基于支持向量机的核电设备故障诊断方法研究-机械电子工程专业论文.docxVIP

目 录 HYPERLINK \l _bookmark0 摘 要1 HYPERLINK \l _bookmark1 ABSTRACT 3 HYPERLINK \l _bookmark2 第一章 绪论5 HYPERLINK \l _bookmark3 1.1 课题背景及故障诊断技术的研究现状 5 HYPERLINK \l _bookmark4 1.2 基于 SVM 的核电设备故障诊断模型的可行性分析 7 HYPERLINK \l _bookmark5 1.3 故障信号的特征提取 8 HYPERLINK \l _bookmark6 1.4 本文的总体结构及主要创新点 10 HYPERLINK \l _bookmark7 1.5 本章小结 12 HYPERLINK \l _bookmark8 第二章 基于支持向量机的核电设备故障监测系统研究 13 HYPERLINK \l _bookmark9 2.1 支持向量机基本原理 13 HYPERLINK \l _bookmark10 2.2 支持向量机的学习算法18 HYPERLINK \l _bookmark11 2.3 支持向量机学习算法的步骤 24 HYPERLINK \l _bookmark12 2.4 SVM 用于多类型样本分类 25 HYPERLINK \l _bookmark13 2.5 核电设备的常见故障 26 HYPERLINK \l _bookmark14 2.6 基于 SVM 的故障诊断系统的实验验证 29 HYPERLINK \l _bookmark15 2.7 本章小结 31 HYPERLINK \l _bookmark16 第三章 核函数的选择及核参数的优化对 SVM 识别效果的影响 32 HYPERLINK \l _bookmark17 3.1 核函数的选择 32 HYPERLINK \l _bookmark18 3.2 核参数的优化选取 33 HYPERLINK \l _bookmark19 3.3 核函数选择和核参数优化后 SVM 的分类效果 38 I II II HYPERLINK \l _bookmark20 3.4 本章小结 39 HYPERLINK \l _bookmark21 第四章 集成学习在 SVM 中的应用 40 HYPERLINK \l _bookmark22 4.1 集成学习的基本概念 40 HYPERLINK \l _bookmark23 4.2 集成学习的优点 41 HYPERLINK \l _bookmark24 4.3 集成学习的典型方法介绍 42 HYPERLINK \l _bookmark25 Bagging-SVM 的识别效果及其特性 47 HYPERLINK \l _bookmark26 4.5 本章小结 49 HYPERLINK \l _bookmark27 第五章 实验与仿真50 HYPERLINK \l _bookmark28 5.1 实验装置及实验仪器 50 HYPERLINK \l _bookmark29 5.2 实验方案 52 HYPERLINK \l _bookmark30 5.3 实验结果及说明 54 HYPERLINK \l _bookmark31 5.4 实验结果讨论 60 HYPERLINK \l _bookmark32 5.5 本章小结 61 HYPERLINK \l _bookmark33 总结与展望62 HYPERLINK \l _bookmark34 参考文献65 HYPERLINK \l _bookmark35 附 录69 HYPERLINK \l _bookmark36 致 谢71 PAGE PAGE 10 摘 要 支持向量机（SVM）是统计学习的一种，是在统计学习理论基础上发展起来的 一种新型的学习机器。目前，SVM 被看作是解决分类问题和回归问题的强有力的工 具，并已经是机器学习领域继神经网络后新的研究热点。它以结构风险最小化原则和 VC 维理论为理论基础，根据有限的样本信息在模型的复杂性和学习能力之间寻求最 佳折衷，以期获得最好的推广能力。SVM 被看作是对传统分类器的一个好的发展， 在解决小样本、非线性和高维的机器学习问题中表现出了许多特有的优势。 本文所做的主要工作如下： (1) 本文将支持向量机引入到核电设备的故障诊断中，并通过实验验证 SVM 的分 类性能； (2) 本文深入研究了核电设备典型故障信号的特征提取方法，并成功将基于短时 傅里叶思想的特征提取方法应用于机械设备故障诊断之中； (3) 选择合适的核函数及其参数已成为 SVM 进一步发展的关键点和难点。本文 结合径向基函数（RBF）核函