博乐彩票

减速机
  • 基于 1一DISVM 的聚类模型及直升机齿轮箱故障诊 断应用
  • 发布时间:2013-11-29
  • 基于 1DISVM 的聚类模型及直升机齿轮箱故障诊 断应用

    :针 对当 前故障诊 断中存在的训练样本 少、知 识难 获取 的问题 .结 SVM 小样本学 习的特点 ,提出一

    种基 SVM 自学习聚类 模型 。通过改进无监督 1SVM 法上的不 足,形成一 种改进决策 ISVM(I_I)Is

    VM)算法 ,由此构建 r多模式 训练与 分类 算法 ,并设 计出基 11)ISVM 自学 聚类模 。最后对 其进行

    仿真验证.并应川十直升机齿轮箱的故障诊断 .结果表明该方法能从少量样本中自学习输入模式的l』、l存规律,

    向适应地对 未知故障模式进 行准确地分类 识别

    关键词 :故障 诊断 ;聚类 ;支持 向量机 ;无监督学习

    中图分类号 TH1653()235 文献标识码 A

    AbstractTo solvethe problemsofinsufficientfauhsamplesand diagnosisknowledgeand according to the

    meritofSupportVectorM achines (SV M )thalca1"1be lrained with smallsam pleaSVM based unsupervised

    clustering modelis presented By modifying the decisionfunction ofOneGlassSupportVectorM achine (1

    SVM )which hastheabilitvto findoutliersfrom adatasetwithoutanyclassofinformation butrarely isap

    plied tO patternrecognitionforitsalgorithm limitSaDecisionImproved ISVM (11)ISVM )isformedBased

    on itnmhipattern training and classing method isdesignedthen an unsupervised clustering modeliscon

    structedThesimulation and diagnosticexperimentresultsofahelicopterSgearboxshow thatthisclustering

    modelCallnotonly recognizetheunknownfauh patternsadaptivelyand preciselybutalso learnthenatureof

    theinputpatternsfrom smallsamplesand diagnosethefaultssuccessfully

    Key wordsfaultdiagnosisc[usteringsupportvectormachineunsupervised learning

    直升机故障诊 断技术正 向智能化方向发展

    国内外的研究主要有 基于规则 的、基于模型的和

    摹于事例的诊断 ,这些方法都存在一个知识难获

    取的瓶颈问题 。而另一方面,几乎所有的关键设

    备都配有规模不等的状态监测 系统 ,所收集到的

    大量历史监测数据 ,真实地记录了设备整个运行

    历程中的所有重要信息。如果诊断系统拥有 自学

    能力,能对设备状态信息进行无监督学习,从中发

    现潜在有用的模式 ,进而形成相应的诊断知识 ,那

    ,就可以监测和识别未知的状态异常和故障 ]

    状态监测系统可以获取大量的正常状态样本

    数据 ,但所获取的故障样本数量则往往极为有限,

    使得故障识别系统 中用于训练的样本数据很不完

    Vapnik等提 的支 向量 (Supportgee

    torMachineSVM)建立在小样本机器统计学

    理论基础上 ,在解决小样本 、非线性以及高维模式

    收稿 日期 20041213;修订 日期 20050418

    基金项 目:陶家 自然科学基金(50375153)资助项

    识别问题 中表现 出许多优势l1],为故障诊 断系

    统中的此类识别 问题 提供 了一 种较好的处理方

    ]

    如果能对 SVM 以改进和 发展,使之 既具

    有小样本学习的优点 ,又有无监督学习的能力 ,将

    为提高监测系统 的性能、解决知识获取难 问题提

    供一种新 的手段。但 SVM 的研究主要集 中在有

    监督学习方法上 ,它们只能处理 有标定数据 J

    Bernhard Sch61kopf OneClass

    SVM(1SVM)为代表的无监督学习 SVM 研究则

    还处于起步阶段 ,算法上还存在不足 ,不具备多模

    式学习与识别能力 ,现 主要用于数据的异常点检

    和孤 立点 发现 方面

    因此,本文就如何改进 1_SVM 算法,提高其

    模式分类能力 ,并 由此构建基 SVM 的无监督

    聚类模型进行研究 ,以期能在无先验分类知识

    情况下,通过模型本身从小样本数据中学 习其

    在的规律和本质属性 ,对数据集进行 自适应聚类

    维普资讯 http://www.cqvip.com 27

    实现多模式 自动识别

    1 1-SVM 的基本算法与不足

    (1)1-SVM 的基本算法 给定 未标定训

    数据 X 一, X,其 中大部分具备某种特性 ,很

    小部分属于孤立点,1SVM 就是要找到一个 函数

    /’( ),在上述数据集中大部分数据 ( ) +1

    在孤立点 (X)取一1。其思路是通过核 函数 ,将

    输入空间变换到高维特征空间,然后在特征 空间

    中寻找一个最优分类面,任一点的 ( ) 由其落

    在分类面的两侧来 决定 。同 C-SVM 类似 ,这个

    问题的解 由以下优化问题决定

    1 1

    Pm}iR p R u lI+1 P (1)

    其约束条件为[ ·中( )]p ,,≥O

    叫,P是此优化问题 的解 ,则决策函数为

    () sgn[-(o~· ( )p] (2)

    对数据集 中的大多数点 ,厂( )取值 应为正

    且要求 iiii必须小

网站首页  |  关于瑞德森  |  新闻资讯  |  产品展示  |  在线下载  |   客户案例  |   在线留言  |  联系我们
Copyright 2012-2017 www.parkstages.com   博乐彩票www.parkstages.com版权所有:辽宁瑞德森机械设备限公司(沈阳)   辽ICP备17005543号

联系电话:024-85631838 传真:024-25117765 联系地址:辽宁省沈阳市铁西云峰北街62号