基于集成学习的故障诊断方法研究

发布时间：2017-11-20 23:30

  本文关键词：基于集成学习的故障诊断方法研究

  更多相关文章： 集成学习 支持向量机 故障诊断 柴油机 齿轮箱

【摘要】：机器学习是人工智能最具智能特征和最前沿的研究领域之一。基于统计学习理论的支持向量机是非常典型的一种机器学习方法，它较好地解决了以往许多学习方法中小样本、非线性和高维数等实际难题，并克服了神经网络等学习方法中网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习等不足，可以使在小样本情况下建立的分类器具有很强的推广能力。但是面对大规模故障样本数据，支持向量机在小样本空间中较好的性能又难以得到发挥。因此，集成学习的提出为我们开辟了新的途径。 本文旨在研究基于集成学习的故障诊断方法，以支持向量机作为子学习器，通过多个子学习器的集成来解决机械故障诊断的问题。分析了集成学习技术及其相关算法，研究了支持向量机子学习器的构成，以AdaBoost集成算法为基础，构造了基于支持向量机的集成学习方法，，并将此方法应用到机械故障诊断中。文中针对柴油机和齿轮箱两种不同机械设备，监测在不同的运行状态下的振动信号，应用动态指标法和小波包能量法两种方法分别提取机器振动信号的动态指标和小波包能量，以此两类特征向量分别输入到多个子学习器对各故障类型进行初步诊断，各子学习器初步诊断结果输入到集成学习构造的强分类器对机器运动状态做最终判断。通过对柴油机8种故障类型和齿轮箱4种故障类型的诊断分析，说明本文提出的方法是可行的，即由集成学习构造的强分类器分类结果明显优于单个分类器分类结果，表明集成学习方法显著提高了系统的泛化能力。结果也显示出，运用动态指标法提取的特征值在柴油机中的应用明显优于小波包能量法，齿轮箱中动态指标法略好于小波包能量法。 文中对集成学习也做了相关的引伸，通过实验验证了“选择性集成”的设想，即选择部分进行集成可能比全部个体学习器集成效果更好。
【学位授予单位】：西安石油大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP181;TH165.3

【参考文献】

中国期刊全文数据库 前1条

1 王凯;张永祥;李军;;基于支持向量机的齿轮故障诊断方法研究[J];振动与冲击;2006年06期

本文编号：1208922