学位论文 > 优秀研究生学位论文题录展示

基于集成学习的故障诊断方法研究

作　者: 田智辉
导　师: 王江萍
学　校: 西安石油大学
专　业: 机械电子工程
关键词: 集成学习 支持向量机 故障诊断 柴油机 齿轮箱
分类号: TP181
类　型: 硕士论文
年　份: 2013年
下　载: 4次
引　用: 0次
阅　读: 论文下载
 

内容摘要


机器学习是人工智能最具智能特征和最前沿的研究领域之一。基于统计学习理论的支持向量机是非常典型的一种机器学习方法，它较好地解决了以往许多学习方法中小样本、非线性和高维数等实际难题，并克服了神经网络等学习方法中网络结构难以确定、收敛速度慢、局部极小点、过学习与欠学习等不足，可以使在小样本情况下建立的分类器具有很强的推广能力。但是面对大规模故障样本数据，支持向量机在小样本空间中较好的性能又难以得到发挥。因此，集成学习的提出为我们开辟了新的途径。本文旨在研究基于集成学习的故障诊断方法，以支持向量机作为子学习器，通过多个子学习器的集成来解决机械故障诊断的问题。分析了集成学习技术及其相关算法，研究了支持向量机子学习器的构成，以AdaBoost集成算法为基础，构造了基于支持向量机的集成学习方法，并将此方法应用到机械故障诊断中。文中针对柴油机和齿轮箱两种不同机械设备，监测在不同的运行状态下的振动信号，应用动态指标法和小波包能量法两种方法分别提取机器振动信号的动态指标和小波包能量，以此两类特征向量分别输入到多个子学习器对各故障类型进行初步诊断，各子学习器初步诊断结果输入到集成学习构造的强分类器对机器运动状态做最终判断。通过对柴油机8种故障类型和齿轮箱4种故障类型的诊断分析，说明本文提出的方法是可行的，即由集成学习构造的强分类器分类结果明显优于单个分类器分类结果，表明集成学习方法显著提高了系统的泛化能力。结果也显示出，运用动态指标法提取的特征值在柴油机中的应用明显优于小波包能量法，齿轮箱中动态指标法略好于小波包能量法。文中对集成学习也做了相关的引伸，通过实验验证了“选择性集成”的设想，即选择部分进行集成可能比全部个体学习器集成效果更好。

全文目录


摘要  3-4
ABSTRACT  4-7
第一章 引言  7-11
  1.1 研究的目的及意义  7-8
  1.2 国内外现状  8-10
  1.3 论文的内容与结构  10-11
第二章 集成学习方法的分析与研究  11-18
  2.1 集成学习方法的主要内容  11-14
    2.1.1 PAC 理论  11-12
    2.1.2 强可学习与弱可学习理论  12
    2.1.3 集成学习方法实现策略  12-13
    2.1.4 子学习器的生成方法  13
    2.1.5 子学习器的结合方法  13-14
  2.2 经典的集成学习方法  14-17
    2.2.1 Bagging 方法及其性能分析  14-15
    2.2.2 Boosting 算法族及其性能分析  15-16
    2.2.3 Bagging 方法与 Boosting 方法的比较  16-17
  2.3 本章小结  17-18
第三章 支持向量机集成学习方法  18-30
  3.1 支持向量机（SVM）简介  18-21
    3.1.1 支持向量机分类机  18-20
    3.1.2 支持向量回归机  20-21
    3.1.3 核映射  21
  3.2 AdaBoost 集成学习方法  21-25
    3.2.1 AdaBoost 算法训练误差的上界  23-24
    3.2.2 训练轮数 T 的确定  24-25
  3.3 AdaBoost. M1  25-27
  3.4 SVM-AdaBoost 模型的建立  27-28
  3.5 本章小结  28-30
第四章 集成学习在机械故障诊断中的应用  30-51
  4.1 故障数据提取系统的建立  30-31
    4.1.1 4-135 柴油机状态监测系统的建立  30
    4.1.2 齿轮箱状态监测系统的建立[45]  30-31
  4.2 特征选择与提取  31-41
    4.2.1 数据预处理  31
    4.2.2 基于动态指标法的特征提取  31-35
    4.2.3 基于小波包分解的特征提取  35-41
  4.3 不同诊断特征的集成学习机械故障诊断效果分析  41-48
    4.3.1 基于集成学习的故障诊断模型的建立  41-42
    4.3.2 基于集成学习的柴油机故障诊断  42-46
    4.3.3 基于集成学习的齿轮箱故障诊断  46-48
  4.4 集成学习对不同机械类型故障诊断效果分析  48-49
  4.5 案例拓展  49-50
    4.5.1 采用不同归一化方式的对比  49
    4.5.2 采用不同核函数的对比  49-50
  4.6 本章小结  50-51
第五章 支持向量机选择性集成学习方法  51-58
  5.1 选择性集成的提出  51-52
  5.2 选择性集成的理论基础  52-53
  5.3 GASEN  53-56
  5.4 实验验证  56-57
  5.5 本章小结  57-58
第六章 结论与展望  58-59
致谢  59-60
参考文献  60-63
攻读硕士学位期间发表的论文  63-64
详细摘要  64-75

相似论文

  1. 基于WinCE平台的故障分析仪应用程序设计与开发,TP311.52
  2. 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
  3. 八作动器隔振平台的六自由度容错控制研究,TB535.1
  4. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  5. 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
  6. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  7. 音乐结构自动分析研究,TN912.3
  8. 基于三维重建的焊点质量分类方法研究,TP391.41
  9. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  10. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  11. 基于SVM的中医舌色苔色分类方法研究,TP391.41
  12. 基于图像的路面破损识别,TP391.41
  13. 基于支持向量机的故障诊断方法研究,TP18
  14. 三容水箱系统故障诊断算法研究,TP277
  15. 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
  16. 不同大气压力下高压共轨柴油机燃用生物柴油的试验研究,TE667
  17. 水上交通安全保障系统的关键技术研究,U698
  18. 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
  19. 乳化柴油在S195柴油机上的应用研究,TE626.24
  20. 基于车载3D加速传感器的路况监测研究,TP274
  21. 高光谱图像技术诊断黄瓜病害方法的研究,S436.421

中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com