基于改进SVDD的设备故障诊断方法及在线监测系统研究

发布时间：2017-10-19 10:27

  本文关键词：基于改进SVDD的设备故障诊断方法及在线监测系统研究

  更多相关文章： 故障诊断 支持向量数据描述 提升方法 增量学习

【摘要】：随着机械工业设备朝着大型化、复杂化与自动化的方向发展,研究与设计一个准确有效的在线监测系统,使其具备在线状态监测,在线故障诊断,在线增量学习的功能,正成为故障诊断领域的一个重要研究课题。同时,随着设备的不断运行,大量的工作过程数据被保存下来。如何对于这些数据进行分析,进行特征提取,提高诊断能力,成为了故障诊断技术的主要研究热点。 本文以支持向量数据描述(Support Vector Data Description, SVDD)为基础,对于采集的设备工作过程数据进行训练,并对在线设备监测系统的若干问题进行研究,具体的研究内容如下： (1)针对表示设备工作状态的数据特征空间维度过高问题,提出了一种基于余弦相似度的特征空间维规约方法。该降维方法主要利用余弦相似度算法归并相似度高的特征,提高特征空间各维度间的正交性,减少SVDD训练过程计算量,提高预测准确率； (2)针对SVDD处理海量数据训练时间过长的问题,提出了一种统计信息网格支持向量数据描述算法(STatistical INformation Grid SVDD, STING-SVDD)。首先,该算法利用STING技术把训练样本空间分成许多小的空间单元,然后利用SVDD的支持向量的分布特性删除中心单元的训练样本,最后利用优化后的训练集生成SVDD分类器。这种方法降低了训练集规模,减少了SVDD算法的训练时间； (3)研究了支持向量数据描述的增量学习功能,提出了一种基于提升思想的支持向量数据描述增量学习方法。利用提升方法,对于新增样本集误判样本点进行提升,降低了每次训练时训练集的规模,加快了增量学习算法效率,完善了在线故障诊断方法； (4)在上述理论分析及研究的基础上,编写设备在线故障诊断软件。软件实现在线数据分析功能,模拟在线增量学习算法,并通过模拟实验台验证软件的有效性和实用性。
【关键词】：故障诊断 支持向量数据描述 提升方法 增量学习
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3;TP274;TP181
【目录】：

• 摘要4-5
• ABSTRACTS5-9
• 第一章 绪论9-17
• 1.1 研究背景及意义9-10
• 1.2 设备故障诊断的国内外研究现状10-13
• 1.2.1 现有的故障诊断理论方法11-12
• 1.2.2 设备故障诊断技术的主要难点12-13
• 1.2.3 支持向量数据描述理论13
• 1.3 论文的研究内容及创新点13-14
• 1.3.1 论文的研究内容13-14
• 1.3.2 论文的创新点14
• 1.4 本章小结14-17
• 第二章 基于SVDD的设备故障诊断方法概述17-31
• 2.1 统计学习方法概述17-20
• 2.1.1 模型17-18
• 2.1.2 策略18-20
• 2.1.3 算法20
• 2.2 支持向量数据描述理论20-27
• 2.2.1 支持向量数据描述21-23
• 2.2.2 核函数23-24
• 2.2.3 支持向量描述学习的实现算法24-27
• 2.3 基于SVDD的故障诊断模型27-28
• 2.3.1 系统模型27-28
• 2.3.2 数据采集与处理28
• 2.3.3 特征提取28
• 2.3.4 基于SVDD的检测系统分析28
• 2.4 本章小结28-31
• 第三章 基于数据挖掘技术的SVDD训练样本集降维方法研究31-41
• 3.1 SVDD训练数据集降维的意义31-32
• 3.2 基于特征相关度分析的降维方法32-35
• 3.2.1 特征相关度对于SVDD的影响研究32-33
• 3.2.2 基于余弦法的SVDD特征降维方法33-34
• 3.2.3 余弦相关度实验分析34-35
• 3.3 基于统计信息网格技术的样本集降维方法35-40
• 3.3.1 统计信息网格技术35-36
• 3.3.2 STING_SVDD算法36-40
• 3.4 本章小结40-41
• 第四章 支持向量数据描述的增量学习算法研究41-47
• 4.1 增量学习算法的意义41
• 4.2 提升方法41-42
• 4.3 基于boost思想的SVDD增量学习算法42-45
• 4.3.1 基于boost思想的SVDD增量学习策略42
• 4.3.2 基于boost思想的SVDD增量学习算法42-43
• 4.3.3 基于boost思想的SVDD增量学习算法的实验验证43-45
• 4.4 本章小结45-47
• 第五章 基于改进SVDD方法的在线检测系统的实现及实验评估47-55
• 5.1 在线监测的实验分析47-48
• 5.1.1 实验目的47
• 5.1.2 实验环境及方案介绍47-48
• 5.2 训练数据集采集及预处理48-49
• 5.2.1 数据特征提取分析48-49
• 5.2.2 数据特征相关性分析49
• 5.3 在线检测系统实现及实验验证49-53
• 5.3.1 系统开发环境49
• 5.3.2 系统界面及流程介绍49-51
• 5.3.3 基于STING_SVDD的训练模型51
• 5.3.4 在线检测系统的实用性评估51-53
• 5.3.5 在线增量学习方法验证53
• 5.4 本章小结53-55
• 第六章 总结与展望55-57
• 6.1 全文总结55-56
• 6.2 未来展望56-57
• 参考文献57-60
• 致谢60-61
• 攻读学位期间发表的学术论文目录61

