基于核方法的故障診斷理論及其方法的研究

前言

隨著現(xiàn)代化大生產(chǎn)的不斷發(fā)展和科學(xué)技術(shù)的不斷進(jìn)步，作為主要生產(chǎn)工具的機(jī)電設(shè)備正朝著大型化、復(fù)雜化、高速化和重載化以及結(jié)構(gòu)復(fù)雜的機(jī)、電、液和計(jì)算機(jī)一體化方向發(fā)展，使生產(chǎn)系統(tǒng)的規(guī)模越來(lái)越大，結(jié)構(gòu)越來(lái)越復(fù)雜，性能指標(biāo)要求越來(lái)越高，相互之間的作用和耦合越來(lái)越強(qiáng)。由于這些設(shè)備是現(xiàn)代連續(xù)生產(chǎn)過(guò)程中的關(guān)鍵環(huán)節(jié)，一旦因故障停機(jī)，會(huì)帶來(lái)巨大的經(jīng)濟(jì)損失和不良的社會(huì)影響，因此，關(guān)于此類設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)的研究正日益受到高度的重視。從系統(tǒng)分析觀點(diǎn)出發(fā)，故障診斷可以理解為識(shí)別機(jī)電設(shè)備運(yùn)行狀態(tài)的科學(xué)，也就是說(shuō)利用一定的檢測(cè)方法和監(jiān)視診斷手段，從所檢測(cè)的信息特征判別系統(tǒng)的工況狀態(tài)。因此故障診斷問(wèn)題，就其實(shí)質(zhì)來(lái)說(shuō)，是一種模式分類問(wèn)題。診斷對(duì)象的高度復(fù)雜性是故障診斷的特點(diǎn)，其表現(xiàn)為非線性、時(shí)變性普遍存在，機(jī)理分析困難。這些都造成了故障診斷技術(shù)正向智能化診斷方向發(fā)展，強(qiáng)調(diào)在概念和處理問(wèn)題方法上的知識(shí)化，因而，一個(gè)智能診斷系統(tǒng)的診斷能力也就在極大程度上取決于該系統(tǒng)擁有的知識(shí)，特別是有關(guān)診斷對(duì)象本身的專門(mén)知識(shí)。當(dāng)前智能故障診斷中存在的一個(gè)突出問(wèn)題就在于系統(tǒng)擁有的知識(shí)量很少，國(guó)內(nèi)外發(fā)展的幾種智能診斷方法都存在知識(shí)獲取的瓶頸問(wèn)題。通常，大型復(fù)雜機(jī)電設(shè)備的故障診斷系統(tǒng)可以獲取大量的正常狀態(tài)樣本數(shù)據(jù)，但所獲取的故障特征數(shù)據(jù)的樣本數(shù)量則往往極為有限，從而導(dǎo)致故障識(shí)別系統(tǒng)中用于訓(xùn)練的樣本數(shù)據(jù)很不完全。然而，Vapnik等針對(duì)有限樣本下的機(jī)器學(xué)習(xí)問(wèn)題的研究成果——統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)（SVM），在解決小樣本、非線性以及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多優(yōu)勢(shì)，為機(jī)械故障診斷系統(tǒng)中的此類識(shí)別問(wèn)題提供了一種較好的處理方法。支持向量機(jī)的實(shí)質(zhì)其實(shí)就是核方法，該方法最終使得研究人員能夠高效地分析非線性關(guān)系，而這種高效率原來(lái)只有線性算法才能夠達(dá)到。

內(nèi)容概要

本書(shū)的主要內(nèi)容是基于核的機(jī)器學(xué)習(xí)的理論和方法研究及其應(yīng)用，正文中所提出的和改進(jìn)的學(xué)習(xí)算法屬于基于核的機(jī)器學(xué)習(xí)范疇，且分別屬于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。其中第3、4、5章為非監(jiān)督學(xué)習(xí)的單值的支持向量機(jī)（SVR）內(nèi)容；第2章及第6、7章為監(jiān)督學(xué)習(xí)的基于最小風(fēng)險(xiǎn)的SVM系統(tǒng)部件故障診斷，基于SVR模型預(yù)測(cè)以解決整體系統(tǒng)故障診斷；第8章核矩陣的逼近可以作為一種樣本預(yù)處理技術(shù)，應(yīng)用于基于核的機(jī)器學(xué)習(xí)算法。本書(shū)對(duì)主要的方法均給出了理論證明，關(guān)鍵的算法配套有開(kāi)發(fā)的程序（見(jiàn)附錄）。    本書(shū)可供自動(dòng)化、信息、測(cè)控、機(jī)電一體化等學(xué)科的研究生選用或參考，并可作為相關(guān)專業(yè)技術(shù)人員的參考書(shū)。

