基于粗糙集和支持向量机的智能故障诊断方法研究

论文摘要

随着控制理论、信号处理、人工智能、模式识别等学科技术的发展,故障诊断技术也在不断朝着智能化的方向发展。各国都开展了这方面的研究,并且取得了丰富的研究成果。目前智能故障诊断面临的主要难题是典型故障样本的严重不足以及诊断知识的发现问题,这两者都制约着故障诊断的发展,支持向量机和粗糙集理论为这些问题的解决提供了很好的途径。本文以支持向量机在故障诊断应用中需要解决的关键问题为主线,在基于粗糙集理论的连续属性离散化、故障样本的属性约简、故障分类器模型的建立等方面进行了较为系统、深入的研究。完成的主要内容如下:1.粗糙集理论是一种基于离散数据进行处理的方法,为此提出了一种基于区间数据分布特征的连续属性离散化的方法。该方法在断点的选择上考虑了属性值的出现频率,在区间内的一致性和区间之间的差异性基础上,利用条件信息量作为反馈信息合并区间,使得属性拥有较少的分割点,使规则集合更加简洁。2.提出了一种基于差别矩阵的启发式属性约简算法。该算法在综合考虑了所选择条件属性与决策属性的互信息及条件属性的取值分布情况的基础上,从信息论角度定义了一种新的属性重要性度量参数,并将其作为基于差别矩阵属性约简的启发式信息,获得了比较理想的约简结果。3.一般支持向量机只能解决两分类的问题,但是在实际的情况中往往多数是多值分类的问题。本文对支持向量机的两分类以及多分类算法的实现进行了研究,通过仿真分析比较了不同多分类方法的性能及特点。4.为了提高故障诊断的效率和可靠性,把粗糙集理论和支持向量机相结合,建立了基于粗糙集和支持向量机故障诊断模型,应用于柴油机的故障诊断中,得到了满意的诊断效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的背景及意义
• 1.2 智能故障诊断概述
• 1.3 支持向量机在故障诊断中的研究现状
• 1.4 粗糙集在故障诊断中的研究现状
• 1.5 本文主要研究内容
• 第二章 粗糙集中连续属性的离散化
• 2.1 引言
• 2.2 粗糙集理论概述
• 2.2.1 知识的含义与表示
• 2.2.2 不精确范畴和近似集
• 2.2.3 属性的依赖性和重要性
• 2.2.4 属性约简与决策规则
• 2.3 连续属性的离散化
• 2.3.1 问题的描述
• 2.3.2 常用的离散化方法
• 2.4 基于区间数据分布特征的离散化方法
• 2.4.1 断点选择及区间合并
• 2.4.2 算法的实现步骤
• 2.4.3 实例分析与比较
• 2.5 本章小结
• 第三章 数据的属性约简算法研究
• 3.1 引言
• 3.2 约简的基本算法
• 3.3 基于属性重要度的约简
• 3.3.1 属性重要度的计算
• 3.3.2 约简算法
• 3.4 基于差别矩阵的启发式约简算法
• 3.4.1 差别矩阵
• 3.4.2 启发式约简算法
• 3.4.3 实例分析与比较
• 3.5 本章小结
• 第四章 支持向量分类机
• 4.1 引言
• 4.2 统计学习理论与支持向量机
• 4.2.1 VC 维
• 4.2.2 推广性的界
• 4.2.3 结构风险最小化
• 4.2.4 核函数
• 4.3 支持向量机的两分类问题
• 4.3.1 线性情形
• 4.3.2 非线性情形
• 4.4 支持向量机的多分类问题
• 4.4.1 一对一方法
• 4.4.2 一对余方法
• 4.4.3 决策导向无环图
• 4.4.4 多分类算法性能分析
• 4.4.5 仿真比较
• 4.5 本章小结
• 第五章 基于粗糙集和支持向量机的柴油机故障诊断
• 5.1 引言
• 5.2 诊断模型的建立
• 5.2.1 基本思想
• 5.2.2 方法与步骤
• 5.3 柴油机故障诊断分析
• 5.3.1 信号的获取
• 5.3.2 故障特征提取
• 5.3.3 分类器的构造及实验分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文