基于FSVM的陀螺仪故障诊断方法研究

发布时间：2017-08-14 10:03

  本文关键词：基于FSVM的陀螺仪故障诊断方法研究

  更多相关文章： 故障诊断 非平衡 模糊支持向量机 一对一算法 拒识区

【摘要】：陀螺仪作为飞行器的重要机载传感器,主要用于精确地测量飞行器的姿态角、角速度和航向等参数,为飞控系统提供准确的飞行信息。其工作状态直接影响到飞行器的飞行安全,因此保障和提高陀螺仪的可靠性具有重要的意义。针对实际情况下,陀螺仪正常样本数量往往远大于故障样本数,本文研究了基于模糊支持向量机的陀螺仪故障诊断系统。主要工作如下:首先,搭建常见的陀螺仪故障模型,分别采用小波包分解法和经验模态分解法对陀螺仪的输出信号进行分解。当陀螺仪发生故障时,其输出信号会发生变化,反映到其频率上则是某一个或某几个频段上的能量发生改变,从而可以提取分解后各信号分量的能量作为特征向量特征。其次,针对传统支持向量机易受类不平衡和噪声的影响,在比较分析了不平衡数据集对SVM分类器影响的原因后,采用FSVM作为故障诊断系统的核心算法。FSVM的隶属度分为两部分设计,第一部分用于抑制数量不平衡的影响,第二部分利用样本的高斯概率密度函数来描述样本集的分布情况,以此作为样本类内重要性的依据。如此综合考虑噪声、类不平衡和样本分布特性的影响,设计的分类器具有更强的鲁棒性。再次,由于陀螺仪故障类型的非单一性,正常状态与故障类型的识别和定位不是一个二分类问题。针对采用一对一多分类方法存在的拒识区问题,本文在其基础上进行了改进,提出了一种新型的多分类方法。该方法利用一对一算法本身的特点以及未知样本与各类之间的数据关系,进行循环筛选,从而得到最终的决策类别。最后,根据改进的FSVM算法与一对一多分类方法编写算法程序,利用libsvm软件包在MATLAB上进行仿真以验证陀螺仪故障诊断系统的有效性和精度。对实验结果进行了分析和总结。
【关键词】：故障诊断 非平衡 模糊支持向量机 一对一算法 拒识区
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V267;V241.5
【目录】：

• 摘要4-5
• abstract5-11
• 缩略词11-12
• 第一章 绪论12-18
• 1.1 课题研究的背景及意义12
• 1.2 故障诊断技术12-16
• 1.2.1 故障诊断技术研究的内容12-13
• 1.2.2 故障诊断技术的国内外研究现状13-15
• 1.2.3 支持向量机的发展状况15
• 1.2.4 一对一多分类的发展状况15-16
• 1.3 本文的主要研究工作16-17
• 1.4 论文的结构安排17-18
• 第二章 支持向量机理论基础18-33
• 2.1 机器学习问题18-20
• 2.1.1 学习模型18-19
• 2.1.2 经验风险最小化19-20
• 2.1.3 复杂性与推广能力20
• 2.2 统计学习理论20-24
• 2.2.1 学习过程的一致性20-21
• 2.2.2 VC维理论21-22
• 2.2.3 推广性的界22-23
• 2.2.4 结构风险最小化23-24
• 2.3 支持向量机24-30
• 2.3.1 最优分类超平面24-25
• 2.3.2 线性分类支持向量机25-28
• 2.3.3 非线性分类支持向量机28-29
• 2.3.4 核函数29-30
• 2.4 多分类方法30-32
• 2.4.1 一对一多分类方法30
• 2.4.2 一对多多分类方法30-31
• 2.4.3 决策树多分类方法31-32
• 2.5 本章小结32-33
• 第三章 针对不平衡数据集的SVM33-48
• 3.1 不平衡数据集分类的相关概念33-34
• 3.2 SVM与类不平衡34-35
• 3.2.1 软间隔优化问题34-35
• 3.2.2 支持向量比率的不平衡问题35
• 3.3 改进的SVM学习方法35-38
• 3.3.1 类惩罚代价不同SVM35-36
• 3.3.2 决策边界修正的SVM36
• 3.3.3 模糊支持向量机36-37
• 3.3.4 不平衡学习模糊支持向量机37-38
• 3.4 基于高斯分布的不平衡FSVM38-43
• 3.4.1 m±的设计38-40
• 3.4.2 ( )if x的设计40-42
• 3.4.3 期望和协方差矩阵的求取42-43
• 3.5 仿真实验43-47
• 3.5.1 实验环境43
• 3.5.2 支持向量机参数寻优43-44
• 3.5.3 SVM与FSVM对比实验结果44-45
• 3.5.4 几种不平衡学习算法的对比实验结果45-47
• 3.6 本章小结47-48
• 第四章 陀螺仪故障诊断的总体方案48-62
• 4.1 系统总体结构48-49
• 4.2 陀螺仪的故障类型49-50
• 4.3 基于小波包分解的特征提取方法50-54
• 4.3.1 小波变换50-51
• 4.3.2 小波包变换51-52
• 4.3.3 小波包分解提取能量特征52-54
• 4.4 基于经验模态分解的特征提取方法54-55
• 4.4.1 经验模态分解54-55
• 4.4.2 EMD特征提取55
• 4.5 多分类器设计55-61
• 4.5.1 一对一多分类方法的拒识区问题55-56
• 4.5.2 模糊决策法56-57
• 4.5.3 紧密度决策法57-58
• 4.5.4 改进的一对一方法58-61
• 4.6 本章小结61-62
• 第五章 故障诊断系统的仿真实验62-74
• 5.1 实验样本采集62-68
• 5.1.1 小波包分解法特征提取63-66
• 5.1.2 经验模态分解法特征提取66-68
• 5.2 基于FSVM-CIL的陀螺仪数据仿真实验68-72
• 5.2.1 不平衡分类的评价标准68-69
• 5.2.2 实验准备69
• 5.2.3 支持向量机训练及参数优化69-71
• 5.2.4 实验结果和分析71-72
• 5.3 一对一多分类仿真实验72-73
• 5.3.1 实验准备72-73
• 5.3.2 实验结果和分析73
• 5.4 本章小结73-74
• 第六章 总结与展望74-76
• 6.1 工作总结74-75
• 6.2 后期展望75-76
• 参考文献76-80
• 致谢80-81
• 在学期间的研究成果及发表的学术论文81