作者簡(jiǎn)介

杜京義，男，1965年12月出生，1987年于西安理工大學(xué)畢業(yè)獲得工學(xué)學(xué)士學(xué)位，l999年于西安理工大學(xué)碩士畢業(yè)獲得工學(xué)碩士學(xué)位，2007年于西安科技大學(xué)畢業(yè)獲得安全技術(shù)與工程博士學(xué)位，現(xiàn)為西安科技大學(xué)教授，電控學(xué)院自動(dòng)化系主任及國(guó)家特色專業(yè)——自動(dòng)化專業(yè)帶頭人，同時(shí)兼任陜西省自動(dòng)化學(xué)會(huì)副秘書(shū)長(zhǎng)。主要研究方向?yàn)樾盘?hào)處理、智能控制安全技術(shù)與工程。發(fā)表學(xué)術(shù)論文40余篇，其中EI收錄20余篇，出版專著及教材3部。主持完成多項(xiàng)科研項(xiàng)目，獲省廳級(jí)科技進(jìn)步獎(jiǎng)3項(xiàng)。侯媛彬：女，1953年11月出生，1977年于西安交通大學(xué)本科畢業(yè)，1987年于西安科技大學(xué)碩士畢業(yè)獲得工學(xué)碩士學(xué)位，1997年于西安交通大學(xué)博士畢業(yè)獲得系統(tǒng)工程博士學(xué)位.現(xiàn)為西安科技大學(xué)教授、博士生導(dǎo)師，電控學(xué)院學(xué)科主任，兼任陜西省自動(dòng)化學(xué)會(huì)教育委員會(huì)主任。主要研究方向?yàn)橹悄芸刂?，安全技術(shù)與工程。發(fā)表學(xué)術(shù)論文100余篇，其中El收錄40余篇，出版專著及教材11部。主持完成省廳級(jí)科研項(xiàng)目9項(xiàng)，獲省廳級(jí)科技進(jìn)步獎(jiǎng)6項(xiàng)。

書(shū)籍目錄

第1章  核方法及其研究基礎(chǔ)　1.1  核函數(shù)的定義　1.2  正則化與表述定理　1.3  幾種核學(xué)習(xí)機(jī)　1.4  核方法研究背景　1.5  故障智能診斷中的機(jī)器學(xué)習(xí)　1.6  核算法與故障診斷　1.7  研究?jī)?nèi)容第2章  基于最小風(fēng)險(xiǎn)的SVM方法的研究　2.1  引言　2.2  支持向量機(jī)　2.3  基于最小風(fēng)險(xiǎn)的SVM研究　2.4  仿真研究　2.5  實(shí)驗(yàn)研究　2.6  本章小結(jié)第3章  單值SVM用于故障診斷　3.1  引言　3.2  單值支持向量機(jī)　3.3  模型分析及選擇研究　3.4  核函數(shù)的參數(shù)確定　3.5  基于單值SVM的故障診斷　3.6  本章小結(jié)第4章  單值SVM時(shí)間滾動(dòng)式學(xué)習(xí)算法的研究　4.1  引言　4.2  支持向量特點(diǎn)分析　4.3  時(shí)間滾動(dòng)式學(xué)習(xí)算法　4.4  液壓泵故障預(yù)警系統(tǒng)的設(shè)計(jì)　4.5  仿真實(shí)驗(yàn)　4.6  本章小結(jié)第5章  基于單值SVM的多故障識(shí)別　5.1  引言　5.2  幾種常用的多類SVM方法　5.3  基于單值SVM的多值分類　5.4  實(shí)驗(yàn)研究　5.5  本章小結(jié)第6章  基于SVR的早期故障預(yù)示研究　6.1  引言　6.2  支持向量回歸　6.3  SVR性能分析研究　6.4  基于遺傳算法的SVR參數(shù)選擇　6.5  基于SVR的故障預(yù)測(cè)　6.6  本章小結(jié)第7章  混沌背景中微弱信號(hào)檢測(cè)　7.1  引言　7.2  基于SVR的微弱信號(hào)檢測(cè)　7.3  仿真實(shí)驗(yàn)　7.4  本章小結(jié)第8章  核矩陣的逼近　8.1  引言　8.2  核矩陣的逼近　8.3  貪心算法　8.4  實(shí)驗(yàn)研究　8.5  本章小結(jié)第9章  結(jié)論與展望　9.1  內(nèi)容總結(jié)　9.2  展望附錄  開(kāi)發(fā)的相關(guān)SVM程序參考文獻(xiàn)

