基于双层模糊支持向量机的液压系统故障诊断

发布时间：2017-04-18 16:08

  本文关键词：基于双层模糊支持向量机的液压系统故障诊断，由笔耕文化传播整理发布。

【摘要】：随着国民经济和现代化工业技术的发展，液压与液力传动技术在工程机械中的应用十分广泛。由于液压系统故障信息具有较强的模糊性，故障信号与产生原因不是一一对应的关系，凭借单一故障现象，很难找到具体的故障原因和故障发生部位。 针对目前智能化故障诊断系统普遍存在的问题，例如故障知识库庞大、解决问题能力的局限性、自动获取知识能力差、没能针对具体问题具体分析的特点，本文将模糊支持向量机算法应用于液压系统的故障诊断，克服了现有的算法忽略或不重视故障数据的模糊性的缺点。针对现有两类模糊支持向量机（隶属度型模糊支持向量机和决策型模糊支持向量机）算法的优缺点，提出了双层网络模型的故障诊断方案。第一层网络主要是利用样本的模糊隶属度值进行简单分类，第二层网络采用决策型模糊支持向量机，对一层网络的输出按模糊分类规则进行分类，得到最终诊断结果。通过具体的实验证明，以模糊理论和机器学习算法为基础的模糊支持向量机具有很好的学习能力，双层网络模型的故障诊断系统克服了故障数据模糊性较高的问题，诊断精度很高。 为进一步提高机器的学习性能，，本文对模糊支持向量机的训练算法和参数选取方法进行改进和优化。训练算法的改进主要是在总结现有的序列最小优化算法的基础上，从优化变量的选择和2个阈值变量的优化方法等方面分别提出具体可行的改进方法，加快了算法的学习和收敛速度。对于模糊支持向量机参数的选择问题，本文以遗传算法和模拟退火算法为理论基础，提出了一种改进的模拟退火遗传算法对学习机器的参数进行优化选择，实验表明经过本算法优化后的参数显著提高了支持向量机的学习性能。 经过系统优化后的模糊支持向量机具有更好的学习能力和分类精度，适用于模糊样本数据的分类研究。将优化后的故障诊断系统应用于液压系统的故障诊断的研究，具有切实可行的实际意义。但由于模糊支持向量机是人工智能和数据挖掘学科方向的一个新的研究领域，作为一种尚未成熟的新技术，模糊支持向量机模型仍具有较大的研究与发展空间。
【关键词】：液压系统 故障诊断 模糊支持向量机 序列最小优化 模拟退火遗传算法
【学位授予单位】：太原科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH137;TH165.3
【目录】：

• 中文摘要4-5
• ABSTRACT5-9
• 符号说明9-10
• 第一章 绪论10-16
• 1.1 研究背景10-11
• 1.2 研究现状11-14
• 1.2.1 故障诊断算法的研究现状11-12
• 1.2.2 模糊支持向量机的研究现状12-14
• 1.3 本文主要工作及章节安排14-16
• 第二章 支持向量机16-32
• 2.1 统计学理论基础16-22
• 2.1.1 学习问题的表示16
• 2.1.2 期望风险与经验风险16-17
• 2.1.3 学习过程一致性的条件17-18
• 2.1.4 VC 维理论18-19
• 2.1.5 推广性的界19-21
• 2.1.6 结构风险最小化21-22
• 2.2 支持向量机原理22-28
• 2.2.1 线性可分23-25
• 2.2.2 线性不可分25-26
• 2.2.3 核函数26-27
• 2.2.4 多分类算法27-28
• 2.3 模糊支持向量机28-31
• 2.3.1 模糊集28
• 2.3.2 模糊隶属度28-29
• 2.3.3 模糊支持向量机的建立29-31
• 2.4 本章小结31-32
• 第三章 基于双层 FSVM 网络结构的故障诊断模型32-38
• 3.1 液压系统故障机理分析32-34
• 3.2 故障诊断系统整体设计34-37
• 3.3 本章小结37-38
• 第四章 改进的模糊支持向量机算法38-54
• 4.1 模糊支持向量机训练算法38-44
• 4.1.1 SMO 算法原理40-41
• 4.1.2 自适应 SMO 训练算法41-43
• 4.1.3 实验分析43-44
• 4.2 模糊支持向量机参数优化44-53
• 4.2.1 参数性能分析44-45
• 4.2.2 分类性能评价函数45
• 4.2.3 参数优化算法简介45-47
• 4.2.4 改进的模拟退火遗传算法47-50
• 4.2.5 实验分析50-53
• 4.3 本章小结53-54
• 第五章 基于双层模糊支持向量机的故障诊断实验54-68
• 5.1 故障特征提取54-59
• 5.1.1 基于小波包变换的振动噪声处理54-58
• 5.1.2 信号的归一化处理58-59
• 5.2 模糊隶属度59-61
• 5.3 核函数的选取61-62
• 5.4 模糊诊断规则62-63
• 5.5 用户图形界面设计63-65
• 5.6 实验结果分析65-66
• 5.7 本章小结66-68
• 第六章 总结与展望68-70
• 6.1 总结68-69
• 6.2 展望69-70
• 参考文献70-74
• 致谢74-76
• 攻读硕士学位期间发表的论文76-77

【参考文献】

中国期刊全文数据库 前10条

1 贺远华,方彦军;遗传算法在模糊控制器参数寻优中的应用研究[J];电力自动化设备;2002年12期

2 谢树新;;支持向量机序贯最小优化算法推导的改进[J];电脑知识与技术;2009年17期

3 王文栋;钟智;元昌安;;基于GEP的支持向量机参数优化[J];广西师范学院学报(自然科学版);2010年02期

4 王国鹏,翟永杰,封官斌,王东风;模糊支持向量机在汽轮机故障诊断中的应用[J];华北电力大学学报;2003年04期

5 王书舟;伞冶;张允昌;;基于支持向量机改进SMO算法的直升机旋翼自转着陆过程建模[J];航空学报;2009年01期

6 赵永满;梅卫江;吴疆;王春林;;机械故障诊断技术发展及趋势分析[J];机床与液压;2009年10期

7 陈洁,芮延年;基于模糊理论液压系统故障诊断方法的研究[J];机电工程;2003年06期

8 陈家德;吴小俊;;自适应模糊支持向量机算法研究[J];计算机工程与应用;2010年25期

9 李青,焦李成,周伟达;基于向量投影的支撑向量预选取[J];计算机学报;2005年02期

10 李立红;许元飞;;深度优先搜索的支持向量机参数优化算法[J];计算机仿真;2011年07期

中国博士学位论文全文数据库 前1条

1 张永;基于模糊支持向量机的多类分类算法研究[D];大连理工大学;2008年

中国硕士学位论文全文数据库 前1条

1 霍健昶;模糊支持向量机算法研究[D];暨南大学;2008年

  本文关键词：基于双层模糊支持向量机的液压系统故障诊断，由笔耕文化传播整理发布。

本文编号：315237