模糊支持向量机及其在故障诊断中的应用

论文摘要

支持向量机(support vector machine, SVM)是一类新型机器学习方法,它能够非常成功地处理分类和回归问题。但是,客观世界存在着大量的不确定性信息,如果支持向量机的训练集中含有不确定性信息,那么标准的支持向量机模型将无能为力。针对训练样本含有不确定信息和SVM求解二次规划费时的问题,本文用最小二乘支持向量机代替传统的SVM,把模糊理论与支持向量机集成,通过引入模糊隶属度函数,建立了模糊最小二乘支持向量回归机(fuzzy least square vector machine, FLS_SVM)模型,并将其应用到故障诊断中。针对模糊隶属度函数的构建问题,主要工作如下:1.研究基于样本空间隶属度函数模型。由于训练样本受噪声影响时,其回归性能也将受到影响。因此,可以根据训练样本点远离回归曲线的程度,赋予每个样本不同的隶属度值,以抑制噪声对支持向量机训练的影响。2.研究基于核空间模糊隶属度函数模型。上面介绍的方法是在原始空间确定模糊隶属函数的,当把原始空间中的样本映射到高维空间,由于在构造超平面时所起的作用是不同的,因此也可以通过样本在核空间的贡献大小的不同来确定隶属度。采用以上两种确定隶属度函数的方法构建FLS_SVM模型,并将该模型应用到对飞行控制系统速率传感器的故障诊断中。对FLS_SVM进行离线训练,用训练好的模型模拟系统的动态特性,并将其在线应用;将模型输出结果和实际系统输出相比较,根据残差进行故障诊断,并以偏航角速率传感器故障诊断为例进行了仿真研究。实验结果表明,两种FLS_SVM方法都能够高精度的模拟系统动态特性,能够及时诊断出传感器故障,验证了该方法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 故障诊断方法概述
• 1.2.1 一般的故障诊断方法
• 1.2.2 智能故障诊断方法
• 1.3 支持向量机与故障诊断
• 1.3.1 支持向量机的产生
• 1.3.2 模糊支持向量机的优点
• 1.3.3 模糊支持向量机在故障诊断中的研究现状
• 1.4 本文研究内容
• 第2章 支持向量机的基本理论
• 2.1 概述
• 2.2 支持向量分类机
• 2.2.1 分类问题的描述
• 2.2.2 支持向量机分类原理
• 2.3 支持向量回归机
• 2.3.1 回归问题的描述
• 2.3.2 支持向量机回归原理
• 2.4 支持向量机的特点
• 2.5 最小二乘支持向量回归机
• 2.5.1 最小二乘支持向量机基本原理
• 2.5.2 LS-SVM 与SVM 性能比较
• 2.6 小结
• 第3章 模糊支持向量机的算法研究
• SVM 回归方法'>3.1 基于模糊隶属度的LS_SVM 回归方法
• 3.2 模糊隶属度的功能分析
• 3.3 基于样本空间的模糊隶属度函数模型
• 3.3.1 模糊隶属度的确定
• SVM 回归模型的建立'>3.3.2 FLS_SVM 回归模型的建立
• 3.3.3 仿真验证
• 3.4 基于核空间模糊隶属度函数模型
• 3.4.1 核函数
• 3.4.2 模糊隶属度的确定
• 3.4.3 仿真验证
• 3.5 小结
• SVM 对飞控系统速率传感器的故障诊断'>第4章 FLS_SVM 对飞控系统速率传感器的故障诊断
• 4.1 传感器的典型故障
• 4.2 传感器故障诊断方法评述
• SVM 对速率传感器故障诊断的基本步骤'>4.3 FLS_SVM 对速率传感器故障诊断的基本步骤
• 4.3.1 实验数据采集
• 4.3.2 训练集样本的建立
• 4.3.3 数据归一化处理
• 4.3.4 核函数及模型参数选择
• 4.3.5 预测器模型的建立
• 4.4 小结
• SVM 在速率传感器故障诊断中的仿真与研究'>第5章 FLS_SVM 在速率传感器故障诊断中的仿真与研究
• SVM 速率传感器故障诊断'>5.1 基于样本空间模糊隶属度的LS_SVM 速率传感器故障诊断
• SVM 速率传感器故障诊断'>5.2 基于核空间模糊隶属度的LS_SVM 速率传感器故障诊断
• 5.3 小结
• 结论
• 附录Ⅰ模糊隶属度计算程序清单
• 参考文献
• 致谢
• 攻读硕士期间发表（含录用）的学术论文