章節(jié)摘錄

插圖：包括模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)等在內(nèi)，現(xiàn)有機(jī)器學(xué)習(xí)方法共同的重要理論基礎(chǔ)之一是統(tǒng)計(jì)學(xué)，傳統(tǒng)統(tǒng)計(jì)學(xué)所研究的主要是漸進(jìn)理論，即當(dāng)樣本數(shù)趨向于無(wú)窮大時(shí)的統(tǒng)計(jì)性質(zhì)。但在故障診斷領(lǐng)域，特征知識(shí)的獲取具有一定的約束，樣本的數(shù)目往往是有限的，甚至是小樣本的，故障與征兆之間常常呈現(xiàn)出本質(zhì)非線性。因此，我們希望尋求一種學(xué)習(xí)方法，能夠在有限的樣本數(shù)據(jù)下盡可能地發(fā)現(xiàn)其中蘊(yùn)含的知識(shí)。強(qiáng)調(diào)學(xué)習(xí)方法具有較強(qiáng)的推廣能力，即對(duì)符合某規(guī)律，但沒(méi)有學(xué)習(xí)過(guò)的樣本也能給出合理的結(jié)論，這正是學(xué)習(xí)機(jī)器體現(xiàn)其智能性的最為重要的一個(gè)方面。雖然直到目前，人工神經(jīng)網(wǎng)絡(luò)仍是解決非線性問(wèn)題的一個(gè)有力的工具，但它是一種經(jīng)驗(yàn)非線性方法，這種方法利用已知樣本建立非線性模型，但當(dāng)樣本數(shù)有限時(shí)，即使訓(xùn)練效果良好的一個(gè)算法結(jié)構(gòu)也可能表現(xiàn)出很差的推廣能力，即產(chǎn)生了所謂的“過(guò)學(xué)習(xí)”。Vapnik等人從20世紀(jì)60年代開(kāi)始就致力于統(tǒng)計(jì)學(xué)習(xí)理論的研究，到20世紀(jì)90年代中期，隨著其理論的不斷發(fā)展和成熟，也由于人工神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法在理論上缺乏實(shí)質(zhì)性進(jìn)展，統(tǒng)計(jì)學(xué)習(xí)理論開(kāi)始受到越來(lái)越廣泛的重視。與傳統(tǒng)統(tǒng)計(jì)學(xué)相比，SLT是一種專門(mén)研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論。該理論針對(duì)小樣本統(tǒng)計(jì)問(wèn)題建立了一套新的理論體系，在這種體系下的統(tǒng)計(jì)推理規(guī)則，不僅考慮了對(duì)漸近性能的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。以支持向量機(jī)（SVM）為代表的核算法（機(jī)器）¨¨馴是近10年來(lái)機(jī)器學(xué)習(xí)領(lǐng)域最有影響力的成果之一，它是基于統(tǒng)計(jì)學(xué)習(xí)理論和核技術(shù)建立的。SVM包含4大技術(shù)：①大間隔思想或正則化技術(shù)，依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，以獲得較好的推廣能力；②核技術(shù)，利用滿足Mercer條件的核函數(shù)實(shí)現(xiàn)線性算法的非線性化；③凸優(yōu)化技術(shù)，算法最終將轉(zhuǎn)化成為標(biāo)準(zhǔn)的最優(yōu)化問(wèn)題或凸二次規(guī)劃，從理論上說(shuō)，得到的將是全局最優(yōu)點(diǎn)；④稀疏對(duì)偶表示，結(jié)果得到可用于訓(xùn)練點(diǎn)和測(cè)試點(diǎn)求解的高效算法。這4大技術(shù)中最先得到研究人員青睞的是核技術(shù)，這是一種非常有效的設(shè)計(jì)非線性算法的數(shù)學(xué)手段。隨后，很多研究人員利用核技術(shù)改造經(jīng)典的線性算法，得到相應(yīng)的基于核函數(shù)的非線性形式，簡(jiǎn)稱為核算法或核機(jī)器。

編輯推薦

《基于核方法的故障診斷理論及其方法的研究》：燕園科技學(xué)術(shù)文庫(kù)

圖書(shū)封面

評(píng)論、評(píng)分、閱讀與下載

---

    基于核方法的故障診斷理論及其方法的研究 PDF格式下載

---