论文部分内容阅读
支持向量机(Support Vector Machines, SVM)是在统计学习理论(Statistical Learning Theory,SLT)基础上发展起来的新型机器学习算法,该方法在解决小样本、非线性及高维问题中表现出许多特有的优势。 以支持向量机理论为基础,旋转机械设备为研究对象,针对有限样本情况下旋转机械故障诊断的特点和基于渐进性理论的传统模式识别方法在故障模式分类中面临的一些困难,对适合旋转机械故障诊断特点的支持向量机多值分类算法、多故障分类器模型的建立、分类器的核函数参数优化选择等几方面进行了较为深入的研究,并通过仿真和实验研究,得到了一些有价值的结论。 提出一种更适合于旋转机械故障智能诊断的支持向量机算法,并建立多故障分类器模型。对现有的支持向量机分类算法进行系统的比较研究,提出基于支持向量数据描述算法和支持向量机常规多类分类算法相结合的故障诊断方法,建立多故障分类器模型,结合实验数据进行仿真和实验研究,并与传统的多类分类算法进行了实验对比研究,在相同的实验环境下对所有样本完成模型训练和测试分类,识别率提高6％左右,运行时间缩短0.8s左右,该结果表明提出方法的可行性和优越性。 提出一种支持向量机故障分类器核函数参数优化选择新方法。针对核函数参数的选择会显著影响分类器的分类性能这一问题,在研究现有核函数参数优化选择方法的基础上,提出一种基于蚁群优化算法的故障分类器核函数参数优化新方法,分别在DIMDATA数据集和 DRVI转子实验台数据集下与常规几种参数搜索方法作实验对比研究,结果表明其对数据集的训练辨识率达到98.61%,测试识别率达到97.58%,性能均明显优于其它几种常规参数搜索方法。