基于核方法的故障診斷理論及其方法的研究

前言

隨著現代化大生產的不斷發(fā)展和科學技術的不斷進步，作為主要生產工具的機電設備正朝著大型化、復雜化、高速化和重載化以及結構復雜的機、電、液和計算機一體化方向發(fā)展，使生產系統(tǒng)的規(guī)模越來越大，結構越來越復雜，性能指標要求越來越高，相互之間的作用和耦合越來越強。由于這些設備是現代連續(xù)生產過程中的關鍵環(huán)節(jié)，一旦因故障停機，會帶來巨大的經濟損失和不良的社會影響，因此，關于此類設備的狀態(tài)監(jiān)測和故障診斷技術的研究正日益受到高度的重視。從系統(tǒng)分析觀點出發(fā)，故障診斷可以理解為識別機電設備運行狀態(tài)的科學，也就是說利用一定的檢測方法和監(jiān)視診斷手段，從所檢測的信息特征判別系統(tǒng)的工況狀態(tài)。因此故障診斷問題，就其實質來說，是一種模式分類問題。診斷對象的高度復雜性是故障診斷的特點，其表現為非線性、時變性普遍存在，機理分析困難。這些都造成了故障診斷技術正向智能化診斷方向發(fā)展，強調在概念和處理問題方法上的知識化，因而，一個智能診斷系統(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，特別是有關診斷對象本身的專門知識。當前智能故障診斷中存在的一個突出問題就在于系統(tǒng)擁有的知識量很少，國內外發(fā)展的幾種智能診斷方法都存在知識獲取的瓶頸問題。通常，大型復雜機電設備的故障診斷系統(tǒng)可以獲取大量的正常狀態(tài)樣本數據，但所獲取的故障特征數據的樣本數量則往往極為有限，從而導致故障識別系統(tǒng)中用于訓練的樣本數據很不完全。然而，Vapnik等針對有限樣本下的機器學習問題的研究成果——統(tǒng)計學習理論與支持向量機（SVM），在解決小樣本、非線性以及高維模式識別問題中表現出許多優(yōu)勢，為機械故障診斷系統(tǒng)中的此類識別問題提供了一種較好的處理方法。支持向量機的實質其實就是核方法，該方法最終使得研究人員能夠高效地分析非線性關系，而這種高效率原來只有線性算法才能夠達到。

內容概要

本書的主要內容是基于核的機器學習的理論和方法研究及其應用，正文中所提出的和改進的學習算法屬于基于核的機器學習范疇，且分別屬于監(jiān)督學習和非監(jiān)督學習。其中第3、4、5章為非監(jiān)督學習的單值的支持向量機（SVR）內容；第2章及第6、7章為監(jiān)督學習的基于最小風險的SVM系統(tǒng)部件故障診斷，基于SVR模型預測以解決整體系統(tǒng)故障診斷；第8章核矩陣的逼近可以作為一種樣本預處理技術，應用于基于核的機器學習算法。本書對主要的方法均給出了理論證明，關鍵的算法配套有開發(fā)的程序（見附錄）。    本書可供自動化、信息、測控、機電一體化等學科的研究生選用或參考，并可作為相關專業(yè)技術人員的參考書。

作者簡介

杜京義，男，1965年12月出生，1987年于西安理工大學畢業(yè)獲得工學學士學位，l999年于西安理工大學碩士畢業(yè)獲得工學碩士學位，2007年于西安科技大學畢業(yè)獲得安全技術與工程博士學位，現為西安科技大學教授，電控學院自動化系主任及國家特色專業(yè)——自動化專業(yè)帶頭人，同時兼任陜西省自動化學會副秘書長。主要研究方向為信號處理、智能控制安全技術與工程。發(fā)表學術論文40余篇，其中EI收錄20余篇，出版專著及教材3部。主持完成多項科研項目，獲省廳級科技進步獎3項。侯媛彬：女，1953年11月出生，1977年于西安交通大學本科畢業(yè)，1987年于西安科技大學碩士畢業(yè)獲得工學碩士學位，1997年于西安交通大學博士畢業(yè)獲得系統(tǒng)工程博士學位.現為西安科技大學教授、博士生導師，電控學院學科主任，兼任陜西省自動化學會教育委員會主任。主要研究方向為智能控制，安全技術與工程。發(fā)表學術論文100余篇，其中El收錄40余篇，出版專著及教材11部。主持完成省廳級科研項目9項，獲省廳級科技進步獎6項。

