的汽车ESP系统故障诊断[D];吉林大学;2011年

2 郭晶亮;基于支持向量机的柴油机故障诊断系统研究[D];武汉理工大学;2011年

3 王坤;斯特林发动机燃油系统控制装置失效安全策略研究[D];河南科技大学;2010年

4 刘琦烽;基于支持向量机的汽车ABS系统故障诊断[D];吉林大学;2011年

5 吕成岭;基于支持向量机的故障诊断方法研究[D];江南大学;2009年

6 余春平;金属断口的图像识别研究[D];南昌大学;2009年

7 李杨;智能楼宇空调系统故障预测与诊断的研究[D];安徽建筑工业学院;2010年

8 王会歌;数据挖掘在船舶推进系统故障诊断中的应用[D];江苏科技大学;2010年

9 刘小明;基于故障树和神经网络的运载火箭故障诊断关键技术研究[D];电子科技大学;2010年

10 朱强;基于噪声信号的发动机故障诊断HHT-SVM模型研究[D];上海工程技术大学;2011年

  本文关键词：基于支持向量机的船用柴油机故障诊断研究，由笔耕文化传播整理发布。

本文编号：374512