论文部分内容阅读
在基于支持向量数据描述(SVDD)的故障诊断中,往往随着故障数据的不断增加而不断地进行再训练以调整诊断模型,浪费了大量时间。为了解决这一问题,提出一种新的SVDD增量学习算法。该方法在深入分析训练结果与数据样本的关系,多次利用KKT条件,对样本进行筛选,最终选择出影响最终结果的少量训练样本。通过实际电路故障提取采集数据并诊断,所得结果表明该算法可以选择出所有影响结果的相关样本,保证了准确率并避免了大量样本训练,节省了时间。