基于集成學(xué)習(xí)的故障診斷方法研究

《基于集成學(xué)習(xí)的故障診斷方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、學(xué)位論文創(chuàng)新性聲明本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果；也不包含為獲得西安石油大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中做了明確的說明并表示了謝意。申請(qǐng)學(xué)位論文與資料若有不實(shí)之處，本人承擔(dān)一切相關(guān)責(zé)任。做儲(chǔ)繇幽磐日期：弘∥·‘．，學(xué)位論文使用授權(quán)的說明本人完全了解西安石油大學(xué)有關(guān)保留和使用學(xué)位論文的規(guī)定，即：研究生在校攻讀學(xué)位

2、期間論文工作的知識(shí)產(chǎn)權(quán)單位屬西安石油大學(xué)。學(xué)校享有以任何方法發(fā)表、復(fù)制、公開閱覽、借閱以及申請(qǐng)專利等權(quán)利。本人離校后發(fā)表或使用學(xué)位論文或與該論文直接相關(guān)的學(xué)術(shù)論文或成果時(shí)，署名單位仍然為西安石油大學(xué)。論文作者簽名：導(dǎo)師簽名：日期：砂彬，歹．f·注：如本論文涉密，請(qǐng)?jiān)谑褂檬跈?quán)的說明中指出(含解密年限等)。中文摘要論文題目：基于集成學(xué)習(xí)的故障診斷方法研究專業(yè)：機(jī)械電子工程碩士生：田智輝(簽名)導(dǎo)師：王江萍(簽名)摘要機(jī)器學(xué)習(xí)是人工智能最具智能特征和最前沿的研究領(lǐng)域之一?；诮y(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)是非常典型的一種機(jī)器學(xué)習(xí)方

3、法，它較好地解決了以往許多學(xué)習(xí)方法中小樣本、非線性和高維數(shù)等實(shí)際難題，并克服了神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法中網(wǎng)絡(luò)結(jié)構(gòu)難以確定、收斂速度慢、局部極小點(diǎn)、過學(xué)習(xí)與欠學(xué)習(xí)等不足，可以使在小樣本情況下建立的分類器具有很強(qiáng)的推廣能力。但是面對(duì)大規(guī)模故障樣本數(shù)據(jù)，支持向量機(jī)在小樣本空間中較好的性能又難以得到發(fā)揮。因此，集成學(xué)習(xí)的提出為我們開辟了新的途徑。本文旨在研究基于集成學(xué)習(xí)的故障診斷方法，以支持向量機(jī)作為子學(xué)習(xí)器，通過多個(gè)子學(xué)習(xí)器的集成來解決機(jī)械故障診斷的問題。分析了集成學(xué)習(xí)技術(shù)及其相關(guān)算法，研究了支持向量機(jī)子學(xué)習(xí)器的構(gòu)成，以AdaBo

4、ost集成算法為基礎(chǔ)，構(gòu)造了基于支持向量機(jī)的集成學(xué)習(xí)方法，并將此方法應(yīng)用到機(jī)械故障診斷中。文中針對(duì)柴油機(jī)和齒輪箱兩種不同機(jī)械設(shè)備，監(jiān)測(cè)在不同的運(yùn)行狀態(tài)下的振動(dòng)信號(hào)，應(yīng)用動(dòng)態(tài)指標(biāo)法和小波包能量法兩種方法分別提取機(jī)器振動(dòng)信號(hào)的動(dòng)態(tài)指標(biāo)和小波包能量，以此兩類特征向量分別輸入到多個(gè)子學(xué)習(xí)器對(duì)各故障類型進(jìn)行初步診斷，各子學(xué)習(xí)器初步診斷結(jié)果輸入到集成學(xué)習(xí)構(gòu)造的強(qiáng)分類器對(duì)機(jī)器運(yùn)動(dòng)狀態(tài)做最終判斷。通過對(duì)柴油機(jī)8種故障類型和齒輪箱4種故障類型的診斷分析，說明本文提出的方法是可行的，即由集成學(xué)習(xí)構(gòu)造的強(qiáng)分類器分類結(jié)果明顯優(yōu)于單個(gè)分類器分類

5、結(jié)果，表明集成學(xué)習(xí)方法顯著提高了系統(tǒng)的泛化能力。結(jié)果也顯示出，運(yùn)用動(dòng)態(tài)指標(biāo)法提取的特征值在柴油機(jī)中的應(yīng)用明顯優(yōu)于小波包能量法，齒輪箱中動(dòng)態(tài)指標(biāo)法略好于小波包能量法。文中對(duì)集成學(xué)習(xí)也做了相關(guān)的引伸，通過實(shí)驗(yàn)驗(yàn)證了“選擇性集成”的設(shè)想，即選擇部分進(jìn)行集成可能比全部個(gè)體學(xué)習(xí)器集成效果更好。關(guān)鍵詞：集成學(xué)習(xí)支持向量機(jī)故障診斷柴油機(jī)齒輪箱論文類型：應(yīng)用研究英文摘要Subject：Speciality：Name：Instructor：MethodStudyOUEnsembleLearningBasedforFaultDiagnos

6、isMechanicalandElectronicEngineeringTianZhihui(signatureWangJiangping(signatureABSTl‘A‘：’l’Machinelearningisthemostintelligentartificialintelligencefeaturesandoneoftheforefrontresearchareas．SupportVectorMachine(SVM)isaverytypicalmachinelearningmethod，itCanwellso

7、lvemanysmallsample，nolllinear,highdimensionandCanovercomeotherproblemsthatneuralnetworkcallnot．Ithasgoodperformanceinmallsampleproblemsandhasstronggeneralizationability．ButthegoodperformanceofSVMinsampleproblemsishardtoplayinmassivesampledata．Therefore，Ensemblel

8、earninggiveanewrouteforUS．Thepurposeofthispaperistostudyfaultdiagnosismethodonensemblelearning，USingsupportvectormachine(SVM)asalearner,throughtheensembleofmultiplele