書籍目錄

第1章  核方法及其研究基礎　1.1  核函數的定義　1.2  正則化與表述定理　1.3  幾種核學習機　1.4  核方法研究背景　1.5  故障智能診斷中的機器學習　1.6  核算法與故障診斷　1.7  研究內容第2章  基于最小風險的SVM方法的研究　2.1  引言　2.2  支持向量機　2.3  基于最小風險的SVM研究　2.4  仿真研究　2.5  實驗研究　2.6  本章小結第3章  單值SVM用于故障診斷　3.1  引言　3.2  單值支持向量機　3.3  模型分析及選擇研究　3.4  核函數的參數確定　3.5  基于單值SVM的故障診斷　3.6  本章小結第4章  單值SVM時間滾動式學習算法的研究　4.1  引言　4.2  支持向量特點分析　4.3  時間滾動式學習算法　4.4  液壓泵故障預警系統(tǒng)的設計　4.5  仿真實驗　4.6  本章小結第5章  基于單值SVM的多故障識別　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  實驗研究　5.5  本章小結第6章  基于SVR的早期故障預示研究　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參數選擇　6.5  基于SVR的故障預測　6.6  本章小結第7章  混沌背景中微弱信號檢測　7.1  引言　7.2  基于SVR的微弱信號檢測　7.3  仿真實驗　7.4  本章小結第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  實驗研究　8.5  本章小結第9章  結論與展望　9.1  內容總結　9.2  展望附錄  開發(fā)的相關SVM程序參考文獻

章節(jié)摘錄

插圖：包括模式識別、人工神經網絡等在內，現有機器學習方法共同的重要理論基礎之一是統(tǒng)計學，傳統(tǒng)統(tǒng)計學所研究的主要是漸進理論，即當樣本數趨向于無窮大時的統(tǒng)計性質。但在故障診斷領域，特征知識的獲取具有一定的約束，樣本的數目往往是有限的，甚至是小樣本的，故障與征兆之間常常呈現出本質非線性。因此，我們希望尋求一種學習方法，能夠在有限的樣本數據下盡可能地發(fā)現其中蘊含的知識。強調學習方法具有較強的推廣能力，即對符合某規(guī)律，但沒有學習過的樣本也能給出合理的結論，這正是學習機器體現其智能性的最為重要的一個方面。雖然直到目前，人工神經網絡仍是解決非線性問題的一個有力的工具，但它是一種經驗非線性方法，這種方法利用已知樣本建立非線性模型，但當樣本數有限時，即使訓練效果良好的一個算法結構也可能表現出很差的推廣能力，即產生了所謂的“過學習”。Vapnik等人從20世紀60年代開始就致力于統(tǒng)計學習理論的研究，到20世紀90年代中期，隨著其理論的不斷發(fā)展和成熟，也由于人工神經網絡等學習方法在理論上缺乏實質性進展，統(tǒng)計學習理論開始受到越來越廣泛的重視。與傳統(tǒng)統(tǒng)計學相比，SLT是一種專門研究小樣本情況下機器學習規(guī)律的理論。該理論針對小樣本統(tǒng)計問題建立了一套新的理論體系，在這種體系下的統(tǒng)計推理規(guī)則，不僅考慮了對漸近性能的要求，而且追求在現有有限信息的條件下得到最優(yōu)結果。以支持向量機（SVM）為代表的核算法（機器）¨¨馴是近10年來機器學習領域最有影響力的成果之一，它是基于統(tǒng)計學習理論和核技術建立的。SVM包含4大技術：①大間隔思想或正則化技術，依據結構風險最小化原則，以獲得較好的推廣能力；②核技術，利用滿足Mercer條件的核函數實現線性算法的非線性化；③凸優(yōu)化技術，算法最終將轉化成為標準的最優(yōu)化問題或凸二次規(guī)劃，從理論上說，得到的將是全局最優(yōu)點；④稀疏對偶表示，結果得到可用于訓練點和測試點求解的高效算法。這4大技術中最先得到研究人員青睞的是核技術，這是一種非常有效的設計非線性算法的數學手段。隨后，很多研究人員利用核技術改造經典的線性算法，得到相應的基于核函數的非線性形式，簡稱為核算法或核機器。

編輯推薦

《基于核方法的故障診斷理論及其方法的研究》：燕園科技學術文庫

圖書封面

評論、評分、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

---