【参考文献】

中国期刊全文数据库 前10条

1 沈艳霞;周文晶;纪志成;吴定会;;基于小波包与SVM的风电变流器故障诊断[J];太阳能学报;2015年04期

2 阮玖圣;马进;周昱;张建辉;;基于定性推理的故障诊断综述[J];山东工业技术;2013年12期

3 王宪亮;吴志刚;杨金超;周若华;颜永红;;基于SVM一对一分类的语种识别方法[J];清华大学学报(自然科学版);2013年06期

4 陈中杰;蒋刚;蔡勇;;基于SVM一对一多分类算法的二次细分法研究[J];传感器与微系统;2013年04期

5 贾庆贤;张迎春;管宇;陈雪芹;;基于解析模型的非线性系统故障诊断方法综述[J];信息与控制;2012年03期

6 单玉刚;王宏;董爽;;改进的一对一支持向量机多分类算法[J];计算机工程与设计;2012年05期

7 王文剑;梁志;郭虎升;;基于数据关系的SVM多分类学习算法[J];山西大学学报(自然科学版);2012年02期

8 李晗;萧德云;;基于数据驱动的故障诊断方法综述[J];控制与决策;2011年01期

9 樊宁;高凤岐;;基于贝叶斯网络的电子设备故障诊断技术研究[J];仪表技术;2010年09期

10 孙洁娣;靳世久;;基于小波包能量及高阶谱的特征提取方法[J];天津大学学报;2010年06期

中国博士学位论文全文数据库 前5条

1 曹冲锋;基于EMD的机械振动分析与诊断方法研究[D];浙江大学;2009年

2 孙永奎;基于支持向量机的模拟电路故障诊断方法研究[D];电子科技大学;2009年

3 杨智明;面向不平衡数据的支持向量机分类方法研究[D];哈尔滨工业大学;2009年

4 杨宇;基于EMD和支持向量机的旋转机械故障诊断方法研究[D];湖南大学;2005年

5 翟永杰;基于支持向量机的故障智能诊断方法研究[D];华北电力大学（河北）;2004年

中国硕士学位论文全文数据库 前5条

1 赵丁;小型无人机传感器故障诊断算法研究及软件开发[D];沈阳航空航天大学;2014年

2 张强;基于EMD的齿轮箱故障特征提取方法研究[D];大连理工大学;2013年

3 曹份槟;基于PCA和SVM的货车故障检测[D];北京交通大学;2011年

4 张建民;基于波形分析技术的电力电子电路故障诊断方法研究[D];湖南大学;2007年

5 杜圣东;基于多类支持向量机的文本分类研究[D];重庆大学;2007年

，

本文编号：672065