哈尔滨理工大学学报
哈爾濱理工大學學報
합이빈리공대학학보
JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY
2012年
1期
35-38,49
,共5页
故障诊断%支持向量机(SVM)%遗传算法(GA)%主成份分析%小样本
故障診斷%支持嚮量機(SVM)%遺傳算法(GA)%主成份分析%小樣本
고장진단%지지향량궤(SVM)%유전산법(GA)%주성빈분석%소양본
故障样本的缺乏严重制约智能故障诊断的发展,支持向量机算法的提出有效地解决了小样本学习问题.然而支持向量机算法中两个参数惩罚因子C和核参数γ对故障样本的准确识别起着决定性作用.针对参数较难选择问题,采用遗传算法对支持向量机中的两个参数进行全局寻优.把汽车在典型故障下尾气中各气体的体积分数作为训练样本,样本经过主成份分析实现降维和去相关.用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断.使用LIBSVM工具箱进行仿真,结果表明经遗传算法优化后的支持向量机对于小样本故障诊断有很高的准确率.
故障樣本的缺乏嚴重製約智能故障診斷的髮展,支持嚮量機算法的提齣有效地解決瞭小樣本學習問題.然而支持嚮量機算法中兩箇參數懲罰因子C和覈參數γ對故障樣本的準確識彆起著決定性作用.針對參數較難選擇問題,採用遺傳算法對支持嚮量機中的兩箇參數進行全跼尋優.把汽車在典型故障下尾氣中各氣體的體積分數作為訓練樣本,樣本經過主成份分析實現降維和去相關.用處理過的樣本和最優參數建立基于支持嚮量機的多元分類器模型,進行故障類彆診斷.使用LIBSVM工具箱進行倣真,結果錶明經遺傳算法優化後的支持嚮量機對于小樣本故障診斷有很高的準確率.
고장양본적결핍엄중제약지능고장진단적발전,지지향량궤산법적제출유효지해결료소양본학습문제.연이지지향량궤산법중량개삼수징벌인자C화핵삼수γ대고장양본적준학식별기착결정성작용.침대삼수교난선택문제,채용유전산법대지지향량궤중적량개삼수진행전국심우.파기차재전형고장하미기중각기체적체적분수작위훈련양본,양본경과주성빈분석실현강유화거상관.용처리과적양본화최우삼수건립기우지지향량궤적다원분류기모형,진행고장유별진단.사용LIBSVM공구상진행방진,결과표명경유전산법우화후적지지향량궤대우소양본고장진단유흔고적준학솔.