【参考文献】

中国期刊全文数据库 前10条

1 翟永杰,杨金芳,徐大平,韩璞,王东风;应用序列最小优化算法的火电厂协调系统的预测[J];动力工程;2005年06期

2 徐济仁;刘敬芝;牛纪海;江从俊;;电子设备故障诊断技术综述[J];电子工艺技术;2008年05期

3 马天健;;浅析网络统计[J];甘肃科技;2009年13期

4 马超;;浅谈汽轮机的故障诊断[J];装备制造技术;2010年05期

5 杨敏,张焕国,傅建明,罗敏;基于支持向量数据描述的异常检测方法[J];计算机工程;2005年03期

6 陈长军;詹永照;文传军;;支持向量描述鉴别分析及在人脸识别中的应用[J];计算机应用研究;2010年02期

7 赵月爱;陈俊杰;;AdaBoost算法在网络入侵检测中的实验研究[J];计算机应用与软件;2010年04期

8 肖维忠;石于中;;基于支持向量机的风洞试验数据分析方法研究[J];科技信息;2012年10期

9 蒙子才;社会主义市场经济条件下国有基建企业的机电设备管理[J];设备管理与维修;1995年01期

10 陈斌;阎兆立;程晓斌;;基于SVDD和相对距离的设备故障程度预测[J];仪器仪表学报;2011年07期

中国博士学位论文全文数据库 前1条

1 王志华;基于模式识别的柴油机故障诊断技术研究[D];武汉理工大学;2004年

中国硕士学位论文全文数据库 前8条

1 许鹏;基于数据挖掘的三维模型表征、索引与检索研究[D];浙江大学;2012年

2 李戈;基于数据仓库的聚类数据挖掘工具的研究[D];青岛大学;2002年

3 郭军华;数据挖掘中聚类分析的研究[D];武汉理工大学;2003年

4 王伟娜;机组集群在线监测系统无线现场采集站的研究与设计[D];武汉理工大学;2007年

5 黄驱冥;多维量化关联规则在食品安全检测中的应用[D];浙江工业大学;2007年

6 金燕;多时间序列数据流聚类算法研究[D];国防科学技术大学;2007年

7 赵辉;基于SVM的数据挖掘分类技术研究[D];西安电子科技大学;2008年

8 邓晓云;振动诊断技术在数控机床状态监测与故障诊断中应用的研究[D];大连交通大学;2010年

，

本文编号：1060576