SVM和FCM相结合的故障诊断方法的研究

论文摘要

对于复杂系统的故障诊断问题,采用智能信息处理技术是现今故障诊断技术发展的必然与研究的热点。本文对FCM与SVM相结合的故障诊断方法进行了分析和研究。本文研究的主要内容有:第一,模糊聚类分析是故障诊断的重要方法之一,本文系统的研究了广泛应用的模糊C均值聚类算法,针对传统的模糊等价关系的传递闭包法和基于模糊划分的模糊C均值算法存在“传递偏差”和对初始值敏感的问题,提出了一种混合模糊聚类法,即将基于模糊等价关系的传递闭包法与基于模糊划分的FCM聚类法相结合的方法,该方法不仅可以对单一故障进行诊断,还可以对多种故障同时进行诊断,较好的克服了传统模糊聚类法诊断故障只能对单一故障诊断的缺陷;同时该方法也克服了传递闭包法中因“传递偏差”带来的漏诊现象。第二,由于故障诊断领域本身所具有的模糊性,采用模糊理论来表达这个问题是再恰当不过了。因此,本文深入分析了模糊支持向量机(FSVM)技术的算法及理论基础,采用模糊C均值方法,对每个输入样本增加一个模糊隶属度,使得普通的支持向量机变成模糊支持向量机,得到不同的最优超平面,并将其应用于汽轮发电机组振动故障诊断中。第三,为了避免传统的多分类中一对一与一对多产生的拒绝分类情况,本文对基于决策树思想的分级聚类的方法进行探讨与分析,具体研究了基于模糊支持向量机多级二叉树(FSMBTC算法)的多类SVM算法, FSMBTC算法包含了粗分和细分两个过程,即先用模糊聚类技术对样本进行粗分,然后再用SVM对样本实现精细分类。理论证明FSMBTC算法不仅可以加快计算速度而且还不存在不可分区域问题。为验证该算法的实用性,本文将其应用于某滚动轴承的故障诊断中,取得了较好的效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景及意义
• 1.2 故障诊断技术的现状
• 1.3 智能故障诊断技术及其发展趋势
• 1.4 论文的研究工作及组织安排
• 2 模糊聚类分析
• 2.1 模糊集的基本概念
• 2.2 基于模糊等价关系的动态聚类法
• 2.3 基于模糊相似关系的聚类分析法
• 2.3.1 编网法
• 2.3.2 最大树法
• 2.4 基于目标函数模糊C-均值聚类算法
• 2.5 混合模糊聚类法在故障诊断中的应用
• 2.5.1 应用于汽轮发电机组振动故障诊断的实例
• 2.5.2 混合故障诊断方法与步骤
• 2.6 结论
• 3 支持向量机的基本理论
• 3.1 支持向量机的理论基础
• 3.1.1 经验风险最小化（ERM）原则
• 3.1.2 结构风险最小原则
• 3.2 支持向量机
• 3.2.1 最优分类超平面
• 3.2.2 支持向量分类机
• 3.3 核函数及其作用
• 3.4 小结
• 4 基于FSVM 的分类算法及其在故障诊断中的应用
• 4.1 引言
• 4.2 模糊支持向量机（FSVM）
• 4.3 隶属度功能分析及其确定
• 4.3.1 隶属度功能分析
• 4.3.2 隶属度的确定
• 4.4 实验
• 4.5 小结
• 5 多类支持向量机算法
• 5.1 引言
• 5.2 SVM 的多类分类
• 5.2.1 一对一（one-against-one）多类分类方法
• 5.2.2 一对多（one-against-all）多类分类方法
• 5.2.3 有向无环图SVM 分类（Directed Acyclic Graph）
• 5.3 分级聚类支持向量机
• 5.3.1 基本思想
• 5.3.2 模糊支持向量机多级二叉树分类器
• 5.4 基于SVM 的故障诊断
• 5.5 基于FSMBTC 算法的故障诊断实验
• 5.5.1 实验步骤
• 5.5.2 记忆能力测试
• 5.6 小结
• 6 总结与展望
• 6.1 本文工作总结
• 6.2 进一步展望
• 致谢
• 参考文献
• 攻读学位期间发表的论文
• 附录A
• 附录B
• 附录C